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.

PyMC v5+ を使用したベイジアン統計モデリング。確率モデルの構築、事前分布の指定、MCMC 推論の実行、収束の診断、モデルの比較を行うときに使用します。 PyMC、ArviZ、pymc-bart、pymc-extras、nutpie、および JAX/NumPyro バックエンドをカバーします。以下を含むタスクのトリガー: ベイジアン推論、事後サンプリング、階層/マルチレベル モデル、GLM、時系列、ガウス過程、BART、混合モデル、事前/事後予測チェック、MCMC 診断、LOO-CV、WAIC、モデル比較、または do/observe による因果推論。 ソース: pymc-labs/python-analytics-skills。