Sobre o serviço
TraduzidoSou um desenvolvedor da linguagem Julia especializado em computação numérica e científica de alto desempenho. Ao contrário dos fluxos de trabalho habituais em Python ou R, aposto na velocidade do Julia: escrevo código que roda próximo ao desempenho nativo, mas permanece legível e matematicamente transparente, para que seus modelos não se tornem um gargalo. Construí motores de simulação, procedimentos de otimização, solucionadores de equações diferenciais e pipelines de processamento de dados em larga escala sem as lentidões típicas de pilhas interpretadas. Quando você precisa de um verdadeiro rendimento em cálculos sérios, Julia é a ferramenta certa, e eu sei como extrair o máximo dela.
Começo entendendo o problema: a matemática, os volumes de dados e onde o desempenho realmente importa. Primeiro eu perfilo, depois eu otimizo, usando código estável em tipo, múltipla dispatch e broadcasting correto, contando com o ecossistema onde isso ajuda: DifferentialEquations, JuMP para otimização, DataFrames para dados tabulares e a pilha SciML para modelagem. A correção é tão importante para mim quanto a velocidade, então escrevo testes, meço honestamente com BenchmarkTools e documento suposições. Seja um protótipo de uma ideia de pesquisa ou preparando um modelo para produção — eu ajusto o nível de engenharia ao estágio do projeto.
Posso pegar um protótipo lento em Julia, Python ou MATLAB e transformá-lo em código Julia rápido e sustentável, ou começar a partir de uma especificação técnica limpa. Estou confortável com computação paralela, descarregando para GPU através do CUDA quando justificado, e empacotando código para que sua equipe possa realmente executá-lo. Fale-me sobre seu gargalo e números-alvo — eu darei uma avaliação honesta e um plano de trabalho.
— Computação numérica de alto desempenho e implementação de algoritmos em Julia
— Simulações, resolução de equações diferenciais e modelagem matemática (SciML, DifferentialEquations)
— Problemas de otimização através do JuMP e integração de solucionadores
— Análise e processamento de dados com DataFrames e grandes arrays
— Profiling, benchmarking e ajuste de desempenho estável em tipo
— Computação paralela e em GPU, e empacotamento de código para reutilização
Começo entendendo o problema: a matemática, os volumes de dados e onde o desempenho realmente importa. Primeiro eu perfilo, depois eu otimizo, usando código estável em tipo, múltipla dispatch e broadcasting correto, contando com o ecossistema onde isso ajuda: DifferentialEquations, JuMP para otimização, DataFrames para dados tabulares e a pilha SciML para modelagem. A correção é tão importante para mim quanto a velocidade, então escrevo testes, meço honestamente com BenchmarkTools e documento suposições. Seja um protótipo de uma ideia de pesquisa ou preparando um modelo para produção — eu ajusto o nível de engenharia ao estágio do projeto.
Posso pegar um protótipo lento em Julia, Python ou MATLAB e transformá-lo em código Julia rápido e sustentável, ou começar a partir de uma especificação técnica limpa. Estou confortável com computação paralela, descarregando para GPU através do CUDA quando justificado, e empacotando código para que sua equipe possa realmente executá-lo. Fale-me sobre seu gargalo e números-alvo — eu darei uma avaliação honesta e um plano de trabalho.
— Computação numérica de alto desempenho e implementação de algoritmos em Julia
— Simulações, resolução de equações diferenciais e modelagem matemática (SciML, DifferentialEquations)
— Problemas de otimização através do JuMP e integração de solucionadores
— Análise e processamento de dados com DataFrames e grandes arrays
— Profiling, benchmarking e ajuste de desempenho estável em tipo
— Computação paralela e em GPU, e empacotamento de código para reutilização
