ピム

PyMC (旧称 PyMC3) は、Pythonで書かれた確率的プログラミング言語です。ベイズ統計モデリングや確率的機械学習に使用できます。

PyMCは、高度なマルコフ連鎖モンテカルロ法や変分フィッティングアルゴリズムに基づいて推論を実行します。^{[2] [3] [4] [5] [6]} これは、以前のバージョンのPyMCソフトウェアを最初から書き直したものです。^{[7]計算を実行するために}Fortran拡張機能 を使用していたPyMC2とは異なり、PyMCは、多次元配列を含む数式の定義、最適化、および効率的な評価を可能にするPythonライブラリであるPyTensorに依存しています。バージョン3.8から、PyMCはプロット、診断、および統計チェックを処理するためにArviZに依存しています。PyMCとStanは、最も人気のある2つの確率的プログラミングツールです。^[8] PyMCは、コミュニティによって開発され、NumFOCUSによって財政的に支援されているオープンソースプロジェクト です。 ^[9]

PyMCは 、天文学、^{[10] [11]} 疫学、^{[12] [13]} 分子生物学、^[14] 結晶学、 [ ^{15] [16]} 化学、^[17] 生態学^{[18] [19]}心理学など、いくつかの科学 領域における推論問題の解決に使用されてきました 。^{[20] PyMCの以前のバージョンも、気候科学、 [21]} 公衆衛生、^[22] 神経科学、^[23] 寄生虫学など、広く使用されていました。^{[24] [25]}

2017年にTheanoが開発中止を発表した後^[26] 、 PyMCチームは計算バックエンドとしてTensorFlow Probabilityを評価しましたが^[27]、2020年にTheanoをAesaraという名前でフォークすることを決定しました^[28] 。Theano コードベースの大部分がリファクタリングされ、JAX ^[29]によるコンパイルとNumbaが追加されました。PyMCチームは、改訂された計算バックエンドをPyTensorという名前でリリースし、PyMCの開発を続けています^{[30] 。}

PyMC は、ベイズ推論用の非勾配ベースおよび勾配ベースのマルコフ連鎖モンテカルロ(MCMC) アルゴリズムと、近似ベイズ推論用の確率的勾配ベースの変分ベイズ法を実装します。

• MCMC ベースのアルゴリズム:
  • ノーUターンサンプラー^{[31] （NUTS）、}ハミルトンモンテカルロ法とPyMCの連続変数用デフォルトエンジンの変種
  • メトロポリス-ヘイスティングス、PyMCの離散変数のデフォルトエンジン
  • 静的事後分布に対する逐次モンテカルロ
  • 近似ベイズ計算のための逐次モンテカルロ
• 変分推論アルゴリズム:
  • ブラックボックス変分推論^[32]

• StanはC++で書かれた統計的推論のための確率的プログラミング言語です。
• ArviZ はベイズモデルの探索的分析のための Python ライブラリです。
• BambiはPyMCに基づいた高水準ベイジアンモデル構築インターフェースです。

• Martin, Osvaldo (2024)。Pythonによるベイズ分析: 確率モデリングの実践ガイド(第 3 版) 。Packt。ISBN 978-1-80512-716-1。

• PyMCウェブサイト
• PyMC ソース、GitHubでホストされているGitリポジトリ
• PyTensor は、多次元配列を含む数式を定義、最適化、効率的に評価するための Python ライブラリです。