https://github.com/storopoli/computacao-cientifica
Disciplina de Computação Científica com Julia
https://github.com/storopoli/computacao-cientifica
julia scientific
Last synced: 6 months ago
JSON representation
Disciplina de Computação Científica com Julia
- Host: GitHub
- URL: https://github.com/storopoli/computacao-cientifica
- Owner: storopoli
- License: cc-by-sa-4.0
- Archived: true
- Created: 2021-06-08T17:25:48.000Z (over 4 years ago)
- Default Branch: master
- Last Pushed: 2023-10-01T09:51:57.000Z (about 2 years ago)
- Last Synced: 2025-04-10T05:14:59.059Z (6 months ago)
- Topics: julia, scientific
- Language: Julia
- Homepage: https://storopoli.github.io/Computacao-Cientifica
- Size: 28.7 MB
- Stars: 18
- Watchers: 1
- Forks: 6
- Open Issues: 1
-
Metadata Files:
- Readme: README.md
- License: LICENSE
- Citation: CITATION.cff
Awesome Lists containing this project
README
Ciência de Dados e Computação Científica com [Julia](https://julialang.org/)
================
[](http://creativecommons.org/licenses/by-sa/4.0/)
Bem-vindo à Disciplina de **Computação Científica com [Julia](https://julialang.org/)** do Mestrado e Doutorado em Informática e Gestão do Conhecimento (PPGI) da [UNINOVE](https://uninove.br)
A disciplina toda foi gravada e disponibilizada no YouTube na playlist
abaixo:
[](https://youtube.com/playlist?list=PLpTXaEnTpmwPE4amQWlikU8Zt6mwmgyny)
Esta disciplina foi inspirada na disciplina do MIT "Computational Thinking, a live online Julia/Pluto textbook, https://computationalthinking.mit.edu".
## Julia
[**Julia**](https://www.julialang.org) é uma linguagem rápida de tipagem dinâmica que compila just-in-time (JIT) em código nativo binário usando LLVM. Ela ["roda como C mas escreve como Python"](https://www.nature.com/articles/d41586-019-02310-3), isto quer dizer que é *extremamente* rápida, de fácil prototipagem e leitura/escrita de código. Além disso, ela é multi-paradigma combinando as características de programação imperativa, funcional, e orientada a objetos.
**Pré-requisito(s):** lógica de programação e simples conceitos teóricos sobre dados tabulares, grafos e redes, otimização matemática, machine learning, estatística Bayesiana e redes neurais.
### Sobre Julia:
* [**Documentação de Julia**](https://docs.julialang.org): A documentação de [Julia](https://www.julialang.org) é um recurso muito amigável e bem escrito que explica o design básico e a funcionalidade da linguagem.
* [**Thinking Julia**](https://benlauwens.github.io/ThinkJulia.jl/latest/book.html) (Lauwens e Downey, 2019): livro introdutório para iniciantes que explica os principais conceitos e funcionalidades por trás da linguagem [Julia](https://www.julialang.org) . Disponível gratuitamente online.
* **Julia High Performance** (Sengupta e Edelman, 2019): livro de dois dos criadores da linguagem [Julia](https://www.julialang.org) ([Avik Sengupta](https://www.linkedin.com/in/aviks) e [Alan Edelman](http://www-math.mit.edu/~edelman/)), aborda como tornar [Julia](https://www.julialang.org) ainda mais rápida com alguns princípios e truques computacionais.
* [**A programming language to heal the planet together**](https://youtu.be/qGW0GT1rCvs): Julia (TEDx Talks, 2020): um vídeo no YouTube do [Alan Edelman](http://www-math.mit.edu/~edelman/) sobre as lacunas que [Julia](https://www.julialang.org) pretende preencher no mundo da computação científica.
* [**The Unreasonable Effectiveness of Multiple Dispatch**](https://youtu.be/kc9HwsxE1OY). (The Julia Programming Language, 2019): um vídeo no YouTube de um dos criadores da linguagem [Julia](https://www.julialang.org), [Stefan Karpinski](https://karpinski.org/), sobre um dos principais diferenciais da linguagem, [**Despacho Múltiplo**](https://en.wikipedia.org/wiki/Multiple_dispatch) (*Multiple Dispatch*).
* **Notebooks [Pluto](https://plutojl.org/)**: o conteúdo da disciplina é todo feito com Notebooks [Pluto](https://plutojl.org/) que são ambientes reativos e dinâmicos de fácil demonstração e exploração de código [Julia](https://www.julialang.org).
* [**Julia Programming for Nervous Beginners**](https://juliaacademy.com/p/julia-programming-for-nervous-beginners) (Laurie, 2021): um curso de 4 semanas da [JuliaAcademy](https://juliaacademy.com/) que ensina desde o zero de computação até o básico da linguagem [Julia](https://www.julialang.org).
* [**Julia Data Science**](https://juliadatascience.io) (Storopoli, Huijzer & Alonso, 2021): livro opensource e gratuito sobre `Julia`. Ainda em elaboração, será um conteúdo bilíngue Português-Inglês.
## Objetivos da Disciplina:
Ao completar essa disciplina, alunos estarão aptos à:
1. programar em [Julia](https://julialang.org/)
2. programar algoritmos em [Julia](https://julialang.org/)
3. fazer *benchmark* correto de código [Julia](https://julialang.org/) com [`BenchmarkTools.jl`](https://juliaci.github.io/BenchmarkTools.jl/dev/)
4. utilizar estrutura de dados de [Julia](https://julialang.org/)
5. executar operações em paralelo na CPU usando [`Threads.jl`](https://docs.julialang.org/en/v1/base/multi-threading/), [`ThreadsX.jl`](https://tkf.github.io/ThreadsX.jl/dev/) e `SIMD` com [`LoopVectorization.jl`](https://juliasimd.github.io/LoopVectorization.jl/stable/)
6. manipular dados tabulares com [`DataFrames.jl`](https://dataframes.juliadata.org/stable/)
7. plotar dados com [`Plots.jl`](http://docs.juliaplots.org/latest/), [`StatsPlots.jl`](https://github.com/JuliaPlots/StatsPlots.jl) e [`AlgebraOfGraphics.jl`](http://juliaplots.org/AlgebraOfGraphics.jl/stable/)
8. criar, manipular e analisar grafos e redes com [`Graphs.jl`](https://juliagraphs.org/Graphs.jl/dev/)
9. especificar, modelar e otimizar matematicamente problemas complexos com [`JuMP.jl`](https://jump.dev/)
10. treinar algoritmos de machine learning com [`MLJ.jl`](https://alan-turing-institute.github.io/MLJ.jl/dev/)
11. especificar modelos probabilísticos Bayesianos e executar amostradores *Markov Chain Monte Carlo* (MCMC) com [`Turing.jl`](https://turing.ml)
12. criar e treinar redes neurais usando [`Flux.jl`](https://fluxml.ai/)
## Tópicos
1. [**Linguagem Julia e Estrutura de Dados Nativas**](https://storopoli.github.io/Computacao-Cientifica/01_Julia/) (Bezanson et al., 2017; Perkel, 2019)
2. [**Algoritmos e *Benchmarks* com `BenchmarkTools.jl`**](https://storopoli.github.io/Computacao-Cientifica/02_BenchmarkTools/) (Chen & Revels, 2016)
3. [**_Performance_ e Operações Paralelas**](https://storopoli.github.io/Computacao-Cientifica/03_Parallel/)
4. [**Dados Tabulares com `DataFrames.jl`**](https://storopoli.github.io/Computacao-Cientifica/04_DataFrames/) (White et al., 2020; Storopoli, Huijzer & Alonso, 2021)
5. [**Séries Temporais `DataFrames.jl`**](https://storopoli.github.io/Computacao-Cientifica/05_TimeSeries/)(White et al., 2020; Storopoli, Huijzer & Alonso, 2021)
6. [**Visualização de Dados com `Plots.jl`, `StatsPlots.jl` e `AlgebraOfGraphics.jl`**](https://storopoli.github.io/Computacao-Cientifica/06_Plots/) (Breloff et al., 2021; Storopoli, Huijzer & Alonso, 2021)
7. [**Grafos e Análise Redes com `Graphs.jl`**](https://storopoli.github.io/Computacao-Cientifica/07_Graphs/) (Bromberger & Contributors, 2017)
8. [**Modelagem e Otimizações Matemáticas com `JuMP.jl`**](https://storopoli.github.io/Computacao-Cientifica/08_JuMP/) (Dunning et al., 2017)
9. [**Modelos Probabilísticos Bayesianos com `Turing.jl`**](https://storopoli.github.io/Computacao-Cientifica/09_Turing/) (Ge et al., 2018; Xu et al., 2020; Storopoli, 2021)
10. [**_Machine Learning_ com `MLJ.jl`**](https://storopoli.github.io/Computacao-Cientifica/10_MLJ/) (Blaom et al., 2020)
11. [**_Deep Learning_ com `Flux.jl`**](https://storopoli.github.io/Computacao-Cientifica/11_Flux/) (Innes et al., 2018; Innes, 2018)
## Autor
Jose Storopoli, PhD - [*Lattes* CV](http://lattes.cnpq.br/2281909649311607) - [ORCID](https://orcid.org/0000-0002-0559-5176) -
## Como usar esse conteúdo?
Este conteúdo possui *licença livre para uso* (CC BY-SA). Você é mais do que bem-vindo para contribuir com [issues](https://www.github.com/storopoli/Computacao-Cientifica/issues) e [pull requests](https://github.com/storopoli/Computacao-Cientifica/pulls).
Para configurar um ambiente local:
1. Baixe e instale [Julia](https://www.julialang.org/downloads/)
2. Clone o repositório do GitHub:
`git clone https://github.com/storopoli/Computacao-Cientifica.git`
3. Acesse o diretório: `Computacao-Cientifica`
4. Abra os Notebooks Pluto no terminal de Julia:
```julia
using Pkg
Pkg.add("Pluto")
using Pluto
Pluto.run()
```
## Como citar esse conteúdo
Para citar o conteúdo use:
Storopoli (2021). Ciência de Dados e Computação Científica com Julia. https://storopoli.github.io/Computacao-Cientifica.
Ou em formato BibTeX (LaTeX):
@misc{storopoli2021computacaocientificajulia,
author = {Storopoli, Jose},
title = {Ciência de Dados e Computação Científica com Julia},
url = {https://storopoli.github.io/Computacao-Cientifica},
year = {2021}
}
## Referências
* Bezanson, J., Edelman, A., Karpinski, S. & Shah, V. B. (2017). Julia: A Fresh Approach to Numerical Computing. *SIAM review, 59*(1), 65–98.
* Blaom, A. D., Kiraly, F., Lienart, T., Simillides, Y., Arenas, D. & Vollmer, S. J. (2020). MLJ: A Julia Package for Composable Machine Learning. *Journal of Open Source Software, 5*(55), 2704. https://doi.org/10.21105/joss.02704
* Breloff, T., Schwabeneder, D., Borregaard, M. K., Christ, S., Heinen, J., Yuval, Palugniok, A.,Simon, Vertechi, P., Zhanibek, Chamberlin, T., ma-laforge, Rackauckas, C., Schulz,O., Pfitzner, S., Arakaki, T., Yahyaabadi, A., Devine, J., Pech, S., ... Watson, S. S.(2021). JuliaPlots/Plots.Jl: V1.13.2. https://doi.org/10.5281/zenodo.4725318
* Bromberger, S. & Contributors, O. (2017). Juliagraphs/Lightgraphs.Jl: An Optimized Graphs Package for the Julia Programming Language. https://doi.org/10.5281/ZENODO.889971
* Chen, J. & Revels, J. (2016). Robust Benchmarking in Noisy Environments. *arXiv:1608.04295[cs]*.
* Dunning, I., Huchette, J. & Lubin, M. (2017). JuMP: A Modeling Language for Mathematical Optimization. *SIAM Review, 59*(2), 295–320. https://doi.org/10.1137/15M1020575
* Gao, K., Mei, G., Piccialli, F., Cuomo, S., Tu, J. & Huo, Z. (2020). Julia Language in Machine Learning: Algorithms, Applications, and Open Issues. *Computer Science Review, 37*,100254. https://doi.org/10.1016/j.cosrev.2020.100254
* Ge, H., Xu, K. & Ghahramani, Z. (2018). Turing: A Language for Flexible Probabilistic Inference. *International Conference on Artificial Intelligence and Statistics*, 1682–1690.
* Innes, M., Saba, E., Fischer, K., Gandhi, D., Rudilosso, M. C., Joy, N. M., Karmali, T.,Pal, A. & Shah, V. (2018). Fashionable Modelling with Flux. *CoRR,abs/1811.01457*. https://arxiv.org/abs/1811.01457
* Laurie, H. (2021). Julia Programming for Nervous Beginners. https://juliaacademy.com/p/julia-programming-for-nervous-beginner
* Innes, M. (2018). Flux: Elegant Machine Learning with Julia. *Journal of Open Source Software*. https://doi.org/10.21105/joss.00602
* Lauwens, B. & Downey, A. B. (2019). *Think Julia: How to Think Like a Computer Scientist* (1st edition). O’Reilly Media.
* Nazarathy, Y., & Klok, H. (2021). *Statistics with Julia: Fundamentals for Data Science, Machine Learning and Artificial Intelligence*. Springer Nature.
* Novak, K. (2021). *Numerical Methods for Scientific Computing*. 2nd Edition. Equal Share Press.
* Perkel, J. M. (2019). Julia: Come for the Syntax, Stay for the Speed. *Nature, 572(7767)*, 141–142. https://doi.org/10.1038/d41586-019-02310-3
* Sengupta, A. & Edelman, A. (2019). *Julia High Performance: Optimizations, Distributed Computing, Multithreading, and GPU Programming with Julia 1.0 and beyond*, 2nd Edition. Packt Publishing.
* Storopoli, J. (2021). Bayesian Statistics with Julia and Turing. https://storopoli.github.io/Bayesian-Julia
* Storopoli, J., Huijzer, R. & Alonso, L. (2021). Julia Data Science. https://juliadatascience.io
* TEDx Talks. (2020). A Programming Language to Heal the Planet Together: Julia | AlanEdelman | TEDxMIT.
* The Julia Programming Language. (2019). JuliaCon 2019 | The Unreasonable Effectivenessof Multiple Dispatch | Stefan Karpinski.
* White, J. M., Kamiński, B., powerdistribution, Milan Bouchet-Valat, Garborg, S., Quinn,J., Kornblith, S., cjprybol, Stukalov, A., Bates, D., Short, T., DuBois, C., Harris,H., Squire, K., Arslan, A., pdeffebach, Anthoff, D., Kleinschmidt, D., Noack, A.,... White, L. (2020). JuliaData/DataFrames.Jl: V0.22.1. https://doi.org/10.5281/zenodo.4282946
* Xu, K., Ge, H., Tebbutt, W., Tarek, M., Trapp, M. & Ghahramani, Z. (2020). AdvancedHMC.Jl: A Robust, Modular and Efficient Implementation of Advanced HMC Algorithms. *Symposium on Advances in Approximate Bayesian Inference*, 1–10.
## Licença
Esta obra está licenciada com uma Licença [Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional](http://creativecommons.org/licenses/by-sa/4.0/).
[](http://creativecommons.org/licenses/by-sa/4.0/)