Julia Language

Julia Language se escribe dinámicamente, se siente como un lenguaje de secuencias de comandos y tiene un buen soporte para uso interactivo. Julia tiene un lenguaje rico de tipos de datos descriptivos, y las declaraciones de tipo pueden usarse para aclarar y solidificar programas. Los programas compilan en código nativo eficiente para múltiples plataformas a través de LLVM.

Julia utiliza el despacho múltiple como paradigma, lo que facilita la expresión de muchos patrones de programación orientados a objetos y funcionales. La biblioteca estándar proporciona E / S asíncrona, control de procesos, registro, creación de perfiles, un administrador de paquetes y más. Tiene una sintaxis de alto nivel, por lo que es un lenguaje accesible para programadores de cualquier nivel de experiencia o fondo. Julia Language es gratuito para todos, y todo el código fuente se puede ver públicamente en GitHub.

Se ha descargado más de 10 millones de veces y la comunidad ha registrado más de 2,000 paquetes para uso comunitario. Estos incluyen varias bibliotecas matemáticas, herramientas de manipulación de datos y paquetes para computación de propósito general. Además de estos, puede usar fácilmente bibliotecas de Python, R, C / Fortran, C ++ y Java.

Características y destacados

Visualización de datos y trazado
La visualización de datos tiene una historia complicada. El software de trazado hace concesiones entre características y simplicidad, velocidad y belleza, y una interfaz estática y dinámica. Algunos paquetes hacen una visualización y nunca la cambian, mientras que otros realizan actualizaciones en tiempo real.

Cree, implemente o incruste su código
La aplicación le permite escribir interfaces de usuario, compilar estáticamente su código o incluso implementarlo en un servidor web. También tiene potentes capacidades tipo shell para administrar otros procesos. Proporciona macros similares a Lisp y otras funciones de metaprogramación.

Interactúa con tus datos
El ecosistema de datos le permite cargar conjuntos de datos multidimensionales rápidamente, realizar agregaciones, uniones y operaciones de preprocesamiento en paralelo, y guardarlos en el disco en formatos eficientes. También puede realizar cálculos en línea sobre la transmisión de datos con OnlineStats.jl. Ya sea que esté buscando los DataFrames convenientes y familiares, o un nuevo enfoque con JuliaDB, le proporciona una rica variedad de herramientas. Queryverse proporciona consulta, archivo IO y funcionalidad de visualización. Además de trabajar con datos tabulares, los paquetes de JuliaGraphs facilitan el trabajo con datos combinatorios.

Aprendizaje automático escalable
Proporciona herramientas poderosas para el aprendizaje profundo (Flux.jl y Knet.jl), el aprendizaje automático y la IA. La sintaxis matemática de Julia lo convierte en una forma ideal de expresar algoritmos tal como están escritos en documentos, construir modelos entrenables con diferenciación automática, aceleración de GPU y soporte para terabytes de datos con JuliaDB.

Rico ecosistema para computación científica
Julia está diseñada desde cero para ser muy buena en informática numérica y científica. Esto se puede ver en la abundancia de herramientas científicas escritas en la aplicación, como el ecosistema de ecuaciones diferenciales de última generación (DifferentialEquations.jl), herramientas de optimización (JuMP.jl y Optim.jl), solucionadores lineales iterativos ( IterativeSolvers.jl), un marco robusto para transformadas de Fourier (AbstractFFTs.jl), un marco de simulación cuántica de propósito general (Yao.jl), y muchos más, que pueden impulsar todas sus simulaciones.

Computación paralela y heterogénea
El lenguaje está diseñado para el paralelismo y proporciona primitivas integradas para la computación paralela en todos los niveles: paralelismo a nivel de instrucción, multihilo y computación distribuida. El proyecto Celeste.jl logró 1.5 PetaFLOP / s en la supercomputadora Cori en NERSC utilizando 650,000 núcleos. El compilador también puede generar código nativo para varios aceleradores de hardware, como GPU y Xeon Phis. Paquetes como DistributedArrays.jl y Dagger.jl proporcionan mayores niveles de abstracción para el paralelismo.