pymc

PyMC (anteriormente PyMC3) es un paquete de Python diseñado para el modelado estadístico bayesiano, centrado en algoritmos avanzados de Monte Carlo mediante Cadenas de Markov (MCMC) e inferencia variacional (VI). Su flexibilidad y extensibilidad lo hacen aplicable a una amplia gama de problemas en diversos dominios. Entre sus características principales se incluyen una sintaxis intuitiva para la especificación de modelos (por ejemplo, x ~ N(0,1) se traduce como x = Normal('x',0,1)), potentes algoritmos de muestreo como el No U-Turn Sampler (NUTS), que permiten manejar modelos complejos con miles de parámetros sin necesidad de un conocimiento especializado profundo sobre los algoritmos de ajuste, e inferencia variacional mediante ADVI para una estimación aproximada rápida de la posterior, así como mini-batch ADVI para conjuntos de datos grandes. PyMC depende de PyTensor para la optimización computacional, la compilación dinámica en C o JAX, la difusión de NumPy, indexación avanzada, operadores de álgebra lineal y una extensibilidad sencilla. También ofrece soporte transparente para la imputación de valores faltantes. El marco de trabajo admite un flujo de trabajo bayesiano completo: definición de modelos generativos con coordenadas y dimensiones, muestreo desde distribuciones predictivas previas, observación de datos para realizar inferencias, generación de muestras predictivas posteriores y realización de análisis contrafácticos utilizando el operador do() para simular escenarios bajo parámetros modificados. El ejemplo incluido en el README demuestra un modelo de regresión lineal para la predicción del crecimiento de plantas, mostrando cómo los parámetros inferidos coinciden estrechamente con los valores verdaderos fijos, y cómo se pueden realizar muestreos predictivos posteriores e intervenciones contrafácticas. PyMC es un proyecto sin fines de lucro bajo el paraguas de NumFOCUS y está licenciado bajo la Licencia Apache 2.0. Cuenta con un rico ecosistema de software relacionado, incluyendo Bambi para la construcción de modelos bayesianos, calibr8 para modelos de observación, gumbi para modelos de procesos gaussianos, SunODE para la resolución rápida de ecuaciones diferenciales ordinarias (ODE), y herramientas específicas de dominio como Exoplanet para series temporales astronómicas, beat para el análisis de terremotos, CausalPy para inferencia causal y PyMC-Marketing para el modelado de mezcla de marketing. El proyecto proporciona documentación extensa, tutoriales, galerías de ejemplos y un foro activo en Discourse para el apoyo comunitario.