我们知道，百度首页的结果一定是广大人民群众最关注、最为熟知的内容。
而如此一门小众的语言，居然能盖过著名女影星，登上搜索结果第一条，可见它的火爆程度。
就此事件，记者询问了身边的程序员。程序员纷纷表示可以给记者分享珍藏在硬盘里，Julia 历年来出演的所有影片。
所以记者认为有必要解释一下 Julia 到底是什么：
这门语言很年轻，诞生至今也不到10年，前段时间才正式进入1.0版本。
所以大家下次看到招聘要求10年Julia开发经验的，绝对不要去。
Julia，R 和 Python 谁的势力大
因为 R 语言设计的初衷就是应用在科研领域。所以这次的三方势力比拼，我们限制在数据研究领域：
根据上图 KDnugget 的调查显示，2016年的时候，R 占据了 42% 的份额成为 dalao，Python 紧随其后成为 dalao 的小老弟，Julia 根本就默默无闻。
没想到短短一年时间，双方的位置就互换了。然后 Julia 还是保持了默默无闻。
可见即使在特别垂直的领域，Python 这种粘合剂语言配合强大的第三方库，也是拥有恐怖的战力。
Julia，R 和 Python 谁更狠一点？
背景介绍
就此问题，人工智能头条记者找到了戴卓嘉。他是一名拥有10年金融开发经验的数据科学家、全栈开发者、信用风险模型团队leader。并获得授权，翻译他的文章《Julia vs R vs Python: simple optimization》。戴卓嘉对三种语言的熟悉程度分别是：
有人做过测试，不依赖第三方装备的情况下，在计算比10⁵更小数的时候 Python 还是要比Julia快的。从10⁵开始，Julia 的速度就比 Python 比更快还快了。
这也是为什么 Julia 的布道者 Chris Rackauckas 说，在处理10秒内就能解决的小问题时，并不能体现出 Julia 的优势。而一旦问题复杂到一定程度，Julia 的优势就体现出来了。
本次实例，尝试使用三种语言，分别去优化一个似然函数。属于比较小的优化问题，可能在性能上的差距不是很明显。但在解决问题的过程中，还是很好的体现了三者之间的优劣势。
接下来，我们就开始这段优化吧。
问题描述
指定一个观察序列 Q₁, Q₂, Q₃...Q៷，我们的目标是找出可以优化下面这个似然函数的参数μ和σ
通常我们是去优化对数似然
在统计学上，这是截断正态分布的最大似然估计（MLE）。
使用 Julia
利用Optim.jl对符号的支持，可以直接使用希腊字母μσ作为变量名。
在下面硬编码了准备在MLE估计中使用的 Q_t 的值
最终输出效果，看起来非常舒服，格式经过精心的排版，描述也经过了精心的处理。完美的支持数学公式显示。
评分：
使用 R
使用 truncnorm包来处理截断正态
输出结果显示
只能用一个词形容：简单粗暴！
评分：
使用 Python
代码
输出结果显示
虽然比 R 是强了不少，但跟 Julia 还是没法比。而且不支持数学公式
评分
最终用一个表格来总结一下此次对比结果：
,
