Acerca del servicio
TraducidoSoy un desarrollador del lenguaje Julia especializado en computación numérica y científica de alto rendimiento. A diferencia de los flujos de trabajo habituales en Python o R, apuesto por la velocidad de Julia: escribo código que se ejecuta cerca del rendimiento nativo pero que sigue siendo legible y matemáticamente transparente, para que tus modelos no se conviertan en un cuello de botella. He construido motores de simulación, procedimientos de optimización, solucionadores de ecuaciones diferenciales y tuberías de procesamiento de datos a gran escala sin las ralentizaciones típicas de las pilas interpretadas. Cuando necesitas un verdadero rendimiento en cálculos serios, Julia es la herramienta adecuada, y sé cómo extraer el máximo de ella.
Empiezo por entender el problema: las matemáticas, los volúmenes de datos y dónde realmente importa el rendimiento. Primero perfilo, luego optimizo, utilizando código estable en tipos, despacho múltiple y difusión correcta, confiando en el ecosistema donde ayuda: DifferentialEquations, JuMP para optimización, DataFrames para datos tabulares y la pila SciML para modelado. La corrección es tan importante para mí como la velocidad, así que escribo pruebas, mido honestamente con BenchmarkTools y documento supuestos. Ya sea un prototipo de una idea de investigación o preparar un modelo para producción, igualo el nivel de ingeniería a la etapa del proyecto.
Puedo tomar un prototipo lento en Julia, Python o MATLAB y convertirlo en código Julia rápido y mantenible, o comenzar desde una especificación técnica limpia. Me siento cómodo con la computación paralela, descargando a GPU a través de CUDA cuando está justificado, y empaquetando código para que tu equipo realmente pueda ejecutarlo. Háblame de tu cuello de botella y números objetivo: te daré una evaluación honesta y un plan de trabajo.
— Computación numérica de alto rendimiento e implementación de algoritmos en Julia
— Simulaciones, resolución de ecuaciones diferenciales y modelado matemático (SciML, DifferentialEquations)
— Problemas de optimización a través de JuMP e integración de solucionadores
— Análisis y procesamiento de datos con DataFrames y grandes arreglos
— Perfilado, evaluación comparativa y ajuste de rendimiento estable en tipos
— Computación paralela y GPU, y empaquetado de código para reutilización
Empiezo por entender el problema: las matemáticas, los volúmenes de datos y dónde realmente importa el rendimiento. Primero perfilo, luego optimizo, utilizando código estable en tipos, despacho múltiple y difusión correcta, confiando en el ecosistema donde ayuda: DifferentialEquations, JuMP para optimización, DataFrames para datos tabulares y la pila SciML para modelado. La corrección es tan importante para mí como la velocidad, así que escribo pruebas, mido honestamente con BenchmarkTools y documento supuestos. Ya sea un prototipo de una idea de investigación o preparar un modelo para producción, igualo el nivel de ingeniería a la etapa del proyecto.
Puedo tomar un prototipo lento en Julia, Python o MATLAB y convertirlo en código Julia rápido y mantenible, o comenzar desde una especificación técnica limpia. Me siento cómodo con la computación paralela, descargando a GPU a través de CUDA cuando está justificado, y empaquetando código para que tu equipo realmente pueda ejecutarlo. Háblame de tu cuello de botella y números objetivo: te daré una evaluación honesta y un plan de trabajo.
— Computación numérica de alto rendimiento e implementación de algoritmos en Julia
— Simulaciones, resolución de ecuaciones diferenciales y modelado matemático (SciML, DifferentialEquations)
— Problemas de optimización a través de JuMP e integración de solucionadores
— Análisis y procesamiento de datos con DataFrames y grandes arreglos
— Perfilado, evaluación comparativa y ajuste de rendimiento estable en tipos
— Computación paralela y GPU, y empaquetado de código para reutilización
