PyMC

PyMC (anteriormente conocida como PyMC3) es una biblioteca de programación probabilística para Python . Se puede utilizar para el modelado estadístico bayesiano y el aprendizaje automático probabilístico.

PyMC realiza inferencias basadas en algoritmos avanzados de Monte Carlo de cadena de Markov y/o ajuste variacional. ^{[ 2 ] [ 3 ] [ 4 ] [ 5 ]} Es una reescritura desde cero de la versión anterior del software PyMC. ^{[ 6 ]} A diferencia de PyMC2, que había utilizado extensiones de Fortran para realizar cálculos, PyMC se basa en PyTensor, una biblioteca de Python que permite definir, optimizar y evaluar eficientemente expresiones matemáticas que involucran matrices multidimensionales. Desde la versión 3.8, PyMC se basa en ArviZ para manejar gráficos, diagnósticos y verificaciones estadísticas. PyMC y Stan son las dos herramientas de programación probabilística más populares . ^{[ 7 ]} PyMC es un proyecto de código abierto , desarrollado por la comunidad y ha sido patrocinado fiscalmente por NumFOCUS . ^{[ 8 ]}

PyMC se ha utilizado para resolver problemas de inferencia en varios dominios científicos, incluyendo astronomía , ^{[ 9 ] [ 10 ]} epidemiología , ^{[ 11 ] [ 12 ]} biología molecular, ^{[ 13 ]} cristalografía, ^{[ 14 ] [ 15 ]} química , ^{[ 16 ]} ecología ^{[ 17 ] [ 18 ]} y psicología. ^{[ 19 ]} Versiones anteriores de PyMC también se utilizaron ampliamente, por ejemplo en ciencias climáticas, ^{[ 20 ]} salud pública, ^{[ 21 ]} neurociencia , ^{[ 22 ]} y parasitología. ^{[ 23 ] [ 24 ]}

Después de que Theano anunciara sus planes de descontinuar el desarrollo en 2017, ^{[ 25 ]} el equipo de PyMC evaluó TensorFlow Probability como un backend computacional, ^{[ 26 ]} pero decidió en 2020 bifurcar Theano bajo el nombre de Aesara. ^{[ 27 ]} Gran parte del código base de Theano se ha refactorizado y se agregó la compilación a través de JAX ^{[ 28 ]} y Numba . El equipo de PyMC ha lanzado el backend computacional revisado bajo el nombre de PyTensor y continúa el desarrollo de PyMC. ^{[ 29 ]}

PyMC implementa algoritmos de Monte Carlo de cadena de Markov (MCMC) basados ​​en gradientes y sin gradiente para la inferencia bayesiana, así como métodos bayesianos variacionales estocásticos basados ​​en gradiente para la inferencia bayesiana aproximada.

• Algoritmos basados ​​en MCMC:
  • El muestreador No-U-Turn ^{[ 30 ]} (NUTS), una variante del método de Monte Carlo hamiltoniano y el motor predeterminado de PyMC para variables continuas
  • Metropolis–Hastings , el motor predeterminado de PyMC para variables discretas
  • Método de Monte Carlo secuencial para posteriores estáticos
  • Método de Monte Carlo secuencial para computación bayesiana aproximada
• Algoritmos de inferencia variacional :
  • Inferencia variacional de caja negra ^{[ 31 ]}

• Stan es un lenguaje de programación probabilística para inferencia estadística escrito en C++.
• ArviZ es una biblioteca de Python para el análisis exploratorio de modelos bayesianos.
• Bambi es una interfaz de alto nivel para la construcción de modelos bayesianos basada en PyMC.
• Lista de bibliotecas matemáticas de código abierto

• Martin, Osvaldo (2024). Análisis bayesiano con Python: una guía práctica para el modelado probabilístico (Tercera  ed.). Packt. ISBN 978-1-80512-716-1.

• Sitio web de PyMC
• Fuente de PyMC , un repositorio Git alojado en GitHub.
• PyTensor es una biblioteca de Python para definir, optimizar y evaluar de manera eficiente expresiones matemáticas que involucran matrices multidimensionales.