Скорее всего, внедрять Julia в учебный процесс, мы начнём с экспериментов над школьниками. В рамках свободных для посещения курсов введения в алгоритмы. И, вот, вопрос - как поставить Julia на машины, куда её не поставить (atom/notebook) - будет для нас актуальным…. Открытая сборка аналога https://juliabox.com/ была бы очень полезна.

К слову, тут ещё проблема громоздкости Julia для домашней установки самими школьниками. Не факт, что справятся с установкой самостоятельно. Поэтому, неплохо бы иметь облачный сервис….

КуМир это и есть ejudge — он же проверяет решения. Кстати, это название я придумал, когда работал с мехматом в 80-х ))) Комплект Учебных Миров, КуМир (это было продолжение серии МикроМир, а сейчас актуален ПиктоМир — обучение программированию дошкольников).

у нас на первом курсе просто Кушниренко сам вёл программирование )

Ну да. Потом КуМир ещё обзывали КушниренкоМиром. Но я придумывал, и я знаю, как правильно )))

А нет в julia инструментов, чтобы разбить формулу на её маленькие составляющие?
типа у меня есть формула:

rho^(1/3)-rho^(4/3)

и она это превратит в:

t1 = rho^(1/3)
t2 = t1^4
t3 = t1-t4

точнее даже:

t1 = rho
t2 = t1^(1/3)
t3 = t2^4
t4 = t1-t4

Хм.
Это точно AD

У Mike Innos был ноутбук, в котором он набросал зачатки такого языка.
Ещё был пакет XGRad, который такое умел делать.

Сейчас уточню.

а то тут  формулка в 1500 символов %)

он должен по формуле что-то типа AST строить

Хм, заброшен к сожалению.
https://github.com/dfdx/XGrad.jl

а зачем мне производные считать? она уже посчитана....

Так для этого и нужно.
Чтобы взять выражение, посчитать от него производную и представить её в нужном виде.
https://github.com/MikeInnes/diff-zoo/blob/notebooks/forward.ipynb

Вот тут он как раз рассказывает как приводить к Венгертовой форме выражения.

Точнее так, у него есть в этих заметках готовая функция Wengert, которая любое символьное выражение приводит к тому, что ты написал + есть рудиментарный механизм взятия символьных производных, которым тоже можно пользоваться.

Благо ничего особо сложного там нет.

Вообще, в символьных вычислениях много чего интересного происходит. Интересно, когда это втащат в Julia. Вот такое, например: https://ai.facebook.com/blog/using-neural-networks-to-solve-advanced-mathematics-equations/

Our model demonstrated 99.7 percent accuracy when solving integration problems, and 94 percent and 81.2 percent accuracy, respectively, for first- and second-order differential equations. Those results exceeded those of all three of the traditional equation solvers we tested against. Mathematica achieved the next best results, with 84 percent accuracy on the same integration problems and 77.2 percent and 61.6 percent for differential equation results. Our model also returned most predictions in less than 0.5 second, while the other systems took several minutes to find a solution and sometimes timed out entirely.

Вот просто повторить на Julia, и все были бы счастливы )))