Sabías que Jupyter es un acrónimo de [Ju]lia, [Pyt]hon 🐍 y eeee[R] 🏴‍☠️? Ahora que tengo tu atención, te invito a conocer el lenguaje de Julia.

Julia es un lenguage de programación multiparadigma 🤔 que tiene como parte de sus principales objetivos ser performante como C, ser fácil de usar como Python y tener un foco en el desarrollo de software cientifico e industrial como Matlab y un montón de otras características deseables de un lenguaje moderno

En el taller vamos a enfocarnos en:

• Introducción a la sintaxis
• Pensar como unx Julian
• Manejo de ambientes

• REPL y IDEs (VSCode, Pluto)

• Un par de herramientas conocidas: DataFrames, Plots, Symbolics,…
• Interoperabilidad entre Julia y Python

Y, si queda tiempo… y a votación

• Armado de Paquetes, Testing, CI/CD
• Soluciones de Ecuaciones Diferenciales y el mundo de Scientific Machine Learning

Diferenciación automática en Python

Recordando que

\[\frac{d f}{dt} (x_0) = \lim_{ h \to 0 } \frac{f(x_0 + h) - f(x_0)}{h}\]

Implementar un sistema que calcule la derivada exacta (no una aproximación) de cualquier función de python.

BTW, tienen 30 minutos.

😭😭😭😭😭😭😭

Don’t worry, eso le pasó a unx amigue de un amigo.

En la charla vamos a ver qué es la Diferenciación Automática (AD), los distintos modos que existen (Forward, Backward, Mixed), cuáles son los desafíos que vienen a resolver, cuáles son sus limitaciones y cómo usarlo en Python.