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.

Байесовское статистическое моделирование с помощью PyMC v5+. Используйте при построении вероятностных моделей, указании априорных значений, выполнении вывода MCMC, диагностике сходимости или сравнении моделей. Охватывает PyMC, ArviZ, pymc-bart, pymc-extras, nutpie и серверные части JAX/NumPyro. Запускает задачи, включающие в себя: байесовский вывод, апостериорную выборку, иерархические/многоуровневые модели, GLM, временные ряды, гауссовские процессы, BART, смешанные модели, предварительные/апостериорные прогнозные проверки, диагностику MCMC, LOO-CV, WAIC, сравнение моделей или причинно-следственный вывод с выполнением/наблюдением. Источник: pymc-labs/python-analytics-skills.