O usłudze
PrzetłumaczoneJestem deweloperem języka Julia specjalizującym się w obliczeniach numerycznych i naukowych o wysokiej wydajności. W przeciwieństwie do zwykłych przepływów pracy w Pythonie lub R, stawiam na szybkość Julii: piszę kod, który działa blisko wydajności natywnej, ale pozostaje czytelny i matematycznie przejrzysty, aby Twoje modele nie stały się wąskim gardłem. Zbudowałem silniki symulacyjne, procedury optymalizacji, rozwiązania równań różniczkowych i potoki przetwarzania danych na dużą skalę bez typowych spowolnień związanych z interpretowanymi stosami. Kiedy potrzebujesz rzeczywistej przepustowości w poważnych obliczeniach, Julia jest odpowiednim narzędziem, a ja wiem, jak wydobyć z niej maksimum.
Zaczynam od zrozumienia problemu: matematyki, objętości danych i tam, gdzie wydajność ma prawdziwe znaczenie. Najpierw profiluję, potem optymalizuję, używając kodu stabilnego typowo, wielokrotnego dispatchu i poprawnego rozgłaszania, polegając na ekosystemie, gdzie to pomaga: DifferentialEquations, JuMP do optymalizacji, DataFrames do danych tabelarycznych i stos SciML do modelowania. Poprawność jest dla mnie tak samo ważna jak szybkość, więc piszę testy, uczciwie mierzę za pomocą BenchmarkTools i dokumentuję założenia. Niezależnie od tego, czy to prototyp pomysłu badawczego, czy przygotowanie modelu do produkcji — dostosowuję poziom inżynieryjny do etapu projektu.
Mogę wziąć wolny prototyp w Julii, Pythonie lub MATLABie i przekształcić go w szybki, łatwy do utrzymania kod w Julii, lub zacząć od czystej specyfikacji technicznej. Czuję się komfortowo z obliczeniami równoległymi, przenosząc obliczenia na GPU przez CUDA, gdy jest to uzasadnione, oraz pakując kod, aby Twój zespół mógł go rzeczywiście uruchomić. Powiedz mi o swoim wąskim gardle i docelowych liczbach — dam uczciwą ocenę i działający plan.
— Obliczenia numeryczne o wysokiej wydajności i implementacja algorytmów w Julii
— Symulacje, rozwiązywanie równań różniczkowych i modelowanie matematyczne (SciML, DifferentialEquations)
— Problemy optymalizacyjne za pomocą JuMP i integracja rozwiązań
— Analiza danych i przetwarzanie z użyciem DataFrames i dużych tablic
— Profilowanie, benchmarking i dostrajanie wydajności stabilnej typowo
— Obliczenia równoległe i GPU oraz pakowanie kodu do ponownego użycia
Zaczynam od zrozumienia problemu: matematyki, objętości danych i tam, gdzie wydajność ma prawdziwe znaczenie. Najpierw profiluję, potem optymalizuję, używając kodu stabilnego typowo, wielokrotnego dispatchu i poprawnego rozgłaszania, polegając na ekosystemie, gdzie to pomaga: DifferentialEquations, JuMP do optymalizacji, DataFrames do danych tabelarycznych i stos SciML do modelowania. Poprawność jest dla mnie tak samo ważna jak szybkość, więc piszę testy, uczciwie mierzę za pomocą BenchmarkTools i dokumentuję założenia. Niezależnie od tego, czy to prototyp pomysłu badawczego, czy przygotowanie modelu do produkcji — dostosowuję poziom inżynieryjny do etapu projektu.
Mogę wziąć wolny prototyp w Julii, Pythonie lub MATLABie i przekształcić go w szybki, łatwy do utrzymania kod w Julii, lub zacząć od czystej specyfikacji technicznej. Czuję się komfortowo z obliczeniami równoległymi, przenosząc obliczenia na GPU przez CUDA, gdy jest to uzasadnione, oraz pakując kod, aby Twój zespół mógł go rzeczywiście uruchomić. Powiedz mi o swoim wąskim gardle i docelowych liczbach — dam uczciwą ocenę i działający plan.
— Obliczenia numeryczne o wysokiej wydajności i implementacja algorytmów w Julii
— Symulacje, rozwiązywanie równań różniczkowych i modelowanie matematyczne (SciML, DifferentialEquations)
— Problemy optymalizacyjne za pomocą JuMP i integracja rozwiązań
— Analiza danych i przetwarzanie z użyciem DataFrames i dużych tablic
— Profilowanie, benchmarking i dostrajanie wydajności stabilnej typowo
— Obliczenia równoległe i GPU oraz pakowanie kodu do ponownego użycia
