Awesome GitHub RepositoriesBayesian Statistical Modeling

PyMC is a Bayesian probabilistic programming framework used for building probabilistic models and performing Bayesian inference. It provides a probabilistic graphical model library for specifying random variables, priors, and likelihood functions, supported by an MCMC sampling engine and variational inference tools to estimate posterior distributions. The framework features a GPU-accelerated inference backend that compiles models into machine code to increase execution speed. It utilizes a backend-agnostic tensor execution model and just-in-time graph compilation to optimize the computation o

This project is a comprehensive collection of practical code examples and implementation libraries for machine learning. It provides a wide array of reference materials for building supervised, unsupervised, and reinforcement learning algorithms. The repository serves as a multi-domain resource, featuring specific implementation suites for financial AI, Bayesian statistical modeling, and deep learning architectures. It includes a framework for training intelligent agents using policy gradients and actor-critic models, as well as practical guides for fine-tuning transformers and utilizing larg

Portfolio and risk analytics in Python

Este proyecto es una biblioteca de aprendizaje automático de Python y un kit de herramientas de ciencia de datos diseñado para construir modelos predictivos y analizar conjuntos de datos complejos. Proporciona una colección de implementaciones para algoritmos supervisados y no supervisados comunes utilizando el framework Scikit-Learn. El kit de herramientas incluye una suite de modelado predictivo para generar predicciones a partir de datos históricos y un framework de análisis estadístico para aplicar modelado bayesiano y pruebas de causalidad. También cuenta con una suite de visualización de datos basada en Matplotlib para renderizar gráficos y tablas estáticas para interpretar los límites de los clasificadores y las tendencias de los datos. El proyecto cubre flujos de trabajo de agrupamiento de datos para identificar patrones y segmentos, análisis exploratorio de datos y el preprocesamiento de datos utilizando Pandas y NumPy.

TensorFlow Probability is a library for probabilistic reasoning and statistical analysis integrated with the TensorFlow ecosystem. It serves as a Bayesian deep learning framework, a probabilistic programming interface, and a variational inference engine, providing a toolset for Markov chain Monte Carlo sampling and tensor-based probabilistic modeling. The project enables the construction of neural networks with probabilistic weights and the implementation of Bayesian neural networks to quantify prediction uncertainty. It provides specialized capabilities for hierarchical probabilistic modelin

Este proyecto es una colección de cursos y recursos educativos de estadística bayesiana. Proporciona materiales de instrucción, conjuntos de problemas y soluciones diseñados para aprender análisis de datos bayesianos y modelado causal. El repositorio incluye una suite de scripts de visualización de datos estadísticos utilizados para generar animaciones y gráficos instructivos. También contiene ejemplos de código que implementan modelado bayesiano y análisis de supervivencia a través de múltiples lenguajes de programación para demostrar diferentes enfoques computacionales. Los materiales cubren una gama de capacidades estadísticas, incluyendo inferencia causal para evaluar efectos de tratamiento y ponderación de post-estratificación para ajustar datos de muestra para la representación de la población. Otras áreas cubiertas incluyen análisis de supervivencia para modelar duraciones de eventos y la aplicación de paquetes estadísticos curados.

Este repositorio sirve como recurso educativo para el modelado estadístico bayesiano, proporcionando una colección de ejemplos instructivos que traducen conceptos teóricos en código Python ejecutable. Funciona como un framework computacional para realizar inferencia estadística y estimación de parámetros, diseñado para ayudar a los usuarios a aprender y aplicar técnicas de programación probabilística a través de documentación interactiva. El proyecto utiliza un framework de programación probabilística para definir modelos estadísticos como grafos acíclicos dirigidos, permitiendo la inferencia automatizada a través de algoritmos de muestreo avanzados. Al aprovechar el muestreo de Hamiltonian Monte Carlo y la diferenciación automática, los modelos exploran distribuciones de probabilidad de alta dimensión para generar muestras posteriores. La implementación se basa en el cálculo de arrays vectorizados para manejar operaciones matemáticas complejas a través de conjuntos de datos simultáneamente. La colección cubre una amplia gama de tareas de análisis de datos científicos, incluyendo la construcción de modelos jerárquicos bayesianos que permiten compartir información entre grupos. Estos ejemplos están organizados dentro de un entorno de notebook computacional, que intercala texto narrativo con código para documentar el proceso iterativo de construcción, prueba y validación de hipótesis estadísticas.