Python中的概率编程：使用Aesara进行贝叶斯建模和概率机器学习
项目描述
PyMC (以前称为 PyMC3) 是一个用于贝叶斯统计建模的Python包，侧重于高级马尔可夫链蒙特卡洛 (MCMC) 和变分推理 (VI) 算法。其灵活性和可扩展性使其适用于大量问题。
查看 PyMC 概述，或众多示例！有关PyMC的问题，请访问我们的 PyMC论坛。
功能
入门指南
如果您已经了解贝叶斯统计学
与 PyMC 一起学习贝叶斯统计
《概率编程与黑客贝叶斯方法》：一本包含许多应用代码示例的精彩书籍。
John Kruschke 的《做贝叶斯数据分析》的 PyMC 版本以及第二版：贝叶斯数据分析的原理性介绍。
Michael Lee 和 EJ Wagenmakers 的《贝叶斯认知建模》的 PyMC 版本：专注于在认知建模中使用贝叶斯统计。
《Python 贝叶斯分析》第二版，作者 Osvaldo Martin：一本优秀的入门书籍。（代码和勘误表）。
音频和视频
这里是收集了关于 PyMC 几个演讲的YouTube 播放列表。
您还可以在这里找到 PyMCon 2020 上所做的所有演讲（此处）。
《学习贝叶斯统计》播客帮助您发现并保持与庞大的贝叶斯社区的同步。额外奖励：该播客由 PyMC 核心开发者之一 Alex Andorra 主持！
安装
要在您的系统上安装 PyMC，请遵循适当的安装指南中的说明
引用 PyMC
请从以下选项中选择
使用 PyMC3 在 Python 中进行概率编程，Salvatier J.，Wiecki T.V.，Fonnesbeck C. (2016)
所有版本的 DOI。
特定版本的 DOI 显示在 Zenodo 和 发布 下。
联系
我们使用 discourse.pymc.io 作为我们的主要通信渠道。您也可以关注我们的 Twitter @pymc_devs 以获取更新和其他公告。
如果您想就 PyMC 的建模或使用提出问题，我们鼓励您在我们的 “问题”类别下发布。您也可以在 “开发”类别中建议功能。
要报告 PyMC 的问题，请使用 问题跟踪器。
最后，如果您需要就项目的非技术信息进行联系，请发送电子邮件给我们。
许可
使用 PyMC 的软件
通用
Bambi：Python 中的贝叶斯模型构建接口 (BAMBI)。
SunODE：比 PyMC 内置的更快的高速常微分方程求解器。
pymc-learn：基于 pymc3_models/scikit-learn API 构建的定制 PyMC 模型。
fenics-pymc3：到 FEniCS 的可微分接口，一个用于求解偏微分方程的库。
特定领域
系外行星：用于模拟系外行星及其他天文时间序列的凌星和/或径向速度观测的工具包。
NiPyMC：Python中fMRI数据的贝叶斯混合效应建模。
beat：贝叶斯地震分析工具。
cell2location：通过整合单细胞和空间转录组学，对组织细胞架构进行全面映射。
如您的软件未在此列出，请联系我们。
引用PyMC的论文
查看谷歌学术，以获取持续更新的列表。
贡献者
请参阅GitHub贡献者页面。同时阅读我们的行为准则，以获得更好的贡献体验。
支持
PyMC是NumFOCUS旗下的一项非营利项目。如果您想从财务上支持PyMC，可以在此捐款。
专业咨询服务
您可以从PyMC Labs获得专业咨询服务。
赞助商
下载文件
下载您平台的文件。如果您不确定选择哪个，请了解安装包的相关信息。
源代码分布
构建分布
micropymc-4.0.0b6-py3-none-any.whl的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | d58b872fa3e7b127d4168446a63e16d321ece3c82d8b1b51ef903722b7e75bee |
|
| MD5 | bbe98b5211b2b046b97d2b5ae0e87555 |
|
| BLAKE2b-256 | 3fae90216e453d3f1be3a063ce1a116ab2913cd66c06768d33192493955762ab |
