What should I read in order to / Что мне почитать, чтобы:


1. Understand basics of Julia / Понять основы языка Julia ?

1.1 ThinkJulia: https://benlauwens.github.io/ThinkJulia.jl/latest/book.html
1.2 QuantEcon parts: https://julia.quantecon.org/
1.3 Zero2Hero Julia: https://www.youtube.com/watch?v=Fi7Pf2NveH0
1.4 Julia wiki: https://en.wikibooks.org/wiki/Introducing_Julia
1.5 From zero to Julia: https://techytok.com/from-zero-to-julia/
1.6 Jane Herriman intro to Julia: https://www.youtube.com/watch?v=8h8rQyEpiZA
1.7  Introduction to Computational Thinking with Julia, with applications to
modelling the COVID-19 pandemic: https://github.com/mitmath/6S083


2. Understand Julia more deeply / Лучше понять некоторые тонкие аспекты Julia?

2.1 Chris Rachauckas tutorial: https://ucidatascienceinitiative.github.io/IntroToJulia/
2.2 Tom Kwong. Hands-on Design Patterns and Best Practices with Julia.
2.3 Malcolm Sherrington. Mastering Julia.
2.4 Julia workshop 2019 (Finland): https://github.com/crstnbr/JuliaOulu20
2.5 D.P.Sanders workshop: https://github.com/dpsanders/hands_on_julia
2.6 Metaprogramming workshop: https://youtu.be/SeqAQHKLNj4


3. Learn some applications to specific branches of mathematics / Узнать больше о
приложениях к некоторым областям математики?

3.1 Linear algebra / Линейная алгебра:

3.1.1 Introduction to applied linear algebra: vectors, matrices and least
squares http://vmls-book.stanford.edu/
3.1.2 Folkmar Bornemann: Numerical Linear Algebra. A Concise Introduction  with MATLAB and Julia
3.1.3 MODERN APPLICATIONS OF NUMERICAL LINEAR ALGEBRA METHODS: https://github.com/ivanslapnicar/GIAN-Applied-NLA-Course

3.2 Differential equations, dynamical systems / Дифуры и динамич. системы:

3.2.1 DynamicalSystems.jl tutorial: https://www.youtube.com/watch?v=13hqE_1a158
3.2.2 DifferentialEquations tutorial: https://www.youtube.com/watch?v=13hqE_1a158
3.2.2 Partial Differential Equations tutorial: https://www.youtube.com/watch?v=13hqE_1a158

3.3 Optimization / Оптимизация:

3.3.1 Kochenderfer, Wheeler : Algorithms for Optimization
3.3.2 Kwong: Julia Programming for Operations Research, 2nd Edition

3.4 Data science / Наука о данных:

3.4.1 Data science workshop: https://youtu.be/SLE0vz85Rqo
3.4.2 Queryverse workshop: https://www.youtube.com/watch?v=OFPNph-WxLM

3.5 Statistics, bayesian, etc / Статистика, байесовский подход и др.:

3.5.1 Statistics with julia: https://github.com/h-Klok/StatsWithJuliaBook
3.5.2 Turing language tutorials: https://turing.ml/dev/tutorials/
3.5.3 Statistical rethinking in Julia: https://github.com/StatisticalRethinkingJulia/StatisticalRethinking.jl

3.6 Calculus, symbolic computations, ... / Анализ, символьные вычисления:

3.6.1 Calculus with julia : http://calculuswithjulia.github.io/



4. Ecosystem, packages, etc / Экосистема, пакеты и иное:

4.1 How to write a package (Rackauckas) https://youtu.be/QVmU29rCjaA
4.2 How to install https://youtu.be/oyx8M1yoboY

Кто хочет — напишите как дополнить, и можно прикрепить, а то много вопросов, что почитать, чтобы ... ?

👍, думаю что это и правда надо запинить.

Если даже у нас начали о чём-то догадываться - это действительно революция

Это же издательство. Бумажные книги сейчас мало кто покупает. Вероятно, они пытаются прощупать области, которые интересны народу. То же в отношении тех, кто учебные курсы готовит

Тут и без издательства понятно, что интерпретируемый язык без поддержки потоков фактически в Data Science мог затесаться только в силу высокого порога входа в компилируемые языки. Технология разработки, при которой часть кода пишется на языке с очень высоким порогом входа (C++), а часть, причём по факту меньшая - на интерпретируемом языке с низким порогом, - с самого начала была не очень перспективной, мягко говоря.

👍🏻🙏🏻 спасибо!

Эм... но это же python, и огромная армия “саентистов», которые кроме как на нем ничего писать не умеют

Перспективно или нет - зависит от задач. Философия языка типа python - сделай прототип быстро, оптимизируй потом.
На мой взгляд, 99,99% людей, которые пишут на питоне, про второй шаг никогда не слышали и им не занимались. А кто занимался - больше не хочет писать на питоне вычисления 😂

Какая-то бесполезная статейка...

Для списка: https://github.com/FluxML/model-zoo/blob/master/tutorials/60-minute-blitz.jl

И

https://learnxinyminutes.com/docs/julia/

И

https://github.com/mbauman/ParallelWorkshop2019

+ https://github.com/svaksha/Julia.jl/blob/master/AI.md

Обычно те, кто не умеют, начинают "вымирать" стремительно как только уровень вознаграждения тем, кто умеет, начинает превышать их собственный хотя бы на 50% - сразу все учатся и переходят в новую для себя категорию :)

Лол кек, это где доплачивают за качество?

Ну 50% да, сильно. Но в целом правило не совсем так работает. Прогеру на COBOL или на фортране могут платить очень много, но только те компании, где это очень нужно.
Количество кобольщиков это не увеличивает.

Ээээ... в каком смысле? Разве не везде?

Ну окей, не знаю как везде. У нас "доплачивают" повышениями.

50% за оптимизацию скорости? Вот вы добавите $1000 программисту, если можно добавить $100 на мощности в гуглооблаке с тем же результатом?

Да и ту прибавку оплатит заказчик

А, понял. Не про качество, про скорость речь.
Да буду. Короткий ответ. Точно так же считает гугл, яндекс, эппл, фэйсбук и другие компании кремниевой долины.

Сейчас длинный ответ подготовлю