分类回归 / 拟合独立树 |
分类回归 / 模型规范 |
用 BART 建模异方差性 / 模型规范 |
贝叶斯加法回归树：介绍 / 使用 BART 进行自行车骑行 |
贝叶斯加法回归树：介绍 / 使用 BART 进行煤矿开采 |
贝叶斯加法回归树：介绍 / 使用 BART 进行自行车骑行 / 样本外预测 / 回归 |
贝叶斯加法回归树：介绍 / 使用 BART 进行自行车骑行 / 样本外预测 / 时间序列 |
使用 BART 进行分位数回归 / 非对称拉普拉斯分布 |
贝叶斯估计取代 T 检验 / 示例：药物试验评估 |
心理测量学中的验证性因素分析和结构方程模型 / 完整测量模型 |
心理测量学中的验证性因素分析和结构方程模型 / 测量模型 / 中级交叉加载模型 |
心理测量学中的验证性因素分析和结构方程模型 / 测量模型 |
心理测量学中的验证性因素分析和结构方程模型 / 贝叶斯结构方程模型 / 模型复杂性和贝叶斯敏感性分析 |
广义极值分布 / 推断 |
从笨拙的分箱数据中估计分布参数 / 示例 2：使用另一组分箱进行参数估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 6：非正态分布 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 3：将两个分箱放在一起进行参数估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 4：使用连续和分箱测量进行参数估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 5：分层估计 / 模型规范 |
从笨拙的分箱数据中估计分布参数 / 示例 1：使用一组分箱进行高斯参数估计 / 模型规范 |
因子分析 / 模型 / 替代参数化 |
因子分析 / 模型 / 直接实现 |
分层局部池化 / 方法 |
NBA 犯规分析与项目反应理论 / 抽样和收敛性 |
用于进行个性化推荐的概率矩阵分解 / 概率矩阵分解 |
高尔夫推杆的模型构建和扩展 / 新模型 |
高尔夫推杆的模型构建和扩展 / 拟合距离角度模型 |
高尔夫推杆的模型构建和扩展 / 在新数据上拟合模型 |
高尔夫推杆的模型构建和扩展 / Logit 模型 |
高尔夫推杆的模型构建和扩展 / 基于几何的模型 / 先验预测检查 |
使用 PyMC 将强化学习模型拟合到行为数据 / 通过 PyMC 估计学习参数 / 使用伯努利分布作为似然函数的替代模型 |
使用 PyMC 将强化学习模型拟合到行为数据 / 通过 PyMC 估计学习参数 |
可靠性统计和预测校准 / 可靠性数据的贝叶斯建模 / Weibull 生存的直接 PYMC 实现 |
橄榄球预测的分层模型 / 模型的构建 |
辛普森悖论 / 模型 1：合并回归 / 进行推断 |
辛普森悖论 / 模型 2：包含混杂因素的未合并回归 / 进行推断 |
辛普森悖论 / 模型 3：包含混杂因素的部分合并模型 / 进行推断 |
贝叶斯 A/B 测试入门 / 伯努利转换 / 数据 |
贝叶斯 A/B 测试入门 / 推广到多变量测试 |
贝叶斯 A/B 测试入门 / 价值转换 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 双重/去偏机器学习和 Frisch-Waugh-Lovell / 应用去偏 ML 方法 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 中介效应和因果结构 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 非混淆推断：NHEFS 数据 / 倾向评分建模 |
贝叶斯非参数因果推断 / 因果推断和倾向评分 / 非混淆推断：NHEFS 数据 / 使用倾向评分进行回归 |
双重差分 / 贝叶斯双重差分 / 推断 |
反事实推断：计算由 COVID-19 导致的超额死亡人数 / 推断 |
中断时间序列分析 / 推断 |
贝叶斯中介分析 / 定义 PyMC 模型并进行推断 |
贝叶斯中介分析 / 使用仅总效应模型再次检查 |
训练对肌肉的影响是否随年龄而降低？ / 定义 PyMC 模型并进行推断 |
回归不连续性设计分析 / 推断 |
贝叶斯因子和边际似然 / Savage-Dickey 密度比 |
模型平均 / 加权后验预测样本 |
采样器统计信息 / 多个采样器 |
采样器统计信息 |
使用数据容器 / 应用示例：幼儿的身高随年龄变化 |
使用数据容器 / 应用示例：使用数据容器作为二项式 GLM 的输入 |
使用数据容器 / 使用数据容器提高可读性和可重复性 / 具有数据容器的命名维度 |
使用数据容器 / 使用数据容器改变数据 / 使用数据容器变量将同一模型拟合到多个数据集 |
使用数据容器 / 使用数据容器提高可读性和可重复性 |
使用 HSGP 进行婴儿出生建模 / EDA 和特征工程 / 模型拟合和诊断 |
Kronecker 结构化协方差 / LatentKron / 模型 |
高斯过程：潜在变量实现 / 示例 1：具有 Student-T 分布噪声的回归 / 在 PyMC 中编码模型 |
高斯过程：潜在变量实现 / 示例 2：分类 |
边际似然实现 / 示例：具有白色高斯噪声的回归 |
Student-t 过程 / 由 T 过程生成的泊松数据 |
示例 1：分层 HSGP，更自定义的模型 / 示例 2：利用 Kronecker 结构的 HSGP / 抽样和收敛性检查 |
示例 1：分层 HSGP，更自定义的模型 / 正在寻找初学者入门？ / 抽样和收敛性检查 |
高斯过程：HSGP 参考和第一步 / 示例 1：基本 HSGP 用法 / 定义和拟合 HSGP 模型 |
高斯过程：HSGP 参考和第一步 / 示例 1：基本 HSGP 用法 / 示例 2：将 HSGP 用作参数化线性模型 / 结果 |
推断 |
二项式回归 / 二项式回归模型 |
离散选择和随机效用模型 / 在重复选择中选择饼干：混合 Logit 模型 |
离散选择和随机效用模型 / 实验模型：添加相关结构 |
离散选择和随机效用模型 / 改进的模型：添加替代特定截距 |
离散选择和随机效用模型 / 基本模型 |
分层二项式模型：大鼠肿瘤示例 / 使用 PyMC 计算后验 |
2. ModelA：自动插补缺失值 / 2.3 样本后验，查看诊断 / 2.3.1 样本后验和 PPC |
1. Model0：没有缺失值的基线 / 1.3 样本后验，查看诊断 / 1.3.1 样本后验和 PPC |
GLM：模型选择 / 生成玩具数据集 / 演示简单线性模型 / 使用显式 PyMC 方法定义模型 |
GLM：负二项式回归 / 负二项式回归 / 创建 GLM 模型 |
2. Model B：更好的方法 - Dirichlet 超先验分配器 / 2.3 样本后验，查看诊断 / 2.3.1 样本后验和 PPC |
1. Model A：错误的方法 - 简单线性系数 / 1.3 样本后验，查看诊断 / 1.3.1 样本后验和 PPC |
有序尺度和调查数据 / 拟合各种模型规范 / 贝叶斯特性 |
有序尺度和调查数据 / Liddell 和 Kruschke 的 IMDB 电影评分数据 |
样本外预测 / 定义和拟合模型 |
GLM：泊松回归 / 泊松回归 / 1. 手动方法，创建设计矩阵并手动指定模型 |
设置 / 5. 具有自定义似然函数的线性模型以区分异常值：Hogg 方法 / 5.2 拟合模型 / 5.2.1 样本后验 |
设置 / 4. 具有稳健 Student-T 似然函数的简单线性模型 / 4.2 拟合模型 / 4.2.1 样本后验 |
设置 / 3. 没有异常值校正的简单线性模型 / 3.2 拟合模型 / 3.2.1 样本后验 |
GLM：稳健线性回归 / 稳健回归 / 正态似然 |
滚动回归 / 滚动回归 |
滚动回归 |
具有截断或删失数据的贝叶斯回归 / 运行截断和删失回归 |
具有截断或删失数据的贝叶斯回归 / 截断或删失回归解决的问题 |
多层建模的贝叶斯方法入门 / 添加组级别预测变量 |
多层建模的贝叶斯方法入门 / 传统方法 |
多层建模的贝叶斯方法入门 / 添加组级别预测变量 / 各级别之间的相关性 |
多层建模的贝叶斯方法入门 / 非中心参数化 |
多层建模的贝叶斯方法入门 / 部分池化模型 |
多层建模的贝叶斯方法入门 / 变化的截距和斜率模型 |
多层建模的贝叶斯方法入门 / 变化的截距模型 |
多元正态模型的 LKJ Cholesky 协方差先验 |
贝叶斯缺失数据插补 / 贝叶斯插补 |
贝叶斯缺失数据插补 / 通过链式方程进行贝叶斯插补 / PyMC 插补 |
使用“黑盒”似然函数 / 与等效 PyMC 分布的比较 |
使用“黑盒”似然函数 / 带有梯度的 PyTensor Op / 模型定义 |
使用“黑盒”似然函数 / 介绍 |
使用“黑盒”似然函数 / 没有梯度的 PyTensor Op / 模型定义 |
使用“黑盒”似然函数 / 使用 Potential 而不是 CustomDist |
贝叶斯 copula 估计：描述相关的联合分布 / 用于 copula 和边际估计的 PyMC 模型 |
如何调试模型 / 介绍 / 将所有内容整合在一起 |
如何调试模型 / 介绍 / 排除玩具 PyMC 模型故障 |
离散变量的自动边际化 / 煤矿开采模型 |
离散变量的自动边际化 / 高斯混合模型 |
使用 ModelBuilder 类部署 PyMC 模型 / 标准语法 |
样条 / 模型 / 拟合模型 |
样条 / 预测新数据 |
更新先验 / 警示语 / 模型规范 |
如何包装 JAX 函数以在 PyMC 中使用 / 在 PyTensor 中包装 JAX 函数 / 使用 PyMC 采样 |
通用 API 快速入门 / 3. 推断 / 3.2 分析抽样结果 |
通用 API 快速入门 / 4. 后验预测抽样 |
通用 API 快速入门 / 4.1 预测保留数据 |
通用 API 快速入门 / 3. 推断 / 3.1 抽样 |
多项式 Dirichlet 混合 / Dirichlet-多项式模型 - 显式混合 |
多项式 Dirichlet 混合 / Dirichlet-多项式模型 - 边际化 |
多项式 Dirichlet 混合 / 多项式模型 |
用于密度估计的 Dirichlet 过程混合 / Dirichlet 过程混合 |
高斯混合模型 |
ODE Lotka-Volterra 与多种方式的贝叶斯推断 / 无梯度采样器选项 / DE MetropolisZ 采样器 |
ODE Lotka-Volterra 与多种方式的贝叶斯推断 / 无梯度采样器选项 / DEMetropolis 采样器 |
ODE Lotka-Volterra 与多种方式的贝叶斯推断 / 具有梯度的贝叶斯推断 / 使用 Pytensor Scan 模拟 / 使用 NUTs 进行推断 |
ODE Lotka-Volterra 与多种方式的贝叶斯推断 / 具有梯度的贝叶斯推断 / PyMC ODE 模块 / 使用 NUTS 进行推断 |
ODE Lotka-Volterra 与多种方式的贝叶斯推断 / 无梯度采样器选项 / Metropolis 采样器 |
ODE Lotka-Volterra 与多种方式的贝叶斯推断 / 无梯度采样器选项 / Slice 采样器 |
DEMetropolis 和 DEMetropolis(Z) 算法比较 / 辅助函数 / 抽样 |
DEMetropolis(Z) 采样器调优 / 结论 |
DEMetropolis(Z) 采样器调优 / 辅助函数 / 抽样 |
使用块更新的 Lasso 回归 |
抽样中的复合步骤 / 复合步骤 |
抽样中的复合步骤 / 默认复合步骤 |
抽样中的复合步骤 / 步进方法的顺序 |
抽样中的复合步骤 / 指定复合步骤 |
使用自定义步进方法从局部共轭后验分布中采样 / 将部分共轭与完整 NUTS 抽样进行比较 |
条件自回归 (CAR) 模型 / 在 PyMC 中编写一些模型 / 我们的第一个模型：独立的随机效应模型 |
条件自回归 (CAR) 模型 / 在 PyMC 中编写一些模型 / 我们的第二个模型：空间随机效应模型（具有固定的空间依赖性） |
条件自回归 (CAR) 模型 / 在 PyMC 中编写一些模型 / 我们的第三个模型：空间随机效应模型，具有未知的空间依赖性 |
不同的协方差函数 |
模型规范 |
在纽约市行人事故数据集上演示 BYM 模型 / 采样模型 |
线性回归 / (5) 分析真实数据 |
线性回归 / 基于仿真的验证与校准 |
类别 / 分析真实样本 / 分析合成人群 |
从线到曲线 / 示例：樱花盛开 / 从先验分布中抽取一些样本 |
类别 / 测试 / 拟合合成样本的总效应 |
从线到曲线 / 多项式线性模型 / 将 N 阶多项式拟合到身高/宽度数据 |
奖励：全豪华贝叶斯 / 我们为什么要这样做？ |
混杂因素周期表 / 分叉示例：结婚率与离婚率（与华夫饼屋！） / (3) 婚姻对离婚的因果效应的统计模型 / 在模拟数据上运行统计模型 |
混杂因素周期表 / 连续示例 / 年龄对离婚率的因果效应的统计模型 |
混杂因素 / 后门准则 / 未分层（混淆）模型 / 拟合未分层模型，忽略 Z（和 U） |
混杂因素 / 后门准则 / 按 Z 分层（未混淆） |
无限原因，有限数据 / 惩罚预测与模型（误）选择 / 模拟植物生长实验 / 正确的调整集（不按 F 分层） |
无限原因，有限数据 / 异常值和稳健回归 / 拟合最小二乘模型 |
无限原因，有限数据 / 惩罚预测与模型（误）选择 / 模拟植物生长实验 / 不正确的调整集（按 F 分层） |
无限原因，有限数据 / 使用 Student-t 似然的稳健线性回归 |
绘制马尔可夫猫头鹰 🦉 / 包括法官效应 / 拟合法官模型 |
2012 年新泽西州葡萄酒评判 / 最简单模型 / 拟合简单的、特定于葡萄酒的模型 |
绘制马尔可夫猫头鹰 🦉 / 更完整的模型，按葡萄酒产地分层，O_{X[i]} / 拟合葡萄酒产地模型 |
奖励：生存分析 / 统计模型 / 为 \alpha 找到合理的超参数 |
3. 统计模型 / 拟合直接因果效应模型 |
3. 统计模型 / 招生统计模型 / 拟合总因果效应模型 |
计数和泊松回归 / 包括创新和技术损失的科学模型 / 确定良好的先验超参数 |
混淆的招生 / 直接效应估计器（现在由于共同能力原因而混淆） / 拟合（混淆的）直接效应模型 |
混淆的招生 / 敏感性分析：建模潜在能力混淆变量 / 拟合潜在能力模型 |
混淆的招生 / 总效应估计器 / 拟合总效应模型 |
计数和泊松回归 / 比较模型 / 模型 A - 全局截距模型 |
计数和泊松回归 / 比较模型 / 模型 B - 交互模型 |
奖励：辛普森的潘多拉魔盒 / 非线性困扰 / 部分分层模型 – \text{logit}(p) = \alpha + \beta_{Z[i]} X_i |
奖励：辛普森的潘多拉魔盒 / 非线性困扰 / 尝试完全分层模型 – \text{logit}(p_i) = \alpha_{Z[i]} + \beta_{Z[i]}X_i |
奖励：辛普森的潘多拉魔盒 / 非线性困扰 / 未分层模型 – \text{logit}(p_i) = \alpha + \beta X_i |
伦理与电车难题研究 / 有序单调预测变量 / 评估教育的直接效应：按性别和年龄分层 |
伦理与电车难题研究 / 竞争原因呢？ / 拟合按性别分层的模型 |
伦理与电车难题研究 / 统计模型 / 轻松入门 |
案例研究：芦苇蛙生存 / 构建多层（分层）模型 / 拟合多层模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 固定效应模型 |
案例研究：芦苇蛙生存 / 构建多层（分层）模型 / 比较多层模型和固定 sigma 模型 / 固定 sigma 模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 多层模型 |
案例研究：芦苇蛙生存 / 包括捕食者的存在 / 具有捕食者效应的多层模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 朴素模型 |
奖励：固定效应、多层模型和蒙德拉克机器 / 随机混淆因素 / 蒙德拉克机器 / 统计模型 |
案例研究：芦苇蛙生存 / 让我们构建一个（多层）模型 / 先验方差 \sigma 呢？ |
奖励：固定效应、多层模型和蒙德拉克机器 / 潜在蒙德拉克机器（又名“全豪华贝叶斯”） / 2. Y 子模型 |
孟加拉国的生育率与行为 / 变化的地区 + 城市 / 拟合地区-城市模型 |
孟加拉国的生育率与行为 / 从简单开始：变化的地区 |
添加相关特征 / 具有相关特征的模型 / 一些注意事项 ⚠️ |
奖励：非中心化（又名转换）先验 / 示例：魔鬼漏斗先验 / 中心化先验模型 |
奖励：非中心化（又名转换）先验 / 非中心化先验 |
添加相关特征 / 之前的模型 – 使用不相关的城市特征 |
是什么驱动分享？/ 包括预测性家庭特征 / 将观察到的混淆变量添加到模拟数据集 |
是什么驱动分享？/ 3) 统计模型 / 在模拟数据上拟合财富馈赠模型（验证） |
是什么驱动分享？/ 3) 统计模型 / 拟合社会关系模型 / 注释 |
系统发育回归 / 线性回归的两种等效公式 / 经典线性回归 |
高斯过程（抽象概念）/ 按人口规模分层 / 先验预测 / 拟合仅人口模型进行比较 |
系统发育回归 / 从模型到核函数 / 拟合完整的系统发育模型。 |
系统发育回归 / 从模型到核函数 / 群体规模对大脑大小的影响 |
高斯过程（抽象概念）/ 基于距离的模型 / 建模数据 |
高斯过程（抽象概念）/ 按人口规模分层 / 先验预测 |
系统发育回归 / 从模型到核函数 / 仅距离模型 / PyMC 实现 |
系统发育回归 / 线性回归的两种等效公式 / \text{MVNormal} 线性回归 |
误分类 / Himba 牧民文化中的亲子关系 / 拟合类似模型，不考虑误分类 |
建模测量 / 比较建模和不建模测量误差的模型的因果效应 / 拟合不考虑测量误差的模型 |
建模测量 / 让我们从简单开始 / 拟合离婚测量误差模型 |
建模测量 / 让我们从简单开始 / 4 个子模型 / 结婚率测量误差模型 |
测量误差 / 误解：测量误差只能减少效应，不能增加 |
误分类 / Himba 牧民文化中的亲子关系 / 拟合具有误分类误差的模型 / 注释 |
奖励：浮点怪物 / 之前使用对数缩放技巧的亲子关系测量模型 |
重新审视系统发育回归 / 绘制丢失的猫头鹰 🦉 / 完整案例模型用于比较 |
重新审视系统发育回归 / 绘制丢失的猫头鹰 🦉 / 3. 使用特定于 G 的子模型推算 G / 3. 拟合结合了系统发育和 M \rightarrow G 的模型 |
重新审视系统发育回归 / 绘制丢失的猫头鹰 🦉 / 2. 幼稚地推算 G,M，忽略每个模型的模型 / 拟合幼稚的推算模型 |
重新审视系统发育回归 / 绘制丢失的猫头鹰 🦉 / 4. 使用每个子模型推算 B,G,M |
重新审视系统发育回归 / 绘制丢失的猫头鹰 🦉 / 3. 使用特定于 G 的子模型推算 G / 2. 仅包括社会群体系统发育相互作用的模型 |
重新审视系统发育回归 / 绘制丢失的猫头鹰 🦉 / 3. 使用特定于 G 的子模型推算 G / 1. 仅建模体重对群体规模 M \rightarrow G 影响的模型 |
GLM 和 GLMM 以及广义线性习惯 / 重新审视人类身高建模 ⚖️ / 拟合无量纲圆柱体模型 |
GLM 和 GLMM 以及广义线性习惯 / 重新审视人类身高建模 ⚖️ / 统计模型 / 拟合统计模型 |
人口动态 / 实现统计模型 / PyMC 实现细节 |
选择、观察和学习策略 🟦🟥 / 基于状态的模型 / 基于状态的统计模型 |
贝叶斯参数生存分析 / 加速失效时间模型 / 对数逻辑生存回归 |
贝叶斯参数生存分析 / 加速失效时间模型 / 威布尔生存回归 |
删失数据模型 / 删失数据模型 / 模型 1 - 删失数据的推算删失模型 |
删失数据模型 / 删失数据模型 / 模型 2 - 删失数据的未推算删失模型 |
删失数据模型 / 未删失模型 |
脆弱性和生存回归模型 / 加速失效时间模型 |
脆弱性和生存回归模型 / 拟合具有固定效应的基本 Cox 模型 |
脆弱性和生存回归模型 / 拟合具有个体共享脆弱性项的模型 |
贝叶斯生存分析 / 贝叶斯比例风险模型 |
贝叶斯生存分析 / 贝叶斯比例风险模型 / 随时间变化的影响 |
重新参数化威布尔加速失效时间模型 / 参数化 1 |
重新参数化威布尔加速失效时间模型 / 参数化 2 |
重新参数化威布尔加速失效时间模型 / 参数化 3 |
在 PyMC 中分析 AR(1) 模型 |
在 PyMC 中分析 AR(1) 模型 / 扩展到 AR(p) |
航空乘客 - 类似 Prophet 的模型 / 第 1 部分：线性趋势 |
航空乘客 - 类似 Prophet 的模型 / 第 2 部分：进入季节性 |
使用 Euler-Maruyama 方案推断 SDE 的参数 / 示例模型 |
使用结构性 AR 时间序列进行预测 / 使情况复杂化 / 指定趋势模型 |
使用结构性 AR 时间序列进行预测 / 指定模型 |
使用结构性 AR 时间序列进行预测 / 进一步使情况复杂化 / 指定趋势 + 季节性模型 |
使用结构性 AR 时间序列进行预测 / 使情况复杂化 / 将我们的模型封装成函数 |
多元高斯随机游走 / 模型 |
从生成图导出的时间序列模型 / 动机 / 定义 AR(2) 过程 / 后验 |
贝叶斯向量自回归模型 / 处理多个滞后和不同维度 |
非线性变化轨迹 / 一个极简模型 |
非线性变化轨迹 / 加入多项式时间项 |
非线性变化轨迹 / 随时间的行为 |
非线性变化轨迹 / 比较不同性别的轨迹 |
随时间变化建模。/ 控制同伴效应的模型 |
随时间变化建模。/ 无条件均值模型 |
随时间变化建模。/ 父母酗酒的非受控影响 |
随时间变化建模。/ 无条件增长模型 |
随机波动率模型 / 拟合模型 |
GLM：分层回归模型上的 Mini-batch ADVI |
经验近似概述 / 2d 密度 |
经验近似概述 / 多峰密度 |
Pathfinder 变分推断 |
PyMC 变分推断入门 / 基本设置 |
PyMC 变分推断入门 / 分布近似 |