Je suis d'accord avec le message de Uther.
De mon côté, je pense remplacera python dans un certain nombre de domaines scientifiques même si cela prendra du temps. Il est entre autre prévu/développé pour les sciences. L'avantage de Julia est qu'il se base sur les caractéristiques de l'informatique moderne, ce qui lui permet d'avoir des performances difficiles à atteindre avec Python qui conserve beaucoup de caractéristiques historiques. Cependant, j'ai l'impression que le public visé diffère un peu de celui de Python. Python semble viser (en science) des spécialistes de leur domaine qui veulent que ça fonctionne facilement quitte à perdre en performance. A l'inverse, Julia semble viser des utilisateurs plus proche de l'informatique, dans le sens près à s'investir pour optimiser les choses, quite à utiliser des techniques plus avancées offertes par le langage.
Un inconvénient dû à son jeune âge est que c'est un peu la foire côté packages (opinion très personnelle). Je me pose beaucoup de question sur les packages, notamment en raison de mon historique de programmation très orientée vers Python et R qui disposent de modules/bibliothèques très structurants. Typiquement, du côté data science même si le paysage devient plus clair. J'ai posé une question que je pense assez simple sur ScikitLearn.jl et j'ai obtenu des réponses contradictoires (simple wrapper sur les fonctions en Python, accès au code compilé Cython, accès au code C ?). Si dans certains domaines les packages sont assez clairement identifiés, dans d'autres ce n'est pas le cas. Là où en Python, les packages recommandés en ML/DL sont surtout scikit-learn, Tensorflow/Keras et Pytorch, en Julia c'est vraiment plus fouillis. On m'a recommandé près d'une vingtaine de packages en me mettant en garde d'utiliser tel package pour tel type de calcul, tel autre pour d'autres, même si les deux packages couvrent sensiblement les même chose. D'utiliser tel package car il permet de jongler entre d'autres packages selon les caractéristiques des données, ... Et c'est assez similaire pour la visualisation. En tant que novice sur Julia, cette profusion de packages qui font des choses similaires mais qui manquent de quelques fonctions utiles qu'il faut coder ou aller chercher dans d'autres packages rend le langage moins attractif (qu'il ne devrait) par rapport à Python.
Partager