Programación probabilística

La programación probabilística ( PP ) es un paradigma de programación basado en la especificación declarativa de modelos probabilísticos , para los cuales la inferencia se realiza automáticamente. ^{[ 1 ]} La programación probabilística busca unificar el modelado probabilístico y la programación tradicional de propósito general para facilitar el uso del primero y ampliar su aplicabilidad. ^{[ 2 ] [ 3 ]} Puede utilizarse para crear sistemas que faciliten la toma de decisiones ante la incertidumbre. Los lenguajes de programación que siguen el paradigma de programación probabilística se denominan "lenguajes de programación probabilística" (PPL).

El razonamiento probabilístico se ha utilizado para una amplia variedad de tareas, como predecir precios de acciones, recomendar películas, diagnosticar computadoras, detectar intrusiones cibernéticas y detectar imágenes. ^{[ 4 ]} Sin embargo, hasta hace poco (en parte debido a la limitada capacidad de procesamiento), la programación probabilística tenía un alcance limitado y la mayoría de los algoritmos de inferencia debían escribirse manualmente para cada tarea.

Sin embargo, en 2015, se utilizó un programa de visión artificial probabilístico de 50 líneas para generar modelos 3D de rostros humanos a partir de imágenes 2D de dichos rostros. El programa empleó gráficos inversos como base de su método de inferencia y se construyó utilizando el paquete Picture de Julia . ^{[ 4 ]} Esto hizo posible "en 50 líneas de código lo que antes requería miles". ^{[ 5 ] [ 6 ]}

La biblioteca de programación probabilística Gen (también escrita en Julia) se ha aplicado a tareas de visión y robótica. ^{[ 7 ]}

Más recientemente, el sistema de programación probabilística Turing.jl se ha aplicado en diversas aplicaciones farmacéuticas ^{[ 8 ]} y económicas. ^{[ 9 ]}

La programación probabilística en Julia también se ha combinado con la programación diferenciable mediante la combinación del paquete Julia Zygote.jl con Turing.jl. ^{[ 10 ]}

Los lenguajes de programación probabilística también se utilizan comúnmente en la ciencia cognitiva bayesiana para desarrollar y evaluar modelos de cognición. ^{[ 11 ]}

Los lenguajes de programación de propósito general (PPL) suelen extenderse a partir de un lenguaje básico. Por ejemplo, Turing.jl ^{[ 12 ]} se basa en Julia , Infer.NET se basa en .NET Framework ^{[ 13 ]} , mientras que PRISM se extiende a partir de Prolog ^{[ 14 ]} . Sin embargo, algunos PPL, como WinBUGS , ofrecen un lenguaje autocontenido que se corresponde estrechamente con la representación matemática de los modelos estadísticos, sin un origen evidente en otro lenguaje de programación ^{[ 15 ] [ 16 ] .}

El lenguaje WinBUGS se implementó para realizar cálculos bayesianos utilizando el muestreo de Gibbs y algoritmos relacionados. Aunque se implementó en un lenguaje de programación relativamente desconocido (Component Pascal), este lenguaje permite la inferencia bayesiana para una amplia variedad de modelos estadísticos mediante un enfoque computacional flexible. El mismo lenguaje BUGS puede utilizarse para especificar modelos bayesianos para la inferencia a través de diferentes opciones computacionales ("muestreadores") y convenciones o valores predeterminados, utilizando el programa independiente WinBUGS (o los paquetes de R relacionados, rbugs y r2winbugs) y JAGS (Just Another Gibbs Sampler, otro programa independiente con paquetes de R relacionados, incluidos rjags, R2jags y runjags). Más recientemente, otros lenguajes para admitir la especificación e inferencia de modelos bayesianos permiten opciones diferentes o más eficientes para el cálculo bayesiano subyacente, y son accesibles desde el entorno de programación y análisis de datos R, por ejemplo: Stan , NIMBLE y NUTS. La influencia del lenguaje BUGS es evidente en estos lenguajes posteriores, que incluso utilizan la misma sintaxis para algunos aspectos de la especificación del modelo.

Varias bibliotecas de programación de paquetes (PPL) se encuentran en desarrollo activo, incluidas algunas en fase beta. Dos herramientas populares son Stan y PyMC . ^{[ 17 ] [ 18 ]}

• Razonar sobre las variables como distribuciones de probabilidad causa dificultades a los programadores novatos, pero estas dificultades pueden abordarse mediante el uso de visualizaciones de redes bayesianas y gráficos de distribuciones de variables integrados en el editor de código fuente. ^{[ 54 ]}
• Dado que muchos PPL dependen de la especificación de distribuciones a priori sobre las variables de interés, especificar distribuciones a priori informadas suele ser difícil para los principiantes. En algunos casos, bibliotecas como PyMC proporcionan métodos automatizados para encontrar la parametrización de distribuciones a priori informadas. ^{[ 55 ]}

• aprendizaje relacional estadístico
• Programación inductiva
• Programación bayesiana
• Notación de plancha

• Fundamentos de la programación probabilística
• Lista de kits de herramientas de mini lenguajes para modelos probabilísticos