Опис послуги
ПерекладЯ розробник на мові Julia та спеціалізуюсь на високопродуктивних чисельних та наукових обчисленнях. На відміну від звичних процесів на Python або R, я роблю ставку на швидкість Julia: пишу код, який працює близько до нативної продуктивності, але залишається читаємим та математично прозорим, щоб ваші моделі не перетворювалися на вузьке місце. Я збирав двигуни симуляцій, процедури оптимізації, розв'язувачі диференціальних рівнянь та конвеєри обробки великих масивів даних без тих уповільнень, які типові для інтерпретуємих стеків. Коли потрібна реальна пропускна здатність на серйозних розрахунках, Julia — правильний інструмент, і я вмію видавлювати з нього максимум.
Роботу я починаю з розуміння задачі: математика, обсяги даних та те, де продуктивність справді важлива. Спочатку профілюю, потім оптимізую, використовую типостабільний код, множинну диспетчеризацію та коректний броадкастинг, опираюсь на екосистему там, де це допомагає: DifferentialEquations, JuMP для оптимізації, DataFrames для табличних даних та стек SciML для моделювання. Коректність для мене не менш важлива, ніж швидкість, тому я пишу тести, чесно замірюю через BenchmarkTools та фіксую припущення. Прототип чи це дослідницької ідеї або підготовка моделі до продакшену — я підбираю рівень інженерії під стадію проекту.
Можу взяти повільний прототип на Julia, Python або MATLAB та перетворити його в швидкий та підтримуваний код на Julia, або почати з чистого технічного завдання. Мені комфортно з паралельними обчисленнями, виносом на GPU через CUDA, коли це виправдано, та упаковкою коду так, щоб команда справді могла його запускати. Розкажіть про своє вузьке місце та цільові цифри — дам чесну оцінку та робочий план.
— Високопродуктивні чисельні обчислення та реалізація алгоритмів на Julia
— Симуляції, розв'язання диференціальних рівнянь та математичне моделювання (SciML, DifferentialEquations)
— Задачі оптимізації через JuMP та інтеграція розв'язувачів
— Аналіз та обробка даних з DataFrames та великими масивами
— Профілювання, бенчмаркинг та типостабільне налаштування продуктивності
— Паралельні та GPU-обчислення, а також упаковка коду для повторного використання
Роботу я починаю з розуміння задачі: математика, обсяги даних та те, де продуктивність справді важлива. Спочатку профілюю, потім оптимізую, використовую типостабільний код, множинну диспетчеризацію та коректний броадкастинг, опираюсь на екосистему там, де це допомагає: DifferentialEquations, JuMP для оптимізації, DataFrames для табличних даних та стек SciML для моделювання. Коректність для мене не менш важлива, ніж швидкість, тому я пишу тести, чесно замірюю через BenchmarkTools та фіксую припущення. Прототип чи це дослідницької ідеї або підготовка моделі до продакшену — я підбираю рівень інженерії під стадію проекту.
Можу взяти повільний прототип на Julia, Python або MATLAB та перетворити його в швидкий та підтримуваний код на Julia, або почати з чистого технічного завдання. Мені комфортно з паралельними обчисленнями, виносом на GPU через CUDA, коли це виправдано, та упаковкою коду так, щоб команда справді могла його запускати. Розкажіть про своє вузьке місце та цільові цифри — дам чесну оцінку та робочий план.
— Високопродуктивні чисельні обчислення та реалізація алгоритмів на Julia
— Симуляції, розв'язання диференціальних рівнянь та математичне моделювання (SciML, DifferentialEquations)
— Задачі оптимізації через JuMP та інтеграція розв'язувачів
— Аналіз та обробка даних з DataFrames та великими масивами
— Профілювання, бенчмаркинг та типостабільне налаштування продуктивності
— Паралельні та GPU-обчислення, а також упаковка коду для повторного використання
