用户评价

• “在 Quantopian，我们使用 PyMC3 来跟踪交易算法性能中的不确定性。” - Thomas Wiecki

• “我们使用 PyMC3 来评估 A/B 测试的性能。它用极少的代码就能出色地工作！” - Thomas Hunger, We Are Wizards

• “VoiceBox Technologies 使用 PyMC3，通过 Kruschke 的 BEST 算法来比较算法性能。更多功能正在开发中。”

• “在 Channel 4 的研究代码中使用，用于开发内部预测工具。” - Peader Coyle

• “在 Managed by Q，我们使用 PyMC3 进行所有的统计建模，包括 A/B 测试分析、销售预测和客户流失预测。” - Daniel Weitzenfeld

• “PyMC3 是我在 Salesforce 进行统计建模的主要工具。我使用它来整合来自不同来源的信息，以及在任何需要量化不确定性的地方。例如，我们构建分层模型来评估网络实验中不同的影响，然后构建元分析来量化后续实验的预期回报。我们还在尝试使用高斯过程来为时间序列数据建模以进行预测。” - Eddie Landesberg，数据科学家经理

• “在 Sounds，我们在生产环境中使用 PyMC3 来提供 A/B 测试结果，并用于我们所有的统计建模：计算生命周期价值、预测客户流失、定义用户会话等等。它是一个非常宝贵的工具；它包含前沿的算法，但其 API 却足够简单直观，即使是不熟悉贝叶斯统计的团队成员也能快速上手。” - Remi Louf

• “在 Intercom，我们已将 PyMC3 纳入我们的 A/B 测试框架。该 API 使其易于集成到我们现有的实验框架中，并且该方法使得与非技术利益相关者沟通实验结果更加直接。” - Louis Ryan

• “在 诺华生物医学研究所，我们使用 PyMC3 用于各种科学和商业用例。该 API 非常出色，可以轻松表达我们科学实验数据和业务流程的概率模型，例如电生理学和分子剂量反应模型。” - Eric J. Ma

• “在 综合渔业实验室，我们使用 PyMC3 构建统计模型，以帮助我们解决广泛的渔业问题，从而改善保护和管理。” - Aaron MacNeil

• “在 The Black Tux，我们使用 PyMC3 通过在 PyMC3 中构建概率模型来预测未来活动周末的预订量，该模型重现了之前在 Excel 中进行的业务建模工作，并为预测添加了有价值的不确定性边界。添加更多组件（例如第二个仓库位置）以及预测输出的相应不确定性非常容易。我们还使用 PyMC3 对 SKU/尺寸需求和未来库存压力以及按渠道划分的营销队列的转化曲线中的不确定性进行建模。使用易于使用的 API 在 Python 中编写概率模型的能力，该 API 非常贴切地代表了业务对它的理解，这是非常宝贵的！” -Claus Herther

• 在 SpaceX，PyMC3 帮助我们估计供应商交付的不确定性，并量化哪些供应商在发送火箭部件方面是一致的，以及我们需要与哪些供应商合作以了解如何减少变异性 - Ravin Kumar

• “我们在我们的认知建模工作中使用 PyMC3。我们将其用于参数估计和模型比较，结合实验数据，以帮助我们更好地理解人类的决策过程。” - Benjamin T. Vincent

• “我使用 PyMC3 来发现隐藏在我的认知和系统神经科学数据中的潜在模式。它是一个很棒、结构稳固且高度灵活的软件包！” - Eelke Spaak