pymc

PyMC (anciennement PyMC3) est un package Python dédié à la modélisation statistique bayésienne, mettant l'accent sur les algorithmes avancés de Monte Carlo par chaînes de Markov (MCMC) et d'inférence variationnelle (VI). Sa flexibilité et son extensibilité le rendent applicable à une large gamme de problèmes dans de nombreux domaines. Les fonctionnalités clés incluent une syntaxe intuitive de spécification de modèle (par exemple, x ~ N(0,1) se traduit par x = Normal('x', 0, 1)), des algorithmes d'échantillonnage puissants tels que le No U-Turn Sampler (NUTS), permettant de gérer des modèles complexes avec des milliers de paramètres sans nécessiter une connaissance spécialisée des algorithmes d'ajustement, ainsi que l'inférence variationnelle via ADVI pour une estimation rapide de la distribution a posteriori, et mini-batch ADVI pour les grands ensembles de données. PyMC s'appuie sur PyTensor pour l'optimisation computationnelle, la compilation dynamique C ou JAX, la diffusion NumPy, l'indexation avancée, les opérateurs d'algèbre linéaire et une extensibilité simple. Il offre également un support transparent pour l'imputation des valeurs manquantes. Le framework prend en charge un workflow bayésien complet : définition de modèles génératifs avec coordonnées et dimensions, échantillonnage à partir des distributions a priori prédictives, observation des données pour effectuer l'inférence, génération d'échantillons a posteriori prédictifs et réalisation d'analyses contrefactuelles à l'aide de l'opérateur do() pour simuler des scénarios sous des paramètres modifiés. L'exemple présent dans le README démontre un modèle de régression linéaire pour la prédiction de la croissance des plantes, montrant comment les paramètres inférés correspondent étroitement aux valeurs vraies fixes, et comment l'échantillonnage prédictif a posteriori et les interventions contrefactuelles peuvent être effectués. PyMC est un projet à but non lucratif sous l'égide de NumFOCUS et est licencié sous la Apache License 2.0. Il dispose d'un riche écosystème de logiciels connexes, notamment Bambi pour la construction de modèles bayésiens, calibr8 pour les modèles d'observation, gumbi pour les modèles de processus gaussiens, SunODE pour la résolution rapide d'équations différentielles ordinaires (ODE), et des outils spécifiques au domaine comme Exoplanet pour les séries temporelles astronomiques, beat pour l'analyse des séismes, CausalPy pour l'inférence causale et PyMC-Marketing pour la modélisation du mix marketing. Le projet fournit une documentation extensive, des tutoriels, une galerie d'exemples et un forum Discourse actif pour le soutien communautaire.