Применения: наука, машинное обучение, оптимизация

Завершающий урок: где Julia реально используют, и каким будет ваш следующий шаг после курса.

Julia нашла своё место там, где раньше царила «проблема двух языков»: тяжёлые вычисления, которые хочется писать удобно.

Наука и численное моделирование

Это родная стихия Julia. Пакет DifferentialEquations.jl считается одним из лучших в мире решателей дифференциальных уравнений — им пользуются в физике, биологии, климатологии. Climate Modeling Alliance строит климатические модели на Julia, фармкомпании моделируют фармакокинетику, экономисты решают модели общего равновесия. Причина одна: можно записать модель почти как формулу и тут же получить производительный код.

Машинное обучение: Flux.jl

В ML Julia предлагает Flux.jl — гибкий фреймворк нейросетей. Его особенность — он написан целиком на Julia, без «чёрного ящика» на C++ внутри (в отличие от PyTorch/TensorFlow). Это значит, что вы можете заглянуть в любую часть, продифференцировать почти любой код (через автодифференцирование) и смешивать нейросети с обычными численными моделями — например, встраивать дифференциальные уравнения в обучение (направление «scientific machine learning»).

using Flux

# простая нейросеть: 2 входа -> 3 нейрона -> 1 выход
model = Chain(
    Dense(2 => 3, relu),
    Dense(3 => 1)
)

ŷ = model([0.5, 0.8])    # прямой проход

Оптимизация: JuMP

JuMP.jl — мощный «язык внутри Julia» для задач математической оптимизации (линейное, нелинейное, целочисленное программирование). Его используют в логистике, энергетике, планировании. Благодаря метапрограммированию задача записывается почти как в учебнике:

using JuMP, GLPK

model = Model(GLPK.Optimizer)
@variable(model, x >= 0)
@variable(model, y >= 0)
@constraint(model, x + 2y <= 14)
@objective(model, Max, 3x + 5y)
optimize!(model)

Здесь видно метапрограммирование в деле: @variable, @constraint — это макросы, превращающие математическую запись в задачу для решателя.

Другие области

Анализ данных — DataFrames + CSV + статистические пакеты.
Параллельные и GPU-вычисления — почти тем же кодом, что и обычные.
Робототехника и управление — быстрые расчёты в реальном времени.
Финансы — моделирование рисков, ценообразование.

Как работает под капотом

Объединяющая нить всех применений — композируемость через множественную диспетчеризацию. Пакет дифференциальных уравнений, пакет автодифференцирования и пакет GPU могут не знать друг о друге, но их типы работают вместе, потому что для нужных комбинаций определены методы. Поэтому в Julia можно, например, решать дифференциальное уравнение с числами, отслеживающими погрешность, на GPU — просто скомбинировав три независимых пакета. В Python такая комбинация потребовала бы координации между авторами библиотек.

Частые ошибки и что дальше

Частая ошибка начинающих — хвататься за продвинутые пакеты (Flux, JuMP), не освоив основы: типы, диспетчеризацию, broadcasting, стабильность типов. Без этого фундамента вы не поймёте, почему код то быстрый, то медленный. Ваш путь после курса: (1) закрепить основы на маленьких численных задачах; (2) выбрать одну прикладную область и её ключевой пакет; (3) изучать через официальную документацию и Discourse-форум Julia; (4) при оптимизации всегда возвращаться к @code_warntype и @btime.

Итоги

Наука и численное моделирование — главная сила Julia (DifferentialEquations.jl).
Flux.jl — гибкий ML-фреймворк, написанный на самой Julia, для «научного ML».
JuMP.jl — выразительный язык оптимизации на основе метапрограммирования.
Композируемость через диспетчеризацию позволяет комбинировать независимые пакеты.
Дальше: закрепляйте основы, выбирайте прикладной пакет, опирайтесь на документацию и инструменты профилирования.