À propos du service
TraduitJe suis un développeur du langage Julia spécialisé dans le calcul numérique et scientifique haute performance. Contrairement aux flux de travail habituels en Python ou R, je parie sur la vitesse de Julia : j'écris du code qui s'exécute près de la performance native tout en restant lisible et mathématiquement transparent, afin que vos modèles ne deviennent pas un goulot d'étranglement. J'ai construit des moteurs de simulation, des procédures d'optimisation, des solveurs d'équations différentielles et des pipelines de traitement de données à grande échelle sans les ralentissements typiques des piles interprétées. Lorsque vous avez besoin d'un véritable débit sur des calculs sérieux, Julia est le bon outil, et je sais comment en tirer le maximum.
Je commence par comprendre le problème : les mathématiques, les volumes de données et où la performance compte vraiment. D'abord je profile, puis j'optimise, en utilisant du code stable en type, du dispatch multiple et un broadcasting correct, en m'appuyant sur l'écosystème là où cela aide : DifferentialEquations, JuMP pour l'optimisation, DataFrames pour les données tabulaires et la pile SciML pour la modélisation. La justesse est aussi importante pour moi que la vitesse, donc j'écris des tests, mesure honnêtement avec BenchmarkTools et documente les hypothèses. Que ce soit un prototype d'idée de recherche ou la préparation d'un modèle pour la production — j'adapte le niveau d'ingénierie à l'étape du projet.
Je peux prendre un prototype lent en Julia, Python ou MATLAB et le transformer en code Julia rapide et maintenable, ou partir d'une spécification technique propre. Je suis à l'aise avec le calcul parallèle, le déchargement vers le GPU via CUDA lorsque cela est justifié, et l'emballage du code pour que votre équipe puisse réellement l'exécuter. Parlez-moi de votre goulot d'étranglement et des chiffres cibles — je donnerai une évaluation honnête et un plan de travail.
— Calcul numérique haute performance et mise en œuvre d'algorithmes en Julia
— Simulations, résolution d'équations différentielles et modélisation mathématique (SciML, DifferentialEquations)
— Problèmes d'optimisation via JuMP et intégration de solveurs
— Analyse et traitement des données avec DataFrames et grands tableaux
— Profilage, benchmarking et réglage de performance stable en type
— Calcul parallèle et GPU, et emballage de code pour réutilisation
Je commence par comprendre le problème : les mathématiques, les volumes de données et où la performance compte vraiment. D'abord je profile, puis j'optimise, en utilisant du code stable en type, du dispatch multiple et un broadcasting correct, en m'appuyant sur l'écosystème là où cela aide : DifferentialEquations, JuMP pour l'optimisation, DataFrames pour les données tabulaires et la pile SciML pour la modélisation. La justesse est aussi importante pour moi que la vitesse, donc j'écris des tests, mesure honnêtement avec BenchmarkTools et documente les hypothèses. Que ce soit un prototype d'idée de recherche ou la préparation d'un modèle pour la production — j'adapte le niveau d'ingénierie à l'étape du projet.
Je peux prendre un prototype lent en Julia, Python ou MATLAB et le transformer en code Julia rapide et maintenable, ou partir d'une spécification technique propre. Je suis à l'aise avec le calcul parallèle, le déchargement vers le GPU via CUDA lorsque cela est justifié, et l'emballage du code pour que votre équipe puisse réellement l'exécuter. Parlez-moi de votre goulot d'étranglement et des chiffres cibles — je donnerai une évaluation honnête et un plan de travail.
— Calcul numérique haute performance et mise en œuvre d'algorithmes en Julia
— Simulations, résolution d'équations différentielles et modélisation mathématique (SciML, DifferentialEquations)
— Problèmes d'optimisation via JuMP et intégration de solveurs
— Analyse et traitement des données avec DataFrames et grands tableaux
— Profilage, benchmarking et réglage de performance stable en type
— Calcul parallèle et GPU, et emballage de code pour réutilisation
