pymc-modeling

Modern Bayesian modeling with PyMC v5+. Key defaults: nutpie sampler (2-5x faster), non-centered parameterization for hierarchical models, HSGP over exact GPs, coords/dims for readable InferenceData, and save-early workflow to prevent data loss from late crashes.

Modeling strategy: Build models iteratively — start simple, check prior predictions, fit and diagnose, check posterior predictions, expand one piece at a time. See references/workflow.md for the full workflow.

Notebook preference: Use marimo for interactive modeling unless the project already uses Jupyter.

Bayesianische statistische Modellierung mit PyMC v5+. Verwenden Sie diese Option, wenn Sie probabilistische Modelle erstellen, Prioritäten angeben, MCMC-Inferenzen ausführen, Konvergenz diagnostizieren oder Modelle vergleichen. Deckt PyMC-, ArviZ-, Pymc-Bart-, Pymc-Extras-, Nutpie- und JAX/NumPyro-Backends ab. Löst Aufgaben aus, die Folgendes umfassen: Bayesianische Inferenz, Posterior-Sampling, hierarchische/Mehrebenenmodelle, GLMs, Zeitreihen, Gaußsche Prozesse, BART, Mischungsmodelle, Prior/Posterior-Vorhersageprüfungen, MCMC-Diagnose, LOO-CV, WAIC, Modellvergleich oder kausale Inferenz mit Do/Observe. Quelle: pymc-labs/python-analytics-skills.