#байесовская_статистика — Public Fediverse posts

Одна Rust-библиотека вместо шести Python-пакетов — или как я перестала запускать фит и идти за кофе

Кому будет полезно Если вы живёте в Python и одновременно используете statsmodels , lifelines , pyhf , PyMC/BlackJAX , linearmodels (или что‑то похожее). Если вам важны воспроизводимость и понятная валидация численных оптимизаций (особенно в HEP). Если вам интересна архитектура «одно вычислительное ядро → много задач» и практические hot paths (AOT, SIMD, zero‑copy).

https://habr.com/ru/articles/1008048/

#статистический_вывод #байесовская_статистика #высокопроизводительные_вычисления #статистическое_моделирование #физика_высоких_энергий #анализ_данных #likelihoodмодели #cuda #python #rust

Неопределённость как часть модели

Привет, Хабр! Сегодня рассмотрим тему неопределённости в моделях . Классические ML-модели детерминированы: на вход получили – на выход выдали одно число или метку. Но жизнь полна неопределённости , и игнорировать её плохая идея. Представьте, у вас мало данных, модель предсказывает конверсию 15%. Но насколько она уверена? Может, разброс от 5% до 30%. Обычная модель этого не скажет, а вот вероятностная модель скажет. В этой статье в коротком формате разберём, как с помощью байесовского подхода и фреймворка Pyro моделировать такую неопределённость на примере A/B-теста конверсии и заставить модель честно признавать свою неуверенность.

https://habr.com/ru/companies/otus/articles/970398/

#python #ml #байесовская_статистика #вероятностное_программирование #неопределённость_модели #биномиальное_распределение #Pyro