7 रिपॉजिटरी
Awesome GitHub RepositoriesBayesian Statistical Modeling
The process of defining probabilistic models with priors and likelihoods to quantify uncertainty.
Distinct from Statistical Modeling: Shortlist candidates are predominantly curated lists (awesome-lists) rather than functional framework capabilities.
Explore 7 awesome GitHub repositories matching scientific & mathematical computing · Bayesian Statistical Modeling. Refine with filters or upvote what's useful.
Awesome Bayesian Statistical Modeling GitHub Repositories
AI के साथ बेहतरीन रिपॉजिटरी खोजें।हम AI का उपयोग करके सबसे सटीक रिपॉजिटरी खोजेंगे।
- pymc-devs/pymc
pymc-devs/pymc
9,650GitHub पर देखेंPyMC 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
Provides a comprehensive framework for defining probabilistic models with priors and likelihoods to perform Bayesian inference.
Pythonbayesian-inferencemcmcprobabilistic-programming - lazyprogrammer/machine_learning_examples
lazyprogrammer/machine_learning_examples
8,823GitHub पर देखेंThis 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
Provides Bayesian statistical modeling to quantify uncertainty in regression and statistical testing through probabilistic frameworks.
Pythondata-sciencedeep-learningmachine-learning - quantopian/pyfolio
quantopian/pyfolio
6,333GitHub पर देखेंPortfolio and risk analytics in Python
Models portfolio return distributions with Bayesian statistics to quantify uncertainty in performance metrics.
Jupyter Notebook - susanli2016/machine-learning-with-python
susanli2016/Machine-Learning-with-Python
4,583GitHub पर देखेंयह प्रोजेक्ट एक Python मशीन लर्निंग लाइब्रेरी और डेटा साइंस टूलकिट है जिसे प्रेडिक्टिव मॉडल्स बनाने और जटिल डेटासेट का विश्लेषण करने के लिए डिज़ाइन किया गया है। यह Scikit-Learn फ्रेमवर्क का उपयोग करके सामान्य सुपरवाइज्ड और अनसुपरवाइज्ड एल्गोरिदम के लिए कार्यान्वयन का एक संग्रह प्रदान करती है। टूलकिट में ऐतिहासिक डेटा से भविष्यवाणियां उत्पन्न करने के लिए एक प्रेडिक्टिव मॉडलिंग सूट और बायेसियन मॉडलिंग और कार्य-कारण परीक्षण लागू करने के लिए एक सांख्यिकीय विश्लेषण फ्रेमवर्क शामिल है। इसमें क्लासिफायर सीमाओं और डेटा रुझानों की व्याख्या करने के लिए स्टैटिक चार्ट और ग्राफ रेंडर करने के लिए Matplotlib पर आधारित एक डेटा विज़ुअलाइज़ेशन सूट भी शामिल है। प्रोजेक्ट पैटर्न और सेगमेंट की पहचान करने के लिए डेटा क्लस्टरिंग वर्कफ़्लो, खोजपूर्ण डेटा विश्लेषण, और Pandas और NumPy का उपयोग करके डेटा की प्रीप्रोसेसिंग को कवर करता है।
Applies Bayesian modeling and causality tests to extract insights and identify relationships in complex datasets.
Jupyter Notebook - tensorflow/probability
tensorflow/probability
4,420GitHub पर देखेंTensorFlow 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
Constructs hierarchical probabilistic models to share statistical strength across interdependent variables and data groups.
Jupyter Notebook - rmcelreath/stat_rethinking_2022
rmcelreath/stat_rethinking_2022
4,103GitHub पर देखेंयह प्रोजेक्ट बेयसियन सांख्यिकी कोर्सवेयर और शैक्षिक संसाधनों का एक संग्रह है। यह बेयसियन डेटा विश्लेषण और कारण मॉडलिंग (causal modeling) सीखने के लिए डिज़ाइन की गई निर्देशात्मक सामग्री, समस्या सेट और समाधान प्रदान करता है। रिपॉजिटरी में सांख्यिकीय डेटा विज़ुअलाइज़ेशन स्क्रिप्ट्स का एक सुइट शामिल है जिसका उपयोग निर्देशात्मक एनिमेशन और प्लॉट बनाने के लिए किया जाता है। इसमें कोड उदाहरण भी शामिल हैं जो विभिन्न कम्प्यूटेशनल दृष्टिकोणों को प्रदर्शित करने के लिए कई प्रोग्रामिंग भाषाओं में बेयसियन मॉडलिंग और सर्वाइवल विश्लेषण को लागू करते हैं। सामग्री सांख्यिकीय क्षमताओं की एक श्रृंखला को कवर करती है, जिसमें उपचार प्रभावों का मूल्यांकन करने के लिए कारण अनुमान (causal inference) और जनसंख्या प्रतिनिधित्व के लिए नमूना डेटा को समायोजित करने के लिए पोस्ट-स्ट्रेटिफिकेशन वेटिंग शामिल है। अन्य कवर किए गए क्षेत्रों में घटना की अवधि को मॉडलिंग करने के लिए सर्वाइवल विश्लेषण और क्यूरेटेड सांख्यिकीय पैकेजों का अनुप्रयोग शामिल है।
Provides Bayesian model implementations across multiple programming languages to demonstrate various computational approaches.
R - aloctavodia/statistical-rethinking-with-python-and-pymc3
aloctavodia/Statistical-Rethinking-with-Python-and-PyMC3
यह रिपॉजिटरी बायेसियन सांख्यिकीय मॉडलिंग के लिए एक शैक्षिक संसाधन के रूप में कार्य करती है, जो निर्देशात्मक उदाहरणों का एक संग्रह प्रदान करती है जो सैद्धांतिक अवधारणाओं को निष्पादन योग्य Python कोड में अनुवादित करती है। यह सांख्यिकीय अनुमान और पैरामीटर अनुमान करने के लिए एक कम्प्यूटेशनल फ्रेमवर्क के रूप में कार्य करता है, जिसे उपयोगकर्ताओं को इंटरैक्टिव डॉक्यूमेंटेशन के माध्यम से संभाव्य प्रोग्रामिंग तकनीकों को सीखने और लागू करने में मदद करने के लिए डिज़ाइन किया गया है। यह प्रोजेक्ट सांख्यिकीय मॉडलों को निर्देशित एसाइक्लिक ग्राफ़ के रूप में परिभाषित करने के लिए एक संभाव्य प्रोग्रामिंग फ्रेमवर्क का उपयोग करता है, जो उन्नत सैंपलिंग एल्गोरिदम के माध्यम से स्वचालित अनुमान को सक्षम करता है। हैमिल्टनियन मोंटे कार्लो सैंपलिंग और स्वचालित विभेदन का लाभ उठाकर, मॉडल पोस्टीरियर नमूने उत्पन्न करने के लिए उच्च-आयामी संभाव्यता वितरण का पता लगाते हैं। कार्यान्वयन डेटासेट में जटिल गणितीय ऑपरेशंस को एक साथ संभालने के लिए वेक्टरकृत ऐरे कंप्यूटेशन पर निर्भर करता है। संग्रह वैज्ञानिक डेटा विश्लेषण कार्यों की एक विस्तृत श्रृंखला को कवर करता है, जिसमें बायेसियन पदानुक्रमित मॉडल का निर्माण शामिल है जो समूहों में जानकारी साझा करने की अनुमति देता है। ये उदाहरण एक कम्प्यूटेशनल नोटबुक वातावरण के भीतर व्यवस्थित हैं, जो सांख्यिकीय परिकल्पनाओं के निर्माण, परीक्षण और सत्यापन की इटरेशन प्रक्रिया को डॉक्यूमेंट करने के लिए कोड के साथ कथा टेक्स्ट को इंटरलीव करते हैं।
Structures statistical parameters in nested layers to allow information sharing across groups and improve overall estimation accuracy.
Jupyter Notebookbayesian-data-analysisdata-sciencepymc
