bayesian-inference

Modelado bayesiano y programación probabilística en Python

Programación probabilística universal y profunda con Python y PyTorch

Una biblioteca de agentes de IA de nivel empresarial diseñada para democratizar la inteligencia artificial y ofrecer alternativas gratuitas y de código abierto a las startups sobrevaloradas de Y Combinator.

Repositorio de desarrollo de Stan. La rama master contiene la versión actual. La rama develop contiene el desarrollo estable más reciente. Consulta la Wiki del proceso de desarrollo para obtener más detalles.

Programación probabilística con NumPy impulsada por JAX para autograd y compilación JIT para GPU/TPU/CPU.

Una biblioteca de Python que ayuda a los científicos de datos a inferir causalidad en lugar de observar correlación.

Curso de Análisis de Datos Bayesianos en Aalto

Inferencia bayesiana con programación probabilística.

Recursos educativos de PyMC

Recursos impresionantes sobre flujos de normalización.

Infer.NET es un framework para ejecutar inferencia bayesiana en modelos gráficos

Red neuronal convolucional bayesiana con inferencia variacional basada en Bayes by Backprop en PyTorch.

Paquete brms para R para modelos bayesianos generalizados multivariados no lineales multinivel utilizando Stan

Bienvenido al libro de Deep Learning basado en física v0.3: la edición GenAI

Interfaz de construcción de modelos bayesianos (Bambi) en Python.

BlackJAX es una biblioteca de inferencia bayesiana diseñada para facilitar su uso, velocidad y modularidad.

RStan, la interfaz de R para Stan

Demos de análisis de datos bayesianos para Python

Resolver y estimar modelos de equilibrio general estocástico dinámico (incluyendo el DSGE de la Reserva Federal de Nueva York)

sbi es un paquete de Python para inferencia basada en simulación, diseñado para satisfacer las necesidades tanto de investigadores como de profesionales. Ya sea que necesites un control detallado o una interfaz fácil de usar, sbi es la solución.

Procesos gaussianos en JAX y Equinox.

Paquete de Python para descubrimiento causal mediante el aprendizaje de la estructura gráfica de redes bayesianas. Incluye aprendizaje de estructura, aprendizaje de parámetros, inferencias y métodos de muestreo.

PyTensor permite definir, optimizar y evaluar eficientemente expresiones matemáticas que involucran matrices multidimensionales.

Demos de análisis de datos bayesianos para R

Una colección de recetas de análisis de datos bayesianos utilizando PyMC3

Monte Carlo secuencial en Python