Awesome GitHub RepositoriesScientific Computing Workflows

Pluto.jl es un entorno de computación reactiva para Julia que funciona como un formato de documento programable. Sirve como un IDE interactivo de ciencia de datos y un notebook computacional políglota que almacena código Julia y dependencias de entorno como archivos fuente versionables. El sistema se distingue por su modelo de ejecución reactiva, que utiliza un grafo acíclico dirigido para rastrear dependencias de variables y reevaluar automáticamente las celdas descendentes afectadas cuando cambia un valor. Garantiza la reproducibilidad integrando entornos de paquetes aislados directamente dentro del archivo del notebook y persistiendo el contenido como archivos fuente ejecutables puros. La plataforma cubre una amplia gama de capacidades, incluyendo visualización interactiva de datos, creación de tareas educativas guiadas y generación de sitios web de documentación estática. Admite diversos modos de salida como presentaciones de diapositivas y aplicaciones web, y proporciona herramientas para exportar notebooks a HTML, PDF y scripts centrados en la reproducibilidad. El entorno puede lanzarse a través de una interfaz web en localhost o accederse a través de servidores remotos y alojamiento de computación en la nube.

Este proyecto es un recurso de descubrimiento de código abierto que proporciona listas curadas de código reutilizable y librerías para ayudar a los desarrolladores a encontrar soluciones técnicas para tareas específicas. Utiliza un sistema de indexación basado en categorías para organizar diversas herramientas de software por sus capacidades funcionales. El repositorio está estructurado como una colección de documentación basada en Markdown y contenido estático, sirviendo como un directorio para el descubrimiento manual y la referencia. El directorio cubre una amplia gama de áreas de capacidad, incluyendo desarrollo de aplicaciones multiplataforma, creación de herramientas de ciberseguridad, implementación de protocolos de red y flujos de trabajo de computación científica. También incluye recursos para la automatización de web scraping, almacenamiento de datos e interfaces multimedia.

Linear-Algebra-With-Python es un recurso educativo que ofrece un plan de estudios estructurado para aprender álgebra lineal mediante la práctica computacional. Sirve como tutorial para científicos de datos y analistas cuantitativos, cerrando la brecha entre la teoría matemática abstracta y la implementación práctica usando Python. El proyecto utiliza un enfoque de programación literaria, organizando notas de clase y ejemplos de código en documentos interactivos. Al intercalar texto explicativo con código funcional, permite a los usuarios experimentar con conceptos matemáticos directamente en su entorno de desarrollo. Este flujo de trabajo se apoya en bibliotecas estándar de computación numérica y científica para realizar operaciones matriciales, factorizaciones y descomposiciones. El plan de estudios enfatiza la intuición visual mediante la representación de transformaciones geométricas y espacios vectoriales a través de herramientas de trazado integradas. Estas visualizaciones clarifican principios algebraicos complejos, proporcionando una base para aplicaciones en ciencia de datos, modelado financiero y econometría. El repositorio está estructurado como una serie de Jupyter Notebooks que facilitan el aprendizaje iterativo y el desarrollo de flujos de trabajo de computación numérica.

Optim.jl es una biblioteca de optimización numérica para el lenguaje de programación Julia, que proporciona un framework integral para minimizar o maximizar funciones univariadas y multivariadas. Ofrece un conjunto de herramientas para resolver problemas matemáticos tanto restringidos como no restringidos, utilizando una variedad de métodos basados en gradientes, sin derivadas y de búsqueda estocástica. La biblioteca se distingue por una arquitectura modular que aprovecha el despacho múltiple (multiple dispatch) a nivel de lenguaje para seleccionar automáticamente solvers eficientes basados en los tipos de datos de entrada y las propiedades de la función objetivo. Admite flujos de trabajo complejos al integrarse con lenguajes de modelado algebraico y proporcionar mecanismos para la diferenciación automática, que calcula gradientes y Hessianas exactos sin derivación manual. El framework cubre una amplia gama de capacidades, incluyendo estrategias de búsqueda global como el recocido simulado (simulated annealing) y la optimización por enjambre de partículas para navegar por paisajes complejos. Los usuarios pueden gestionar tareas de optimización a través del control de iteración basado en estados, descomposición modular de objetivos y proyección perezosa de restricciones, mientras ajustan la configuración del solver como tolerancias de convergencia y límites de iteración para cumplir con requisitos específicos.