pymc-bayesian-modeling

Umiejętność do probabilistycznego programowania z biblioteką PyMC. Konstruujesz modele bayesowskie (regresja liniowa, hierarchiczne, szeregi czasowe), przeprowadzasz próbkowanie MCMC algorytmem NUTS, wnioskowanie wariacyjne, diagnostykę zbieżności oraz porównanie modeli za pomocą kryteriów informacyjnych LOO i WAIC. Obsługujesz brakujące dane, błędy pomiaru i kwantyfikację niepewności metodami bayesowskimi.

1. Przygotuj dane: załaduj predyktory (X) i wyniki (y), następnie standaryzuj zmienne ciągłe odejmując średnią i dzieląc przez odchylenie standardowe — to poprawia efektywność próbkowania. 2. Zdefiniuj współrzędne modelu używając słownika coords z nazwami wymiarów (np. 'predictors', 'obs_id'), co ułatwia śledzenie zmiennych. 3. Zbuduj model w kontekście pm.Model(), deklarując rozkłady a priori dla parametrów (np. pm.Normal dla współczynników) oraz rozkład obserwacji (likelihood). 4. Dopasuj model do danych metodą pm.sample() dla MCMC (domyślnie NUTS) lub pm.fit() dla wnioskowania wariacyjnego, dostosowując liczbę iteracji i łańcuchów. 5. Przeprowadź diagnostykę: sprawdź zbieżność za pomocą az.summary(), wizualizuj próbki, sprawdzaj dywergencje i efektywną wielkość próby (ESS). 6. Porównaj modele (jeśli masz wiele kandydatów) obliczając LOO lub WAIC za pomocą az.loo() i az.waic(), a następnie az.compare() — wybierz model z najniższym ELPD.