Mi az a valószínűségi programozás (PyMC, Stan, NumPyro)?

Valószínűségi programozás egy olyan megközelítés a programozásban, amely lehetővé teszi statisztikai modellek leírását és automatikus következtetések végrehajtását a paraméterek valószínűségi eloszlásairól az adatok alapján. Olyan keretrendszerek, mint a PyMC, Stan, NumPyro, eszközöket kínálnak a bizonytalanságokat tartalmazó modellek meghatározására és a bayesi következtetések végrehajtására.

A fő ötlet az, hogy a modell paramétereinek rögzített értékei helyett valószínűségi eloszlásokat rendelünk hozzá, majd olyan módszerekkel, mint az MCMC (Markov Chain Monte Carlo) vagy variációs módszerek, kiszámítjuk a paraméterek utólagos eloszlásait.

Ez különösen hasznos olyan feladatokban, ahol fontos figyelembe venni a bizonytalanságot, például bayesi optimalizációban (BO), Gauss-folyamatokban (GP) és más gépi tanulási területeken.

Példa: a PyMC-ben egy normális eloszlással definiálhatunk egy paramétert és megfigyelt adatokat, majd megkaphatjuk a paraméter eloszlását:

import pymc as pm
import numpy as np

with pm.Model() as model:
    mu = pm.Normal('mu', mu=0, sigma=1)
    obs = pm.Normal('obs', mu=mu, sigma=1, observed=np.array([1.0, 2.0, 1.5]))
    trace = pm.sample()

pm.plot_posterior(trace, var_names=['mu'])

Így a valószínűségi programozás leegyszerűsíti összetett statisztikai modellek felépítését és a bizonytalanság figyelembevételével történő következtetések levonását.