¿Qué es Julia?
Julia es un lenguaje de programación relativamente reciente que se lanzó por primera vez en 2012. Aunque solo lleva una década entre nosotros, ha crecido a gran ritmo y ya figura entre los 30 lenguajes de programación más usados según el índice TIOBE de octubre de 2022.
Una de las grandes virtudes de Julia es que nació para el cómputo científico. Es decir, combina facilidad de uso y velocidad, y a la vez puede manejar grandes volúmenes de datos y cálculos complejos a gran velocidad. Un lema famoso de Julia dice que "se ejecuta como C pero se lee como Python".
Julia es un lenguaje compilado que se lee como si fuera interpretado. La mayoría de lenguajes compilados tradicionales (como C o C++) capaces de resolver problemas computacionalmente intensivos deben compilarse primero a un formato legible por la máquina antes de ejecutarse.
En cambio, Julia logra prestaciones similares con la sencillez de un lenguaje interpretado (como Python), pero sin necesidad de compilar antes de ejecutar. En su lugar, utiliza un compilador Just-In-Time (JIT) que compila en tiempo de ejecución.
¿Por qué elegir Julia para machine learning?
Python ha dominado el panorama de la ciencia de datos y el machine learning durante mucho tiempo, y con razón: es un lenguaje potentísimo y flexible. Aun así, tiene algunas desventajas que en Julia no suponen un problema.
Algunas de las desventajas de Python frente a Julia son:
- Python es un lenguaje interpretado más lento y con opciones limitadas para mejorar su velocidad. En proyectos de machine learning con big data puede resultar menos eficiente que Julia.
- Python usa single dispatch, lo que limita bastante los tipos que pueden utilizarse y compartirse entre funciones y librerías.
- La computación en paralelo y el multihilo no están integrados en el diseño del lenguaje Python. Aunque existen librerías que permiten cierto multihilo, no es óptimo.
En esta sección, veremos varias razones por las que Julia es una gran elección para machine learning.
También puedes profundizar en el auge del lenguaje y si merece la pena aprender Julia en 2022 en otra entrada del blog.
1. Sencillez y facilidad de uso
Julia tiene una sintaxis muy amigable y cercana al inglés. Esto hace que aprenderlo sea más rápido, ya que el código suele ser intuitivo y fácil de comprender.
Además, Julia se instala y se pone en marcha en un momento. No necesitas distribuciones especiales del lenguaje (como ocurre con Python y Anaconda) ni seguir procesos de instalación enrevesados (como con C y C++).
Para quienes trabajan en machine learning, cuanto antes elimines fricciones en la programación, antes podrás centrarte en lo que mejor sabes hacer: analizar datos y construir modelos.
2. Velocidad
Una de las señas de identidad de Julia es su velocidad. Como comentábamos, es un lenguaje compilado, lo que supone mejoras de rendimiento considerables frente a lenguajes interpretados.
Julia forma parte del "club del petaflop" junto con C, C++ y Fortran. Exacto: este club exclusivo solo tiene cuatro miembros y un requisito para entrar: alcanzar velocidades de un petaflop (es decir, mil billones de operaciones) por segundo en su pico de rendimiento.
En machine learning es habitual trabajar con grandes volúmenes de datos, así que usar un lenguaje rápido puede reducir notablemente los tiempos de entrenamiento y abaratar costes al llevar modelos a producción.
3. El código no vectorizado también es rápido
En Julia no es necesario vectorizar el código para ganar rendimiento. Escribir código no vectorizado en forma de bucles y funciones nativas ya es rápido. Aunque vectorizar puede aportar una ligera mejora, no es imprescindible.
Trabajar con código no vectorizado puede ahorrarte mucho tiempo al construir modelos, porque no tendrás que refactorizar para ganar velocidad.
4. Reutilización de código y multiple dispatch
Julia usa duck typing para «adivinar» el tipo adecuado de una función. Es decir: si anda como un pato y suena como un pato, probablemente sea un pato. Cualquier objeto que cumpla las especificaciones implícitas de una función es válido, sin necesidad de declararlo explícitamente.
Ahora bien, el duck typing no siempre es adecuado para casos especiales, y aquí entra en juego el multiple dispatch. Con multiple dispatch puedes definir varios casos especiales para una función y, en función de las condiciones que se cumplan, la función elegirá en tiempo de ejecución la opción más apropiada.
El multiple dispatch es muy útil en machine learning porque no tienes que prever todos los tipos posibles que pueden pasar a una función. Así, los paquetes en Julia pueden seguir siendo muy flexibles y, al mismo tiempo, compartir código y tipos entre distintos paquetes.
Pensemos en el formato de fechas: hay varios paquetes que usan sus propios formatos de fecha y fecha/hora. Por ejemplo, en Python tienes el tipo datetime incorporado y también el formato datetime64[ns] de Pandas. En Julia, existe un único formato basado en fechas compartido por todos los paquetes desde el módulo de fechas incorporado.
5. Gestión de paquetes integrada
Los paquetes se gestionan automáticamente en Julia con Pkg. Pkg es para Julia lo que Pip para Python, pero mejor. Los entornos se gestionan en Julia mediante dos archivos: Project.toml y Manifest.toml. Estos archivos indican a Julia qué paquetes usa el proyecto y sus versiones. En lugar de definir entornos especiales externamente, la carpeta donde están tus archivos de Julia (con los toml de Project y Manifest) se convierte en el entorno.
Este enfoque integrado y sencillo para gestionar paquetes facilita compartir y reproducir tus proyectos y análisis de machine learning.
6. El problema de los dos lenguajes
¿Sabías que solo entre el 20 % y el 30 % del código de los paquetes de Python está escrito realmente en Python?
Esta dependencia de otros lenguajes se debe a que, para desarrollar paquetes eficientes y eficaces, suelen construirse en lenguajes de bajo nivel como C y C++.
En cómputo científico, desarrollar soluciones y paquetes suele implicar dos lenguajes: uno fácil para prototipar (como Python) con el que crear una primera versión rápida, y otro veloz (como C++) al que se reescribe todo el código para la versión final.
Como puedes imaginar, es un proceso lento e ineficiente, no solo en el desarrollo inicial sino también para el mantenimiento a largo plazo y la incorporación de nuevas funciones.
En cambio, los paquetes en Julia pueden prototiparse, desarrollarse y mantenerse en el propio Julia. Como resultado, el ciclo completo de desarrollo se reduce a una fracción del tiempo.
Paquetes de Julia para machine learning
Hoy, Julia cuenta con más de 7.400 paquetes en su registro general. Aunque está lejos del volumen de paquetes disponible en Python (más de 200.000), encontrar el paquete adecuado para un problema concreto puede seguir siendo todo un reto.
En esta sección veremos los principales paquetes que necesitas para analizar datos y construir modelos de machine learning.
Sin embargo, si estás empezando con machine learning en Julia, prueba primero la caja de herramientas: MLJ. Este paquete se creó precisamente para reunir los paquetes de machine learning más populares en un único lugar, fácil de usar, ahorrándote tiempo al buscar el mejor paquete para tu proyecto. MLJ es compatible actualmente con más de 20 paquetes distintos de machine learning.
A continuación, tienes una lista de algunos de los paquetes más habituales que verás en proyectos de machine learning: desde importar, limpiar y visualizar datos hasta construir modelos:
- Notebook: Pluto, IJulia, Jupyter
- Gestión de paquetes/entornos: Pkg
- Importación y manejo de datos: CSV, DataFrames
- Gráficos y salida: Plots, StatsPlots, LaTeXStrings, Measures, Makie
- Estadística y matemáticas: Random, Statistics, LinearAlgebra, StatsBase, Distributions, HypothesisTests, KernelDensity, Lasso, Combinatorics, SpecialFunctions, Roots
- Paquetes individuales de machine learning:
- Modelos lineales generalizados (p. ej., regresión lineal, regresión logística): GLM
- Deep learning: Flux, Knet
- Máquinas de vectores de soporte: LIBSVM
- Árboles de decisión, random forest, AdaBoost: DecisionTree
- K vecinos más cercanos: NearestNeighbors
- Clustering k-medias: Clustering
- Análisis de componentes principales: MultivariateStats
También hay muchas implementaciones y envoltorios disponibles para paquetes populares de Python como Scikit-Learn y Tensorflow. Sin embargo, no es necesario que los uses: podrías perder muchas de las ventajas de trabajar con Julia (como la velocidad y el multiple dispatch).
Primeros pasos con Julia para machine learning
Una de las mejores formas de empezar con Julia es el entorno de notebooks Pluto. En esta sección, comentamos las ventajas de usar Pluto, sobre todo al principio de tu camino en ciencia de datos cuando aún estás aprendiendo a construir proyectos de machine learning con Julia. También repasamos algunos de los mejores recursos para aprender más sobre Julia y machine learning.
Pluto
Pluto es un entorno de notebooks interactivo, fácil de usar, con una interfaz muy amigable. Esta simplicidad lo hace ideal para quienes empiezan con Julia. Además, Pluto incluye muchas funciones que te permiten crear soluciones de machine learning muy potentes casi sin esfuerzo:
Reactivo
Al evaluar una celda, Pluto también tiene en cuenta qué otras celdas deben ejecutarse. Así se asegura de que cualquier celda dependiente se actualice antes de evaluar la celda actual.
Lo mejor de Pluto es que es lo bastante inteligente como para saber exactamente qué celdas adicionales hay que ejecutar junto con la actual, evitando el clásico problema de tener que actualizar todas las celdas si cambias algo en el notebook.
Pluto también limpia el código antiguo o eliminado y actualiza la salida de las celdas dependientes para reflejarlo. Si defines una variable en una celda y luego la borras, Pluto también elimina esa variable de su espacio de nombres. Además, cualquier celda de código dependiente mostrará un error indicando que la variable que necesitaba ya no existe.
Interactivo
La reactividad genera interactividad automática entre celdas. Es especialmente útil para crear rápidamente gráficos u objetos interactivos que se actualizan automáticamente cuando cambia una variable.
Lo interesante de Pluto es que esa variable puede ser un widget interactivo del propio notebook, como un control deslizante o una caja de texto integrados. Incluso puedes diseñar tus propios widgets si sabes Javascript.
La combinación de reactividad e interactividad te permite producir informes y paneles dinámicos basados en tus modelos y análisis de datos. La clave de un proyecto de machine learning exitoso es la comunicación, y Pluto facilita mucho demostrar y explicar tu trabajo.
Gestión automática de paquetes
Pluto se integra a la perfección con Pkg para permitir la gestión automática de paquetes en tus notebooks. Y no solo eso: ni siquiera necesitas instalar paquetes fuera de Pluto. ¡Toda la información que Pluto (y Julia) necesita para ejecutar y reproducir tu notebook se guarda dentro del propio notebook!
Esto significa que puedes compartir tu notebook con compañeros o colegas y estar seguro de que todos los paquetes necesarios para ejecutarlo viajarán con él.
Control de versiones
Todos los notebooks de Pluto se guardan como archivos .jl ejecutables. Si abres un notebook en un editor de texto, verás algo distinto a lo que ves en el navegador. El archivo contiene toda la información que necesita el notebook, como el código, las dependencias entre celdas y el orden de ejecución. Sin embargo, estos archivos no incluyen la salida. Todo esto facilita mucho el control de versiones con Git y GitHub.
Exportación y uso compartido
Los notebooks de Pluto pueden exportarse como archivo ejecutable .jl, PDF estático o HTML estático. Si exportas a HTML, la persona con quien lo compartas también tendrá la opción de descargar y editar el notebook en bruto sin tener Julia instalado en su equipo.
Pluto lo consigue gracias a su colaboración con Binder, una plataforma gratuita que aloja notebooks de Pluto en línea (también funciona con otros lenguajes como Python y R).
Esta función es el último paso del flujo de trabajo de machine learning: primero realizas el análisis, luego construyes un informe interactivo en tu notebook para mostrar los resultados y, por último, puedes compartirlo tanto con colegas técnicos, que podrán reproducir y editar el análisis, como con perfiles no técnicos.
Recursos para aprender Julia
Estos son algunos de los recursos más recomendados para aprender el lenguaje de programación Julia y cómo usarlo en ciencia de datos y machine learning:
- Si te gusta aprender en un entorno interactivo, tenemos un curso de Introduction to Julia
- Para una explicación completa del lenguaje, el libro Think Julia: How to Think Like a Computer Scientist es de los mejores recursos.
- Echa un vistazo a nuestro tutorial de Julia para principiantes con una guía paso a paso para empezar con Julia
- Consulta nuestro cheat sheet con lo esencial de la programación en Julia.
