○ planned · proyecto
Otorga nivel a: Julia · Multiple Dispatch
Usa: Python · compilation · Julia · Multiple Dispatch
Miguel Raz defiende que Julia resuelve el ‘two-language problem’ (prototipar en Python/R y reimplementar en C++) mediante JIT y despacho múltiple: performance cercano a C con productividad tipo Python.
Hallazgos clave
- El ‘two-language problem’: se prototipa en Python/R y se reimplementa en C++; Julia lo resuelve con JIT + subtyping.
- Casos: Jack Dongarra (Turing 2021) dice que hay mejores mecanismos que Fortran; la vacuna COVID de Pfizer usó Julia con aceleración 175x.
- En microbenchmarks H2O.ai de dataframes, Julia queda en top 3, pero en uno se quedó sin memoria (debilidad honesta).
- La primera llamada es lenta (JIT); el despacho múltiple es fácil de abusar y cobra performance en runtime.
- Reproducibilidad: el manejador de paquetes reproduce bit-por-bit el entorno en segundos, vs el ‘suplicio’ de pip/conda.
Módulos
- ¿Qué es Julia? — dinámico, despacho múltiple, homoicónico.
- El problema de los dos lenguajes — JIT, subtyping.
- Ecosistema — Makie, DataFrames, Turing.jl, Symbolics.jl.
- Paralelismo — SIMD, task-based, work stealing.
- Recursos — Deep Learning, GPU/CUDA, migración desde Fortran.
Fuente: https://www.youtube.com/watch?v=KVnj4xuktpw · Transcript local: data/cursos/datapub-julia/julia.srt
Enlaces
Otorga nivel a: Julia · Multiple Dispatch Usa: Python · compilation · Julia · Multiple Dispatch