Julia: balance de cómo se ha estado haciendo

Question

Me llegó a través de un 2012 pregunta que tenía una muy buena discusión acerca de Julia como una alternativa a R / Python para diversos tipos de Trabajos Estadísticos.

Aquí yace la Pregunta original, a partir de 2012 acerca de la promesa de Julia

Lamentablemente, Julia era muy nuevo y las herramientas necesarias para el trabajo estadístico eran algo primitivo. Errores fueron suprimidas. Distribuciones eran difíciles de instalar. Et cetra.

Alguien tuvo un buen comentario sobre esta cuestión:

Dicho esto, no voy a ser de 5 años antes de esta pregunta, posiblemente, podría ser respondió en retrospectiva. A partir de ahora, Julia carece de la siguiente aspectos críticos de la estadística del sistema de programación que podría competir con R para el día a día de los usuarios:

Que fue en 2012. Ahora que estamos en 2015 y tres años han pasado, me preguntaba cómo la gente piensa Julia ha hecho?

Hay un rico cuerpo de experiencia con el lenguaje en sí y el general de Julia ecosistema? Me encantaría saber.

Específicamente, (a) le aconsejaría a todos los nuevos usuarios de herramientas estadísticas para aprender a Julia sobre R? (b) ¿Qué tipo de Estadísticas de casos de uso le aconsejaría a alguien el uso de Julia en (c) Si R es lento en una determinada tarea ¿tiene sentido cambiar a Julia o Python?

Answer 1

Creo que "aprender X sobre Y" no es la manera correcta de formular la pregunta. De hecho, usted puede aprender (al menos lo básico) de ambos y decidir sobre el derecho de la herramienta dependiendo de la tarea concreta a la mano. Y desde que Julia heredado la mayor parte de su sintaxis y conceptos de otros idiomas, debería ser muy fácil de entender (así como Python, aunque no estoy seguro de que lo mismo puede ser dicho acerca de la R).

De modo que el lenguaje se adapta mejor para la tarea? Basado en mi experiencia con estas herramientas que yo calificaría de la siguiente manera:

• Por pura estadística de la investigación que se puede hacer con REPL y un par de secuencias de comandos, R parece ser la opción perfecta. Se ha diseñado específicamente para las estadísticas, tiene la historia más larga de herramientas y, probablemente, mayor conjunto de las bibliotecas estadísticas.

• Si desea integrar las estadísticas (o, por ejemplo, el aprendizaje de la máquina) en el sistema de producción, Python parece una alternativa mucho mejor: como un general-lenguaje de programación de propósito se cuenta con un impresionante pila de web, enlaces a la mayoría de las APIs y bibliotecas literalmente de todo, desde el desguace de la web para la creación de juegos en 3D.

• De alto rendimiento de los algoritmos son mucho más fáciles de escribir en Julia. Si sólo necesita utilizar o combinar las bibliotecas existentes como SciKit Aprender o e1071 respaldado por C/C++, usted va a estar bien con Python y R. Pero cuando se trata de rápido backend sí, Julia se convierte en verdadero ahorro de tiempo: es mucho más rápido que Python o R y no requiere conocimientos adicionales de C/C++. Como un ejemplo, Moca.jl reimplemente en pura Julia aprendizaje profundo marco de Caffe, originalmente escrito en C++ con un contenedor en Python.

• También no hay que olvidar que algunas bibliotecas están disponibles sólo en algunos idiomas. E. g. sólo Python tiene maduro de los ecosistemas para la visión por computador, algunos de forma coincidente y trasnformation algoritmos se implementan sólo en Julia y he oído hablar de algunos paquetes únicos para la estadística en medicina en R.