In den letzten fünf Jahren hat sich die Data Science-Landschaft aufgrund neuer Lernalgorithmen und deren Einsatz zum Lösen komplexer Probleme vom maschinellen Lernen bis hin zur Computer-Vision weiterentwickelt. Zukünftig werden wir Modelle entwickeln müssen, die rechenintensiv sind und
einen wichtigen KPI umfassen. In dieser Ausgabe befassen wir uns mit der Programmiersprache Julia die ein enormes Potenzial hat, diesen Wandel zu beeinflussen, und die auf dem besten Weg ist, die Lieblingssprache der Datenwissenschaftler zu werden.
Was ist so besonders an JULIA?
Lassen wir die Entwickler sprechen:
„Wir möchten etwas schaffen, das für die allgemeine Programmierung so benutzerfreundlich ist wie Python, für die Statistik so einfach ist wie R, für das Verarbeiten von Zeichenketten so natürlich funktioniert wie Perl, für die lineare Algebra so leistungsstark ist wie Matlab und für das Zusammenführen von Programmen so gut geeignet ist wie die Shell. Es soll interaktiv sein und kompiliert werden. Wir möchten, dass es so schnell wie C ist“!
Klingst faszinierend, nicht wahr? Noch nie wurde eine Programmiersprache für die Datenwissenschaft maßgeschneidert! Hybrid, schnell und doch so einfach zu lernen!
Die Superkräfte von JULIA: Tauchen wir tiefer ein!
Klingst faszinierend, nicht wahr? Noch nie wurde eine Programmiersprache für die Datenwissenschaft maßgeschneidert! Hybrid, schnell und doch so einfach zu lernen!
- Schnelleres Laden und Verarbeiten von Daten (10x schneller als Python und R)
- Klassenbester Paketmanager mit 3.500 Paketen und Funktionen zum Aufrufen von Paketen aus anderen Programmiersprachen
- Multimethoden ermöglichen den richtigen Algorithmus für die richtige Instanz
- Einsatzbereite Frameworks für maschinelles Lernen
Anwendungen für JULIA
Julia verfügt über eine Vielzahl von Anwendungen in verschiedenen Branchen – sei es für autonome Fahrzeuge oder für Anwendungen in Bereichen wie z. B. erweiterte Realität, maschinelles Lernen und Präzisionsmedizin.
Der Analysten-Community steht eine gründliche Veränderung der Empfehlungsmodule bevor! Hier finden Sie als Inspiration einen Ausschnitt aus einer Fallstudie zur Faktorzerlegung.
| PARAMETER/DATENSÄTZE | GRÖSSE (ANZAHL DER INTERAKTIONEN) |
FAKTORZERLEGUNGSDAUER (IN SEKUNDEN) |
| Movielens | 20 Millionen | 119 |
| Last.fm | 0,5 Mrd | 2913 |
Die Leistung von Bildklassifizierern wird sich verbessern – und sich von den herkömmlichen Empfehlungen lossagen, Tensor Flow- und Pytorch-Projekte in C++ zu kompilieren.
Wer verwendet JULIA?
Die Liste ist umfangreich und wächst weiter!
Kurz gesagt: Wenn Sie Ihre Codes schneller ausführen und gleichzeitig die Vorteile einer komplexen Sprache nutzen möchten, ist Julia die richtige Wahl.
„Warum sind Makroökonomen wie ich an Julia ebenso interessiert wie begeistert? Weil unsere Modelle kompliziert sind. Es ist leicht, das Problem niederzuschreiben, doch es ist schwer, es zu lösen – vor allem, wenn das Modell hochdimensional ist. Daher benötigen wir Julia“.
– Nobelpreisträger Thomas J. Sargent
Referenzen:
