PyMC3是用于贝叶斯统计建模和概率机器学习的Python软件包，专注于先进的马尔可夫链蒙特卡洛（MCMC）和变异推理（VI）算法。 它的灵活性和可扩展性使其适用于大量问题。 查看，或使用Binder ！ 有关PyMC3的问题，请访问我们的论坛。 PyMC3和Theano的未来 自Theano停止由原始作者开发以来，关于PyMC3的未来一直存在许多疑问和不确定性，我们开始使用PyMC4进行实验。 我们很高兴地宣布，Theano上的PyMC3（我们正在）以及新的JAX后端是未来。 PyMC4将不会进一步开发。 有关更多详细信息，请参见。 特征 直观的模型规范语法，例如， x ~ N(0,1)转换为x = Normal('x',0,1) 强大的采样算法（例如“”（ ）允许使用数千种参数复杂模型，而对拟合算法的专业知识很少。 变异推理：用于快速近似后验估计的以及用于大数据集的小批量A

贝叶斯分析食谱 介绍 我最近受到贝叶斯统计分析的灵活和强大的启发。 然而，与许多事情一样，灵活性通常意味着要对易用性进行权衡。 我认为拥有一本可用于多种设置的代码手册对于将贝叶斯方法引入更通用的设置非常有帮助！ 目标 我的目标是每个型号有一个笔记本。 在每个笔记本中，您最终应该会发现： 这里正在解决的问题。 数据结构的描述。 示例数据表。 它通常最终会成为数据。 模型的 PyMC3 代码； 在某些笔记本中，同一型号可能有两个版本。 有关如何报告 MCMC 采样后验结果的示例。 我希望这些食谱对你有用！ （假设 我的假设遵循帕累托原则：大部分现实世界的问题基本上可以归结为几类问题，这些问题具有贝叶斯解释。 特别是，我有这样的预感，像ANOVA常用的方法，可以通过概念比较简单和更可解释的贝叶斯替代品取代，像约翰Kruschke最好的（B ayesianéstimation小号up

Pymc3概率编程教程

Example PyMC3 project for performing Bayesian data analysis using a probabilistic programming approach to machine learning.