Über den Service
ÜbersetztIch bin ein Julia-Entwickler, der sich auf hochleistungsfähige numerische und wissenschaftliche Berechnungen spezialisiert hat. Im Gegensatz zu den üblichen Workflows in Python oder R setze ich auf die Geschwindigkeit von Julia: Ich schreibe Code, der nahe an der nativen Leistung läuft, aber lesbar und mathematisch transparent bleibt, sodass Ihre Modelle nicht zum Flaschenhals werden. Ich habe Simulationsmotoren, Optimierungsverfahren, Differentialgleichungslöser und großangelegte Datenverarbeitungs-Pipelines ohne die typischen Verzögerungen interpretierten Stacks entwickelt. Wenn Sie echten Durchsatz bei ernsthaften Berechnungen benötigen, ist Julia das richtige Werkzeug, und ich weiß, wie man das Maximum daraus herausholt.
Ich beginne damit, das Problem zu verstehen: die Mathematik, die Datenmengen und wo die Leistung wirklich zählt. Zuerst profiliere ich, dann optimiere ich, indem ich typstabilen Code, multiple Dispatch und korrektes Broadcasting verwende und auf das Ökosystem setze, wo es hilft: DifferentialEquations, JuMP für Optimierung, DataFrames für tabellarische Daten und den SciML-Stack für Modellierung. Korrektheit ist mir ebenso wichtig wie Geschwindigkeit, also schreibe ich Tests, messe ehrlich mit BenchmarkTools und dokumentiere Annahmen. Ob es sich um einen Prototyp einer Forschungsidee oder die Vorbereitung eines Modells für die Produktion handelt – ich passe das Ingenieurniveau an die Projektphase an.
Ich kann einen langsamen Prototyp in Julia, Python oder MATLAB nehmen und ihn in schnellen, wartbaren Julia-Code umwandeln oder von einer sauberen technischen Spezifikation aus starten. Ich bin mit paralleler Berechnung, dem Auslagern an die GPU über CUDA, wenn es gerechtfertigt ist, und der Verpackung von Code vertraut, damit Ihr Team ihn tatsächlich ausführen kann. Erzählen Sie mir von Ihrem Flaschenhals und den Zielzahlen – ich gebe eine ehrliche Einschätzung und einen umsetzbaren Plan.
— Hochleistungsfähige numerische Berechnungen und Implementierung von Algorithmen in Julia
— Simulationen, Lösung von Differentialgleichungen und mathematische Modellierung (SciML, DifferentialEquations)
— Optimierungsprobleme durch JuMP und Solver-Integration
— Datenanalyse und -verarbeitung mit DataFrames und großen Arrays
— Profilierung, Benchmarking und typstabile Leistungsoptimierung
— Parallele und GPU-Berechnung sowie Codeverpackung zur Wiederverwendung
Ich beginne damit, das Problem zu verstehen: die Mathematik, die Datenmengen und wo die Leistung wirklich zählt. Zuerst profiliere ich, dann optimiere ich, indem ich typstabilen Code, multiple Dispatch und korrektes Broadcasting verwende und auf das Ökosystem setze, wo es hilft: DifferentialEquations, JuMP für Optimierung, DataFrames für tabellarische Daten und den SciML-Stack für Modellierung. Korrektheit ist mir ebenso wichtig wie Geschwindigkeit, also schreibe ich Tests, messe ehrlich mit BenchmarkTools und dokumentiere Annahmen. Ob es sich um einen Prototyp einer Forschungsidee oder die Vorbereitung eines Modells für die Produktion handelt – ich passe das Ingenieurniveau an die Projektphase an.
Ich kann einen langsamen Prototyp in Julia, Python oder MATLAB nehmen und ihn in schnellen, wartbaren Julia-Code umwandeln oder von einer sauberen technischen Spezifikation aus starten. Ich bin mit paralleler Berechnung, dem Auslagern an die GPU über CUDA, wenn es gerechtfertigt ist, und der Verpackung von Code vertraut, damit Ihr Team ihn tatsächlich ausführen kann. Erzählen Sie mir von Ihrem Flaschenhals und den Zielzahlen – ich gebe eine ehrliche Einschätzung und einen umsetzbaren Plan.
— Hochleistungsfähige numerische Berechnungen und Implementierung von Algorithmen in Julia
— Simulationen, Lösung von Differentialgleichungen und mathematische Modellierung (SciML, DifferentialEquations)
— Optimierungsprobleme durch JuMP und Solver-Integration
— Datenanalyse und -verarbeitung mit DataFrames und großen Arrays
— Profilierung, Benchmarking und typstabile Leistungsoptimierung
— Parallele und GPU-Berechnung sowie Codeverpackung zur Wiederverwendung
