Bei Data-Science-Projekten hast du eine große Auswahl an führenden Programmiersprachen. Neben Schwergewichten wie Python, R und SQL gibt es auch weitere allgemeine und spezialisierte Sprachen wie MATLAB, C/C++ und Go. Aber wie steht es um Julia, den relativ neuen Player? Hier schauen wir uns an, wofür Julia eingesetzt wird und warum es sich lohnt, die Sprache zu lernen.
Was ist Julia?
Julia ist eine spannende, noch recht junge Programmiersprache, die als ideale Sprache für Scientific Computing, Machine Learning und Data Mining entwickelt wurde. Seit ihrem Release 2012 hat sich Julia rasant zu einem Favoriten unter erfahrenen Datenprofis entwickelt.
Mit dem Anspruch, die Geschwindigkeit von C, die allgemeine Programmierbarkeit von Python und die statistische Stärke von R zu vereinen, ist Julia eine leistungsstarke Sprache, die im Vergleich zu anderen Sprachen relativ leicht zu lernen ist.
Heute wurde Julia über 40 Millionen Mal heruntergeladen, und die Community hat mehr als 8.000 Pakete für die Sprache registriert. Stand Oktober 2022 rangiert Julia auf Platz 25 bzw. 27 im PYPL-Index und im TIOBE-Index. Heißt: Noch nicht so populär wie Python, R oder MATLAB, aber ein aufstrebender Stern mit einer ähnlichen Verbreitung wie SAS oder Scala.
Vorteile und Nachteile von Julia
Natürlich ist es leicht, sich für eine neue Programmiersprache zu begeistern – vor allem, wenn sie so viel Anspruch mitbringt. Wie bei allen Sprachen gibt es aber Licht und Schatten. Unten findest du eine Übersicht, die wir in unserem Artikel zum Aufstieg von Julia detaillierter beleuchten:
Vorteile von Julia
- Sie ist schnell. Über Julias Geschwindigkeit wird viel gesprochen. In Mikrobenchmarks (Performance-Messungen gängiger Code-Muster) schneidet Julia sehr gut ab, auch wenn die Compile-Zeit dort nicht eingerechnet ist. Eine Analyse zeigte etwa, dass das CSV.jl-Paket zum Einlesen von CSV-Dateien 1,5- bis 5-mal schneller war als Pythons pandas.
- Sie hat eine klare Syntax. Die Julia-Syntax orientiert sich an etablierten Daten-Sprachen. Denk an MATLAB mit guten Ideen aus Python, R und Ruby.
- Sie ist vielseitig. Wie wir gleich sehen, gibt es viele Einsatzfelder. Features wie Multiple Dispatch machen Julia in zahlreichen Branchen und Projekttypen anwendbar.
Nachteile von Julia
- Die Sprache ist jung. Julia ist – wie erwähnt – ein Neuling. Entsprechend ist sie noch nicht so weit verbreitet oder so umfassend unterstützt wie Python oder R.
- Das Ökosystem ist klein (aber wächst). Durch das junge Alter sind Community und Ökosystem noch vergleichsweise klein. Es entstehen viele spannende Lösungen und Pakete, aber gegen Schwergewichte wie Python hat Julia noch Strecke vor sich.
- Es gibt Compilierungs-Latenzen. Mehrere Quellen verweisen auf Verzögerungen beim Kompilieren mit dem Just-in-Time-(JIT)-Compiler. JIT übersetzt den Code vor der Ausführung in Maschinencode. Das kann kurze Skripting-Aufgaben etwas zäh machen.
Einsatzgebiete von Julia
Als aufstrebende Sprache bringt Julia also klare Vor- und Nachteile mit. Aber wofür wird Julia konkret verwendet?
Eines der Hauptziele bei der Entstehung von Julia war, eine Sprache zu schaffen, mit der sich klarer, hochabstrakter, generischer Code schreiben lässt, der mathematischen Formeln ähnelt – und die dennoch schnellen, niedrigstufigen Maschinencode erzeugt, wie man ihn von statischen Sprachen kennt. Sieh dir die Sprache in Aktion in unserem Julia-Tutorial an.
Im Folgenden haben wir Bereiche zusammengefasst, in denen die Sprache besonders stark ist.
1. Numerisches Rechnen
Es gibt eine ganze Reihe von Paketen für numerische Berechnungen mit Julia. Für lineare Algebra etwa das Modul LinearAlgebra.jl, für Nullstellensuche NonlinearSolve und für automatische Differenzierung ForwardDiff oder Enzyme.
2. Machine Learning
Julia wurde von Anfang an mit Blick auf Machine Learning entwickelt – insbesondere Scientific Machine Learning, das sich auf Fragestellungen und Erkenntnisse aus wissenschaftlichen Datensätzen konzentriert. Als kompilierte Sprache mit Fokus auf Parallelisierung kann Julia bei bestimmten ML-Aufgaben enorme Geschwindigkeit liefern. So lassen sich Trainingszeiten deutlich verkürzen und Kosten beim Deployen von Modellen in die Produktion senken.
Mit einer wachsenden Community und vielen neuen ML-Paketen, von denen viele im MLJ-Framework gebündelt sind, ist Julia eine starke Wahl für dieses Feld. Ein eindrucksvolles Beispiel stammt aus Australien: Ein Unternehmen zur Wartung von Stromleitungen erstellte eine 3D-Karte und nutzte Julia-ML, um Netzfehler und potenzielle Ausfälle 100-mal schneller zu erkennen als zuvor.
3. Statistik
Ein weiteres Kernfeld von Julia ist Statistik und statistische Analyse. Das StatsKit-Metapaket bündelt Julia-Pakete für grundlegende Statistikfunktionen sowie Tools für die Arbeit mit tabellarischen DataFrames, Wahrscheinlichkeitsverteilungen, multivariater Statistik, Hypothesentests und mehr.
4. Allgemeine Programmierung
Als Allzwecksprache kann Julia ganz unterschiedliche Software und Funktionen bereitstellen. Mit dem Paket Blink baust du Electron-GUI-Apps, GameZero erleichtert Einsteigerinnen und Einsteigern den Einstieg in die Spieleentwicklung, und Miletus ermöglicht das Abbilden finanzieller Verträge in Julia.
Wir haben bereits erwähnt, dass sich mit Julia dank der klaren Syntax schnell und unkompliziert programmieren lässt. Zugleich führt die Sprache Code sehr schnell aus und rechnet effizient.
5. Webentwicklung
Für die Webentwicklung in Julia stehen mehrere starke Tools bereit, etwa Genie.jl und Dash.jl. Genie erlaubt es, mit Daten im Web in Julia zu arbeiten. Es ist ein Full-Stack-Webframework für die effiziente Entwicklung von Webanwendungen. Dash.jl ist die Julia-Schnittstelle zum Dash-Ökosystem und ermöglicht das Erstellen von Web-Apps in Julia.
Julia-Beispiele aus der Praxis
Nachdem wir die Einsatzfelder im Überblick gesehen haben, schauen wir uns konkrete Branchenbeispiele an. Die Julia-Website listet viele Anwendungen der Sprache – hier sind einige Highlights:
6. Pharmaforschung und -entwicklung
Julia ist im medizinischen Bereich weit verbreitet. Forschende identifizieren und testen damit neue Wirkstoffe, optimieren Behandlungen sowie Diagnose- und Therapieverfahren. Pakete wie BioJulia (Bioinformatik-Infrastruktur) und Pumas (für Pharmakometrie, also die Quantifizierung von Erkenntnissen aus klinischen Studien) sind gängige Tools. So nutzte etwa der Pharmariese Pfizer Julia, um Simulationen für neue Therapien zu beschleunigen.
7. Paralleles Supercomputing
Eines der besten Beispiele für Julias Geschwindigkeit findet sich in der Astronomie, wo häufig das Paketbündel AstroLib.jl mit astronomischen und astrophysikalischen Routinen eingesetzt wird.
Ein prominentes Projekt ist Celeste: Ein Team aus Astronominnen, Physikern, Computer Engineers und Statistikern entwickelte mit Julia eine neue Methode für paralleles Rechnen. Nach drei Jahren Arbeit erstellten sie damit in nur 14,6 Minuten den bis dahin genauesten Katalog von 188 Millionen Himmelsobjekten – eine Leistungssteigerung um mehr als das 1.000-Fache.
8. Finanzmodellierung und -management
Leistung und Flexibilität machen Julia im Finanzbereich äußerst attraktiv. Die Sprache wird für Modelle und Prognosen zur Fundierung finanzieller Entscheidungen genutzt. Ein beliebtes Paket ist JuliaFin, spezialisiert auf Themen wie Asset Management, Risikomanagement, algorithmischer Handel, Backtesting und weitere Bereiche des Computational Finance – inklusive der Modellierung finanzieller Verträge.
9. Robotik
Robotikerinnen und Robotiker am MIT programmieren ihre Systeme mit Julia. Beispiele sind das Trainieren von Robotern zum Gehen, Treppensteigen und zum Bewältigen schwierigen, gefährlichen Terrains. Wieder werden Flexibilität und generischer Code als Pluspunkte genannt, weil sich damit klare Funktionen schreiben lassen, die auf unterschiedlichen Datentypen laufen.
Beliebt ist hier die Paket-Sammlung JuliaRobotics, darunter etwa MotionCaptureJointCalibration.jl für die kinematische Kalibrierung von Robotern anhand von Motion-Capture-Daten.
10. Netzwerksicherheit
Netzwerkexpertinnen und -experten bei Cisco setzten das Julia-Paket Flux.jl zur Verbesserung der Netzwerksicherheit und für Machine Learning ein. Als großer Vorteil gilt die Möglichkeit, effizienten Code durchgängig in einer einzigen Sprache zu schreiben.
Erste Schritte mit Julia
Die Einsatzmöglichkeiten von Julia sind offensichtlich groß. Auch wenn Julia Python oder R in der Data Science nicht kurzfristig verdrängen wird, erweitert die Sprache dein Repertoire spürbar. Wenn du Julia lernen möchtest, starte mit unserem Kurs Introduction to Julia, der dich durch die wichtigsten Features dieser dynamisch wachsenden Sprache führt. Außerdem findest du unser Julia-Cheat Sheet als praktische Referenz für die Grundlagen.