Eu sou estatístico e usuário de longa data de R e Python. Hoje estou fazendo doutorado em estatística e tenho usado o Julia na minha pesquisa. Eu acompanho o Julia há muito tempo e lembro que quando eu conheci o projeto lá por volta de 2014 eu achei que o projeto era muito ambicioso e não ia conseguir entregar o que prometia. Aliás, naquela época nem mesmo o R (ou Python) eram tão usados para análise de dados. O pessoal do Analytics nas empresas usava mesmo o SAS.

Mas agora mais recentemente o que eu posso dizer do Julia é que ele realmente entregou o que prometeu. Vejam, se você pensar em um analista que trabalha com inferência Bayesiana, com deep learning, com machine learning e análise de dados em geral ele vai ter que recorrer ao Stan, Jags, ao Tensorflow, ao Pytorch e etc. Todas esses frameworks e bibliotecas são implementados em C++ por questão de desempenho, e não em Python como disse o colega acima. O próprio numpy já não é mais Python no fim das contas. Assim que você tem um gargalo você tem que recorrer ao C ou ao C++ no Python e no R. No R em especial existe até pacotes para facilitar o uso do C++ dentro do R, como o Rcpp e o RcppArmadillo.

Agora em Julia não! Em Julia se você quer trabalhar com inferência Bayesiana você tem o Turing.jl que é o equivalente ao Stan no ecossistema Julia. O Turing.jl é somente Julia, não tem nem C e nem C++, é basicamente Julia. No caso do deep learning você tem o Flux.jl, também inteiramente escrito em Julia. Se você quer trabalhar com o chip gráfico, com as GPUs usando o CUDA.jl é banal e você consegue ganhos de performance enormes com uma pequena modificação no código. Pelo menos para um cientista de dados realmente o Julia resolve o problema das duas linguagens.

Há ainda diversas outras vantagens que fazem o Julia atrativo e ele vem ganhando popularidade na academia mas vou falar sobre isso em outro post.