pymc

PyMC(이전 PyMC3)는 고급 마르코프 체인 몬테카를로(MCMC) 및 변분 추론(VI) 알고리즘에 중점을 둔 Python 베이지안 통계 모델링 패키지입니다. 유연성과 확장성 덕분에 다양한 도메인의 광범위한 문제에 적용할 수 있습니다. 주요 기능으로는 직관적인 모델 지정 구문(예: x ~ N(0,1)은 x = Normal('x',0,1)로 변환됨), No U-Turn Sampler(NUTS)와 같은 강력한 샘플링 알고리즘을 통해 피팅 알고리즘에 대한 전문 지식 없이도 수천 개의 매개변수를 가진 복잡한 모델을 처리할 수 있으며, 빠른 근사 사후 추정을 위한 ADVI를 통한 변분 추론과 대규모 데이터 세트를 위한 미니 배치 ADVI도 지원합니다. PyMC는 계산 최적화, 동적 C 또는 JAX 컴파일, NumPy 브로드캐스팅, 고급 인덱싱, 선형 대수 연산자 및 간단한 확장성을 위해 PyTensor에 의존합니다. 또한 결측값 대체를 투명하게 지원합니다. 이 프레임워크는 완전한 베이지안 워크플로우를 지원합니다: 좌표와 차원으로 생성 모델 정의, 사전 예측 분포에서 샘플링, 데이터 관찰을 통한 추론 수행, 사후 예측 샘플 생성, do() 연산자를 사용하여 수정된 매개변수 하에서 시나리오를 시뮬레이션하는 반사실적 분석 수행 등이 포함됩니다. README의 예제는 식물 성장 예측을 위한 선형 회귀 모델을 보여주며, 추론된 매개변수가 고정된 실제 값과 밀접하게 일치하는 방법과 사후 예측 샘플링 및 반사실적 개입을 수행할 수 있는 방법을 보여줍니다. PyMC는 NumFOCUS 산하의 비영리 프로젝트이며 Apache License 2.0에 따라 라이선스가 부여됩니다. 관련 소프트웨어 생태계가 풍부하며, 여기에는 베이지안 모델 구축을 위한 Bambi, 관측 모델을 위한 calibr8, 가우시안 프로세스 모델을 위한 gumbi, 빠른 ODE 해석을 위한 SunODE, 천문 시계열 분석을 위한 Exoplanet, 지진 분석을 위한 beat, 인과 추론을 위한 CausalPy, 마케팅 믹스 모델링을 위한 PyMC-Marketing 등의 도메인별 도구가 포함됩니다. 이 프로젝트는 광범위한 문서, 튜토리얼, 예제 갤러리 및 활발한 Discourse 커뮤니티 포럼을 제공합니다.