A) I věc, která není napsána ve fortranu a nespouští se týden na nějakém xsetprocesorovém počítači celý týden, tak to pořád může být matematika.
B) Dělat matematiku je:
1)Formuluje se matematický problém - v něčí hlavě, nebo na papíře.
2)Problém vyřeší za pomoci nějakého čistě matematického balíku (Mathcad, Mathematica, Maple). Jednotlivé kroky, nebo celé řešení se vizualizuje.
3) Začne přemýšlet nad technickou realizací a problém se řeší v něčem jako je Matlab + specializované toolboxy. I tady se jednotlivé kroky, nebo celé řešení vizualizuje.
4) Předchozí řešení odpoutá od matematických balíků a udělá se prototyp v nějakém jazyce s rychlým vývojem.
5) Nakóduje se řešení nějakém jazyce s rychlým během (dnes typicky C, historicky a dnes už spíše málokdy Fortran)
To jsou kroky při práci s matematikou. Nemusí se vždy udělat všechny (to by bylo spíše netypické, spíše se mezi těmi kroky přeskakuje, nebo se ty za sebou jdoucí slučují do jednoho kroku.
A právě v krocích 3 a 4 je python silný. V kroku 4 je úžasný a pro méně náročné inženýry dokáže v kroku 3 nahradit i ten Matlab.
A na krok 5 vůbec dojít nemusí. Pokud aplikace běží na dedikovaném PC a stíhá, tak kdo by platil krok 5?
To, že se fortran hodí na krok 5, neznamená, že se hodí na kroky 1-4. Mám tady položit nějakou hloupou otázku typu - jak dlouho by mi trvalo udělat vizualizace ve fortranu - a na základě toho usuzovat, že se fortran pro "dělání matiky" nehodí?
ČLÁNKY DO MAILU