Я пишу на Julia и занимаюсь тяжёлыми численными и научными расчётами, где важна скорость. Если ваши модели упираются в производительность Python или R, Julia часто даёт кратный выигрыш: код остаётся близким к математике и при этом исполняется почти как нативный. За плечами — движки моделирования, решатели уравнений, оптимизационные процедуры и обработка больших массивов, которые не тормозят под нагрузкой. Я подбираю алгоритм и структуру данных под конкретную задачу, а не гоняю универсальный шаблон, поэтому результат получается и быстрым, и понятным для сопровождения.
Процесс у меня прозрачный: сначала разбираюсь в постановке и объёмах данных, замеряю через BenchmarkTools, нахожу настоящие узкие места, а уже потом оптимизирую — типостабильность, множественная диспетчеризация, аккуратный бродкастинг. Использую зрелую экосистему: DifferentialEquations и SciML для моделирования, JuMP для оптимизации, DataFrames для табличных данных. При этом не забываю про корректность: пишу тесты и фиксирую допущения, чтобы расчёт можно было проверить и воспроизвести спустя месяцы.
Возьму ваш медленный прототип на Julia, Python или MATLAB и доведу до быстрого поддерживаемого решения, либо соберу проект с нуля по ТЗ. Работаю с параллельными вычислениями и переносом на GPU через CUDA, когда это реально окупается, и упаковываю код так, чтобы его без боли запускала ваша команда. Опишите узкое место и целевые показатели — дам честную оценку сроков и план.
— Производительные численные расчёты и реализация алгоритмов на Julia
— Моделирование, решение дифференциальных уравнений, научные симуляции (SciML)
— Оптимизация через JuMP и подключение решателей
— Обработка и анализ данных: DataFrames, большие массивы
— Профилирование, бенчмарки, настройка скорости и типостабильности
— Параллельные и GPU-вычисления, упаковка кода под команду
Процесс у меня прозрачный: сначала разбираюсь в постановке и объёмах данных, замеряю через BenchmarkTools, нахожу настоящие узкие места, а уже потом оптимизирую — типостабильность, множественная диспетчеризация, аккуратный бродкастинг. Использую зрелую экосистему: DifferentialEquations и SciML для моделирования, JuMP для оптимизации, DataFrames для табличных данных. При этом не забываю про корректность: пишу тесты и фиксирую допущения, чтобы расчёт можно было проверить и воспроизвести спустя месяцы.
Возьму ваш медленный прототип на Julia, Python или MATLAB и доведу до быстрого поддерживаемого решения, либо соберу проект с нуля по ТЗ. Работаю с параллельными вычислениями и переносом на GPU через CUDA, когда это реально окупается, и упаковываю код так, чтобы его без боли запускала ваша команда. Опишите узкое место и целевые показатели — дам честную оценку сроков и план.
— Производительные численные расчёты и реализация алгоритмов на Julia
— Моделирование, решение дифференциальных уравнений, научные симуляции (SciML)
— Оптимизация через JuMP и подключение решателей
— Обработка и анализ данных: DataFrames, большие массивы
— Профилирование, бенчмарки, настройка скорости и типостабильности
— Параллельные и GPU-вычисления, упаковка кода под команду
