Ինչ է պրոբաբիլիստիկ ծրագրավորումը (PyMC, Stan, NumPyro)?

Հավանականային ծրագրավորումը՝ դա ծրագրավորման մոտեցում է, որը թույլ է տալիս նկարագրել վիճակագրական մոդելներ և ավտոմատ կերպով կատարել ենթադրություններ պարամետրերի հավանականության բաշխումների մասին տվյալների հիման վրա: Ֆրեյմվորկերը, ինչպիսիք են PyMC, Stan, NumPyro, առաջարկում են գործիքներ անորոշությունների հետ մոդելներ սահմանելու և բայեսյան ենթադրություններ կատարելու համար:

Հիմնական գաղափարը այն է, որ մոդելի պարամետրերի համար հաստատված արժեքների փոխարեն նշանակվում են հավանականության բաշխումներ, և ապա, օգտագործելով MCMC (Markov Chain Monte Carlo) կամ վարիացիոն մեթոդներ, հաշվարկվում են պարամետրերի հետին բաշխումները:

Սա հատկապես օգտակար է այն խնդիրներում, որտեղ կարևոր է հաշվի առնել անորոշությունը, օրինակ՝ բայեսյան օպտիմիզացիայում (BO), Գաուսյան պրոցեսներում (GP) և այլ մեքենայական ուսուցման ոլորտներում:

Օրինակ՝ PyMC-ում կարելի է սահմանել մոդել նորմալ բաշխմամբ պարամետրի համար և դիտարկվող տվյալներով, և ապա ստանալ պարամետրի բաշխումը:

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'])

Այսպիսով, հավանականային ծրագրավորումը պարզեցնում է բարդ վիճակագրական մոդելների կառուցումը և անորոշությունը հաշվի առնելով՝ արդյունքների ստացումը։