PyMC 示例库# 入门# 概述 PyMC 入门概述 简单线性回归 GLM：线性回归 通用 API 快速入门 通用 API 快速入门 库基础# 分布维度 分布维度 PyMC 和 PyTensor PyMC 和 PyTensor 使用数据容器 使用数据容器 如何# 先验和后验预测检查 先验和后验预测检查 模型比较 模型比较 多元正态模型的 LKJ Cholesky 协方差先验 多元正态模型的 LKJ Cholesky 协方差先验 贝叶斯缺失数据插补 贝叶斯缺失数据插补 使用“黑盒”似然函数 使用“黑盒”似然函数 贝叶斯 copula 估计：描述相关的联合分布 贝叶斯 copula 估计：描述相关的联合分布 如何调试模型 如何调试模型 离散变量的自动边缘化 离散变量的自动边缘化 使用 ModelBuilder 类部署 PyMC 模型 使用 ModelBuilder 类部署 PyMC 模型 性能分析 性能分析 样条 样条 更新先验 更新先验 如何在 PyMC 中包装 JAX 函数 如何在 PyMC 中包装 JAX 函数 广义线性模型# 二项回归 二项回归 离散选择和随机效用模型 离散选择和随机效用模型 分层二项模型：大鼠肿瘤示例 分层二项模型：大鼠肿瘤示例 GLM-协变量缺失值 GLM-协变量缺失值 GLM：模型选择 GLM：模型选择 GLM：负二项回归 GLM：负二项回归 GLM-有序特征 GLM-有序特征 有序分类结果的回归模型 有序分类结果的回归模型 样本外预测 样本外预测 GLM：泊松回归 GLM：泊松回归 GLM：使用自定义似然函数进行异常值分类的鲁棒回归 GLM：使用自定义似然函数进行异常值分类的鲁棒回归 GLM：鲁棒线性回归 GLM：鲁棒线性回归 滚动回归 滚动回归 具有截断或删失数据的贝叶斯回归 具有截断或删失数据的贝叶斯回归 多层建模的贝叶斯方法入门 多层建模的贝叶斯方法入门 案例研究# 贝叶斯估计取代 T 检验 贝叶斯估计取代 T 检验 心理测量学中的验证性因素分析和结构方程模型 心理测量学中的验证性因素分析和结构方程模型 广义极值分布 广义极值分布 从笨拙的分箱数据中估计分布的参数 从笨拙的分箱数据中估计分布的参数 因素分析 因素分析 分层部分合并 分层部分合并 使用项目反应理论的 NBA 犯规分析 使用项目反应理论的 NBA 犯规分析 用于进行个性化推荐的概率矩阵分解 用于进行个性化推荐的概率矩阵分解 高尔夫推杆的模型构建和扩展 高尔夫推杆的模型构建和扩展 使用 PyMC 将强化学习模型拟合到行为数据 使用 PyMC 将强化学习模型拟合到行为数据 可靠性统计和预测校准 可靠性统计和预测校准 橄榄球预测的分层模型 橄榄球预测的分层模型 因果推断# 辛普森悖论 辛普森悖论 贝叶斯 A/B 测试简介 贝叶斯 A/B 测试简介 贝叶斯非参数因果推断 贝叶斯非参数因果推断 双重差分 双重差分 反事实推断：计算因 COVID-19 导致的超额死亡人数 反事实推断：计算因 COVID-19 导致的超额死亡人数 中断时间序列分析 中断时间序列分析 使用 do 算子的干预分布和图变异 使用 do 算子的干预分布和图变异 贝叶斯中介分析 贝叶斯中介分析 贝叶斯调节分析 贝叶斯调节分析 回归不连续性设计分析 回归不连续性设计分析 高斯过程# 使用 HSGP 的婴儿出生建模 使用 HSGP 的婴儿出生建模 GP-圆形 GP-圆形 异方差高斯过程 异方差高斯过程 Kronecker 结构化协方差 Kronecker 结构化协方差 高斯过程：潜在变量实现 高斯过程：潜在变量实现 边际似然实现 边际似然实现 Mauna Loa CO2 的高斯过程 Mauna Loa CO2 的高斯过程 示例：Mauna Loa CO_2 续 示例：Mauna Loa CO_2 续 均值和协方差函数 均值和协方差函数 稀疏近似 稀疏近似 学生 t 过程 学生 t 过程 高斯过程 (GP) 平滑 高斯过程 (GP) 平滑 高斯过程：HSGP 高级用法 高斯过程：HSGP 高级用法 高斯过程：HSGP 参考和第一步 高斯过程：HSGP 参考和第一步 多输出高斯过程：使用 Hadamard 积的共区域化模型 多输出高斯过程：使用 Hadamard 积的共区域化模型 使用 numpy 核的高斯过程 使用 numpy 核的高斯过程 使用标记的对数高斯 Cox 过程对空间点模式进行建模 使用标记的对数高斯 Cox 过程对空间点模式进行建模 时间序列# PyMC 中 AR(1) 模型的分析 PyMC 中 AR(1) 模型的分析 航空旅客 - 类似 Prophet 的模型 航空旅客 - 类似 Prophet 的模型 使用 Euler-Maruyama 方案推断 SDE 的参数 使用 Euler-Maruyama 方案推断 SDE 的参数 使用结构 AR 时间序列进行预测 使用结构 AR 时间序列进行预测 多元高斯随机游走 多元高斯随机游走 从生成图导出的时间序列模型 从生成图导出的时间序列模型 贝叶斯向量自回归模型 贝叶斯向量自回归模型 变化的纵向模型 变化的纵向模型 随机波动率模型 随机波动率模型 空间分析# 空间数据的条件自回归 (CAR) 模型 空间数据的条件自回归 (CAR) 模型 冈比亚疟疾的流行率 冈比亚疟疾的流行率 空间数据的 Besag-York-Mollie 模型 空间数据的 Besag-York-Mollie 模型 诊断和模型批评# 贝叶斯因子和边际似然 贝叶斯因子和边际似然 使用发散诊断有偏推断 使用发散诊断有偏推断 模型平均 模型平均 采样器统计 采样器统计 贝叶斯加法回归树# 分类回归 分类回归 使用 BART 建模异方差性 使用 BART 建模异方差性 贝叶斯加法回归树：简介 贝叶斯加法回归树：简介 使用 BART 的分位数回归 使用 BART 的分位数回归 混合模型# 依赖密度回归 依赖密度回归 多项式的狄利克雷混合 多项式的狄利克雷混合 用于密度估计的狄利克雷过程混合 用于密度估计的狄利克雷过程混合 高斯混合模型 高斯混合模型 边缘化高斯混合模型 边缘化高斯混合模型 生存分析# 贝叶斯参数生存分析 贝叶斯参数生存分析 删失数据模型 删失数据模型 脆弱性和生存回归模型 脆弱性和生存回归模型 贝叶斯生存分析 贝叶斯生存分析 重新参数化 Weibull 加速失效时间模型 重新参数化 Weibull 加速失效时间模型 ODE 模型# GSoC 2019：pymc3.ode API 简介 GSoC 2019：pymc3.ode API 简介 pymc3.ode：形状和基准测试 pymc3.ode：形状和基准测试 以多种贝叶斯推断方式进行的 ODE Lotka-Volterra 模型 以多种贝叶斯推断方式进行的 ODE Lotka-Volterra 模型 具有手动梯度的 Lotka-Volterra 模型 具有手动梯度的 Lotka-Volterra 模型 MCMC# DEMetropolis 和 DEMetropolis(Z) 算法比较 DEMetropolis 和 DEMetropolis(Z) 算法比较 DEMetropolis(Z) 采样器调优 DEMetropolis(Z) 采样器调优 近似贝叶斯计算 近似贝叶斯计算 序贯蒙特卡洛 序贯蒙特卡洛 使用 JAX 和 Numba 更快地采样 使用 JAX 和 Numba 更快地采样 使用块更新的 Lasso 回归 使用块更新的 Lasso 回归 抽样中的复合步骤 抽样中的复合步骤 使用自定义步长方法从局部共轭后验分布中采样 使用自定义步长方法从局部共轭后验分布中采样 变分推断# GLM：分层回归模型上的小批量 ADVI GLM：分层回归模型上的小批量 ADVI 变分推断：贝叶斯神经网络 变分推断：贝叶斯神经网络 经验近似概述 经验近似概述 Pathfinder 变分推断 Pathfinder 变分推断 PyMC 变分推断简介 PyMC 变分推断简介 统计再思考讲座# 分叉数据的花园 分叉数据的花园 地心模型 地心模型 类别和曲线 类别和曲线 基本混杂因素 基本混杂因素 好的和坏的控制 好的和坏的控制 过度拟合和欠拟合 过度拟合和欠拟合 马尔可夫链蒙特卡洛 马尔可夫链蒙特卡洛 事件建模 事件建模 分叉数据的花园 分叉数据的花园 有序类别 有序类别 多层模型 多层模型 多层冒险 多层冒险 相关特征 相关特征 社交网络 社交网络 高斯过程 高斯过程 测量和错误分类 测量和错误分类 缺失数据 缺失数据 广义线性疯狂 广义线性疯狂 星座运势 星座运势
