托马斯·维基奇的文章
使用 ModelBuilder 类部署 PyMC 模型
- 22 二月 2023
许多用户在将他们的PyMC模型部署到生产环境中时面临困难，因为部署/保存/加载用户创建的模型没有得到很好的标准化。原因之一是PyMC中没有像scikit-learn或TensorFlow那样直接保存或加载模型的方法。新的ModelBuilder类旨在通过提供一个受scikit-learn启发的API来包装您的PyMC模型，从而改进这一工作流程。
使用ModelBuilder类部署PyMC模型
- 22 二月 2023
许多用户在将他们的PyMC模型部署到生产环境中时面临困难，因为部署/保存/加载用户创建的模型没有得到很好的标准化。其中一个原因是，在PyMC中没有像scikit-learn或TensorFlow那样直接保存或加载模型的方法。新的ModelBuilder类旨在通过提供一个受scikit-learn启发的API来包装您的PyMC模型，从而改进这一工作流程。
使用ModelBuilder类部署PyMC模型
- 22 二月 2023
许多用户在将他们的PyMC模型部署到生产环境中时面临困难，因为部署/保存/加载用户创建的模型没有得到很好的标准化。其中一个原因是，与scikit-learn或TensorFlow不同，PyMC中没有直接的方法来保存或加载模型。新的ModelBuilder类旨在通过提供一个受scikit-learn启发的API来包装您的PyMC模型，从而改进这一工作流程。
使用 ModelBuilder 类部署 PyMC 模型
- 22 二月 2023
许多用户在将他们的PyMC模型部署到生产环境中时面临困难，因为部署/保存/加载用户创建的模型没有得到很好的标准化。其中一个原因是，与scikit-learn或TensorFlow不同，PyMC中没有直接的方法来保存或加载模型。新的ModelBuilder类旨在通过提供一个受scikit-learn启发的API来包装您的PyMC模型，从而改进这一工作流程。
Pathfinder 变分推断
- 05 二月 2023
Pathfinder [Zhang 等人, 2021] 是一种变分推断算法，能够从贝叶斯模型的后验分布中生成样本。它相较于广泛使用的ADVI算法具有优势。在大规模问题上，它的扩展性应优于大多数MCMC算法，包括动态HMC（即NUTS），但代价是后验估计的偏差更大。有关该算法的详细信息，请参阅arxiv预印本。
Pathfinder 变分推断
- 05 二月 2023
Pathfinder [Zhang 等人, 2021] 是一种变分推断算法，能够从贝叶斯模型的后验分布中生成样本。它相较于广泛使用的ADVI算法具有优势。在大规模问题上，它的扩展性应优于大多数MCMC算法，包括动态HMC（即NUTS），但代价是后验估计的偏差更大。有关该算法的详细信息，请参阅arxiv预印本。
变分推断：贝叶斯神经网络
- 30 五月 2022
概率编程、深度学习和“大数据”是机器学习中最大的主题之一。在概率编程（PP）中，许多创新集中在使用变分推断来扩展规模。在这个例子中，我将展示如何在PyMC中使用变分推断来拟合一个简单的贝叶斯神经网络。我还将讨论将概率编程与深度学习结合如何为未来的研究开辟非常有趣的探索途径。
变分推断：贝叶斯神经网络
- 30 五月 2022
概率编程、深度学习和“大数据”是机器学习中最大的主题之一。在概率编程（PP）中，许多创新集中在使用变分推断来扩展规模。在这个例子中，我将展示如何在PyMC中使用变分推断来拟合一个简单的贝叶斯神经网络。我还将讨论将概率编程与深度学习结合如何为未来的研究开辟非常有趣的探索途径。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。