Niedawno przeczytałem post od R-Bloggerów, który zawiera link do tego postu na blogu od Johna Mylesa White'a na temat nowego języka o nazwie Julia . Julia korzysta z kompilatora „just-in-time”, który zapewnia niesamowity szybki czas działania i ustawia go na tym samym rzędzie wielkości co C / C ++ (ta sama kolejność , nie tak szybko). Ponadto wykorzystuje ortodoksyjne mechanizmy zapętlania, które znają ci z nas, którzy rozpoczęli programowanie w tradycyjnych językach, zamiast instrukcji R i operacji wektorowych.
R nie ustępuje w żaden sposób, nawet przy tak niesamowitych momentach od Julii. Ma szerokie wsparcie w branży i wiele wspaniałych pakietów do zrobienia wszystkiego.
Moje zainteresowania mają charakter bayesowski, wektoryzacja często nie jest możliwa. Z pewnością zadania seryjne muszą być wykonywane za pomocą pętli i wymagają intensywnych obliczeń przy każdej iteracji. R może być bardzo powolny w tych szeregowych zadaniach pętli, a C / ++ nie jest spacerem do pisania w parku. Julia wydaje się świetną alternatywą dla pisania w C / ++, ale jest w powijakach i brakuje jej wielu funkcji, które uwielbiam w R. Sensowne byłoby uczyć się Julii jako warsztatu statystyki obliczeniowej, jeśli uzyska wystarczające wsparcie od społeczności statystyk i ludzie zaczynają pisać przydatne pakiety dla tego.
Moje pytania są następujące:
Jakie cechy musi mieć Julia, aby mieć urok, który sprawił, że R stał się de facto językiem statystyki?
Jakie są zalety i wady uczenia Julii do wykonywania zadań o dużej mocy obliczeniowej, w porównaniu do nauki języka niskiego poziomu, takiego jak C / ++?