pymc

O PyMC (anteriormente PyMC3) é um pacote Python voltado para modelagem estatística bayesiana, focado em algoritmos avançados de Monte Carlo via Cadeias de Markov (MCMC) e inferência variacional (VI). Sua flexibilidade e extensibilidade permitem sua aplicação em uma ampla gama de problemas em diversos domínios. Entre suas principais características estão uma sintaxe intuitiva para especificação de modelos (por exemplo, x ~ N(0,1) traduz-se como x = Normal('x',0,1)), algoritmos poderosos de amostragem como o No U-Turn Sampler (NUTS), que facilita a análise de modelos complexos com milhares de parâmetros sem exigir conhecimento especializado sobre algoritmos de ajuste, e inferência variacional via ADVI para estimativa rápida da posterior, incluindo mini-batch ADVI para grandes conjuntos de dados. O PyMC depende do PyTensor para otimização computacional, compilação dinâmica em C ou JAX, transmissão NumPy, indexação avançada, operadores de álgebra linear e extensibilidade simples. Também oferece suporte transparente para imputação de valores faltantes. A estrutura suporta um fluxo de trabalho bayesiano completo: definição de modelos generativos com coordenadas e dimensões, amostragem das distribuições preditivas anteriores, observação de dados para realizar inferência, geração de amostras preditivas posteriores e condução de análises contrafactuais usando o operador do() para simular cenários sob parâmetros modificados. O exemplo no README demonstra um modelo de regressão linear para previsão de crescimento de plantas, mostrando como os parâmetros inferidos correspondem estreitamente aos valores verdadeiros fixos, e como a amostragem preditiva posterior e intervenções contrafactuais podem ser realizadas. O PyMC é um projeto sem fins lucrativos sob o guarda-chuva do NumFOCUS e está licenciado sob a Apache License 2.0. Possui um rico ecossistema de software relacionado, incluindo Bambi para construção de modelos bayesianos, calibr8 para modelos de observação, gumbi para modelos de processos gaussianos, SunODE para resolução rápida de EDOs, e ferramentas específicas de domínio como Exoplanet para séries temporais astronômicas, beat para análise de terremotos, CausalPy para inferência causal e PyMC-Marketing para modelagem de mix de marketing. O projeto fornece documentação extensiva, tutoriais, galerias de exemplos e um fórum Discourse ativo para suporte da comunidade.