Awesome GitHub RepositoriesProbabilistic Programming

This project is a computational statistics textbook and Bayesian data analysis course. It serves as a guide for performing statistical inference and quantifying uncertainty through a probabilistic programming workflow using Python. The resource employs a computation-first pedagogy, teaching Bayesian methods and parameter estimation through executable code and simulations instead of formal mathematical notation. It provides a practical approach to implementing Markov Chain Monte Carlo sampling to estimate posterior distributions. The content covers building probabilistic models, integrating e

يحتوي هذا المستودع على الكتاب المدرسي الرقمي والمواد التكميلية لتعليم التعلم الآلي الاحتمالي. يوفر نصاً منظماً ومواد دراسية موجهة تغطي الأسس الرياضية للاحتمالات والشبكات العصبية. يؤكد المشروع على القابلية للتكرار من خلال مجموعة من دفاتر الملاحظات التفاعلية والسكربتات المستقلة المستخدمة لإعادة إنشاء مخططات البيانات والأشكال من النص. يتم استضافة هذه المواد في بيئات خارجية للسماح للمستخدمين بتنفيذ كود تعلم آلي معقد دون تثبيت محلي. يشمل السطح التعليمي شرائح المحاضرات، وحلول التمارين، والمستندات التكميلية التي توفر تفاصيل تقنية إضافية. يتم تنظيم المحتوى باستخدام هيكل قائم على markdown وإدارته عبر التحكم في الإصدار للحفاظ على الاتساق عبر إصدارات الكتاب.

هذا المشروع عبارة عن مجموعة تعليمية من دفاتر الملاحظات الحسابية والدروس التعليمية التي تركز على تعلم الآلة البايزي والبرمجة الاحتمالية. يوفر إطار عمل لبناء نماذج تنبؤية تمثل عدم اليقين عن طريق تحديد توزيعات الاحتمالات على المعلمات بدلاً من الاعتماد على تقديرات نقطة واحدة. يعمل المستودع كمكتبة للطرق الإحصائية لتقدير توزيعات المعلمات، وإجراء الانحدار، وقياس مستويات الثقة في الأنظمة التنبؤية. ويغطي مجموعة من التقنيات بما في ذلك انحدار عملية غاوس، وأخذ عينات ماركوف تشين مونت كارلو، والاستدلال التبايني لتقريب التوزيعات اللاحقة المعقدة. بعيداً عن الانحدار والاستدلال الأساسيين، يوضح المشروع كيفية تحديد الهياكل الكامنة في مجموعات البيانات عالية الأبعاد وأتمتة البحث عن تهيئات النموذج المثلى من خلال النمذجة البديلة الاحتمالية. صُممت هذه الموارد كدروس تعليمية خطوة بخطوة لتسهيل التنفيذ العملي للنماذج الاحتمالية وتقنيات قياس عدم اليقين.

This repository serves as an educational resource for Bayesian statistical modeling, providing a collection of instructional examples that translate theoretical concepts into executable Python code. It functions as a computational framework for performing statistical inference and parameter estimation, designed to help users learn and apply probabilistic programming techniques through interactive documentation. The project utilizes a probabilistic programming framework to define statistical models as directed acyclic graphs, enabling automated inference through advanced sampling algorithms. B