Modélisation bayésienne avec PyMC. Créez des modèles hiérarchiques, MCMC (NUTS), inférence variationnelle, comparaison LOO/WAIC, vérifications a posteriori, pour la programmation et l'inférence probabilistes.
Installez rapidement le skill IA pymc-bayesian-modeling dans votre environnement de développement via la ligne de commande
Source : ovachiever/droid-tings.
PyMC is a Python library for Bayesian modeling and probabilistic programming. Build, fit, validate, and compare Bayesian models using PyMC's modern API (version 5.x+), including hierarchical models, MCMC sampling (NUTS), variational inference, and model comparison (LOO, WAIC).
Critical: Always use non-centered parameterization for hierarchical models to avoid divergences.
See: references/distributions.md for comprehensive distribution reference
Modélisation bayésienne avec PyMC. Créez des modèles hiérarchiques, MCMC (NUTS), inférence variationnelle, comparaison LOO/WAIC, vérifications a posteriori, pour la programmation et l'inférence probabilistes. Source : ovachiever/droid-tings.
Champs et commandes stables pour les citations IA/recherche.
npx skills add https://github.com/ovachiever/droid-tings --skill pymc-bayesian-modelingModélisation bayésienne avec PyMC. Créez des modèles hiérarchiques, MCMC (NUTS), inférence variationnelle, comparaison LOO/WAIC, vérifications a posteriori, pour la programmation et l'inférence probabilistes. Source : ovachiever/droid-tings.
Ouvrez votre terminal ou outil de ligne de commande (Terminal, iTerm, Windows Terminal, etc.) Copiez et exécutez cette commande : npx skills add https://github.com/ovachiever/droid-tings --skill pymc-bayesian-modeling Une fois installé, le skill sera automatiquement configuré dans votre environnement de programmation IA et prêt à être utilisé dans Claude Code, Cursor ou OpenClaw
https://github.com/ovachiever/droid-tings