← ベイズ統計 一覧

🎓 第9章：確率的プログラミング

第9章 確率的プログラミング

第4章で手実装した MCMC、第6章の変分、第7章のラプラス近似——これらを、PPL（確率的プログラミング言語）はモデルを宣言するだけで自動化します。本章は PyMC を使い、「モデル記述 → 推論 → 診断」の実務ワークフローを、第2〜8章の数理が裏で動いていることを確かめながら習得します。

⚠️ 要最新確認：PPL の API は速く変わります。本章は PyMC 6.0.1 / ArviZ 1.2.0 で実行検証。Windows の並列サンプリングは cores=1 推奨（または if __name__=="__main__": ガード）。

トピック一覧

1. 確率的プログラミング概観 — 標準
2. モデル記述から推論まで — 標準
3. 診断とトラブルシュート — 標準

この章の骨格

• PPL 概観：生成モデルを宣言 → NUTS が自動推論 → ArviZ で診断。PyMC の事後が第2章の閉形式と一致。
• ワークフロー：事前 → 事前予測 → サンプリング → 事後 → 事後予測の5段。回帰を宣言で書いて真値回収。
• 診断・対処：発散・$\hat R$・ESS の警告サイン。漏斗は非中心化で発散ゼロに。target_accept・弱情報事前も。

関連章

• 第4章 第4章 MCMC 目次 — PPL が自動化する MCMC の中身
• 第5章 階層モデルの実例と再パラメータ化 — 非中心化（診断の処方）
• 第7章 第7章 ベイズ回帰とGLM 目次 — 宣言で書く回帰
• 第8章 第8章 モデル評価と選択 目次 — ワークフローの評価段
• 機械学習：オートエンコーダとVAE（VAE も確率的プログラムの一種）

上位ハブ

• ベイズ統計テキスト 全体目次