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（原名PyMC3）是一个专注于高级马尔可夫链蒙特卡洛（MCMC）和变分推断（VI）算法的贝叶斯统计建模Python包。其灵活性和可扩展性使其适用于大量问题。
查看PyMC概述，或使用Binder与实时示例交互！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学
概率编程和黑客的贝叶斯方法：一本包含许多应用代码示例的精彩书籍。
John Kruschke 的《Doing Bayesian Data Analysis》的 PyMC 版本 以及 第二版：贝叶斯数据分析的原理性介绍。
Richard McElreath 的《Statistical Rethinking A Bayesian Course with Examples in R and Stan》的 PyMC 版本
Michael Lee 和 EJ Wagenmakers 的《Bayesian Cognitive Modeling》的 PyMC 版本：专注于在认知建模中使用贝叶斯统计学。
Osvaldo Martin 的《Bayesian Analysis with Python》第二版：一本优秀的入门书籍。（代码 和 勘误表）。
音频和视频
这里有 YouTube 播放列表，收集了多个关于 PyMC 的演讲。
您也可以在这里找到 PyMCon 2020 的所有演讲：这里。
“Learning Bayesian Statistics”播客 帮助您发现并保持对庞大的贝叶斯社区的最新了解。额外奖励：它由 PyMC 核心开发者之一 Alex Andorra 主持！
安装
要在您的系统上安装 PyMC，请按照适当的安装指南中的说明进行操作。
引用 PyMC
请从以下选项中选择
使用 PyMC3 进行 Python 中的概率编程，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 作为我们的主要沟通渠道。您也可以关注我们的 Twitter @pymc_devs 以获取更新和其他公告。
要就建模或 PyMC 的使用提出问题，我们鼓励您在我们的 “问题”类别 下的 Discourse 论坛发布。您也可以在 “开发”类别 中提出功能建议。
如需报告 PyMC 的问题，请使用 问题跟踪器。
最后，如果您需要了解有关项目的非技术信息，请发送电子邮件给我们。
许可证
使用 PyMC 的软件
通用
Bambi：Python 中的 BAyesian 模型构建接口（BAMBI）。
SunODE：快速常微分方程求解器，比 PyMC 内置的求解器快得多。
pymc-learn：基于 pymc3_models/scikit-learn API 的自定义 PyMC 模型。
fenics-pymc3：FEniCS 的可微分接口，FEniCS 是一个用于求解偏微分方程的库。
特定领域
Exoplanet：用于模拟系外行星和其它天体时间序列的凌星和/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，全面映射组织细胞架构。
如果您的软件未在此列表中，请与我们联系。
引用 PyMC 的论文
请访问 Google Scholar 以查看持续更新的列表。
贡献者
请参阅 GitHub 贡献者页面。阅读我们的 行为准则 指南以获得更好的贡献体验。
支持
PyMC 是在 NumFOCUS 保护下的非营利项目。如果您想从财务上支持 PyMC，您可以在此处捐赠。
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
下载适用于您平台的应用文件。如果您不确定该选择哪一个，请了解有关安装包的更多信息。
源代码分布
pymc-nightly-4.0.0b6.dev20220415.tar.gz的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | a84609d7c883a94844bc46d534b98238cc77b5a2529542d7e4f78de98fa5a806 |
|
| MD5 | 4777218aee0cf0e6f197f1d640251746 |
|
| BLAKE2b-256 | c92fa74881d26b4bb90b5b7c665faeef3dcbfbbf9cd7cbc7345abe218c7a4ced |
