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.

Modélisation statistique bayésienne avec PyMC v5+. À utiliser lors de la création de modèles probabilistes, de la spécification de priorités, de l'exécution d'inférences MCMC, du diagnostic de convergence ou de la comparaison de modèles. Couvre les backends PyMC, ArviZ, pymc-bart, pymc-extras, nutpie et JAX/NumPyro. Déclencheurs sur des tâches impliquant : l'inférence bayésienne, l'échantillonnage postérieur, les modèles hiérarchiques/multiniveaux, les GLM, les séries chronologiques, les processus gaussiens, BART, les modèles de mélange, les contrôles prédictifs a priori/postérieurs, les diagnostics MCMC, LOO-CV, WAIC, la comparaison de modèles ou l'inférence causale avec faire/observer. Source : pymc-labs/python-analytics-skills.