スキル pymc-bayesian-modeling
📦

pymc-bayesian-modeling

コンテンツリビジョン r2 中リスク 📁 ファイルシステムへのアクセス⚙️ 外部コマンド

بناء نماذج بايزية باستخدام PyMC

تتطلب النمذجة البايزية توزيعات قبلية دقيقة، وتشخيصات، وفحوصات للنموذج. توجه هذه المهارة سير عمل PyMC من إعداد النموذج إلى التحقق من التوزيع اللاحق والمقارنة.

対応: Claude Codex Code(CC)
Maintain this Skill? Claim it 📊 76 十分

自分のエージェントでインストール

このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。

エージェントリクエスト
Review the Skillstore skill "pymc-bayesian-modeling" from https://skillstore.io/skills/davila7-pymc-bayesian-modeling.md and its manifest at https://skillstore.io/api/skills/davila7-pymc-bayesian-modeling/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。

エージェントが読めるリソース

AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。

テストする

「pymc-bayesian-modeling」を使用しています。 لدى مستخدم ملاحظات مجمعة ويريد تجميعًا جزئيًا حسب المجموعة.

期待される結果:

  • أوصت بنموذج هرمي يتضمن مقاطع اعتراض على مستوى المجموعة وإعادة صياغة معلمية غير متمركزة.
  • حددت فحوص التنبؤ القبلي قبل أخذ العينات.
  • سردت التشخيصات المطلوب التحقق منها قبل تفسير تأثيرات المجموعة.

「pymc-bayesian-modeling」を使用しています。 لدى مستخدم عدة نماذج ملائمة ويريد اختيار أحدها.

期待される結果:

  • اقترحت مقارنة LOO مع تفعيل لوغاريتم دالة الاحتمال.
  • شرحت كيفية فحص تحذيرات Pareto-k.
  • أوصت بمتوسط النماذج عندما تكون الفروق صغيرة مقارنة بعدم اليقين.

「pymc-bayesian-modeling」を使用しています。 يرى مستخدم تباعدات وحجم عينة فعالًا منخفضًا بعد أخذ العينات.

期待される結果:

  • شرحت مشكلات هندسة التوزيع اللاحق المحتملة.
  • أوصت برفع target_accept، واستخدام توزيعات قبلية أقوى، وإعادة الصياغة المعلمية.
  • اقترحت إعادة تشغيل التشخيصات قبل الإبلاغ عن النتائج.

セキュリティ監査

中リスク

All 110 static findings are false positives caused by Markdown formatting, dictionary keys, or Bayesian terminology. No command execution or reconnaissance behavior was found, but the documented pickle.load example creates a medium-risk unsafe deserialization concern.

8
スキャンされたファイル
3,155
解析済み行数
0
レビュー項目
0
誤検知を無視

確認済みのセキュリティ上の懸念 (1)

中
Unsafe pickle deserialization guidance
The workflow recommends pickle.load without warning that pickle can execute code. A replaced or untrusted model.pkl file could run arbitrary Python during loading.
The cited lines directly deserialize a local pickle file with pickle.load and provide no trust or integrity check.
監査者: codex 監査履歴を表示 →
このレポートを共有・引用

バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。

バージョン別レポートを開く
セキュリティ評価

レポートリンクをコピー

https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdownバッジ

[![Skillstore security assessment](https://skillstore.io/badges/skills/davila7-pymc-bayesian-modeling/security.svg)](https://skillstore.io/skills/davila7-pymc-bayesian-modeling?utm_source=security_passport_badge)

HTMLバッジ

<a href="https://skillstore.io/skills/davila7-pymc-bayesian-modeling?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-pymc-bayesian-modeling/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

埋め込みカード

<iframe src="https://skillstore.io/embed/skills/davila7-pymc-bayesian-modeling.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>
学術引用 (APA · BibTeX · CFF)

APA形式の引用

davila7. (2026). pymc-bayesian-modeling security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9

BibTeX形式の引用

@techreport{davila7-davila7-pymc-bayesian-modeling-2026, author = {davila7}, title = {pymc-bayesian-modeling security audit report (audit version 9)}, institution = {Skillstore}, year = {2026}, number = {9}, url = {https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9}, note = {Author version unspecified} }

CITATION.cff

cff-version: 1.2.0 message: "If you use this Skill, cite its author and this versioned security audit report." title: "pymc-bayesian-modeling security audit report (audit version 9)" version: "unspecified" type: report authors: - name: "davila7" date-released: "2026-07-23" url: "https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9" identifiers: - type: other value: "skillstore:davila7-pymc-bayesian-modeling:audit:9" description: "Skillstore immutable audit report identifier"

バリアントを比較

インストール可能なバリアント 2 件

各作者のスキルは個別のインストール項目として維持されます。推奨バリアントは Skillstore の証拠で順位付けされます。

このバリアントが首位の理由

Skillstore スコアが最高
davila7 推奨 現在

davila7-pymc-bayesian-modeling

Skillstore スコア 76
証拠の信頼度 高
Skillstore 利用状況 18
更新済み

2026-09-09

k-dense-ai-pymc-bayesian-modeling

Skillstore スコア 75
証拠の信頼度 高
Skillstore 利用状況 20
更新済み

2026-09-09

Skillstore スコア

このスコアの理由 証拠の信頼度: 高
82
アーキテクチャ
85
保守性
87
コンテンツ
70
コミュニティ
78
仕様準拠

作成できるもの

تصميم نموذج انحدار بايزي

أنشئ نموذج انحدار في PyMC باستخدام توزيعات قبلية مناسبة، ومتنبئات موحدة، وإعدادات أخذ العينات، وفحوص التوزيع اللاحق.

تشخيص مشكلات أخذ العينات

راجع R-hat وESS والتباعدات وعمق الشجرة ومخططات الأثر لتقرر كيفية تحسين النموذج.

مقارنة النماذج المرشحة

استخدم LOO وWAIC وتشخيصات Pareto-k ومتوسطات النماذج لمقارنة النماذج البايزية بمسؤولية.

これらのプロンプトを試す

بدء نموذج PyMC
ساعدني في تصميم نموذج PyMC لمجموعة البيانات هذه. حدد الناتج، والمتنبئات، ودالة الاحتمال المرجحة، والتوزيعات القبلية المفيدة، وخطوات إعداد البيانات المطلوبة.
اختيار التوزيعات القبلية
راجع متغيرات النموذج هذه واقترح توزيعات قبلية ضعيفة المعلومات. اشرح سبب ملاءمة كل توزيع قبلي وما فحوص التنبؤ القبلي التي ينبغي أن أجريها.
إصلاح تشخيصات أخذ العينات
فسر تشخيصات PyMC هذه واقترح تغييرات. ركز على التباعدات وR-hat وESS وعمق الشجرة وإعادة الصياغة المعلمية وإعدادات target_accept.
مقارنة النماذج البايزية
قارن نماذج PyMC المرشحة هذه باستخدام LOO أو WAIC. اشرح موثوقية Pareto-k وعدم اليقين في الفروق وما إذا كان متوسط النماذج مناسبًا.

ベストプラクティス

  • شغل فحوص التنبؤ القبلي قبل ملاءمة النموذج.
  • تحقق من R-hat وESS والتباعدات وملاءمة التنبؤ اللاحق قبل التفسير.
  • استخدم أبعادًا مسماة، وبذورًا عشوائية ثابتة، وتوزيعات قبلية موثقة من أجل سير عمل قابل لإعادة الإنتاج.

回避

  • لا تفسر ملخصات التوزيع اللاحق قبل فحص تشخيصات أخذ العينات.
  • لا تستخدم توزيعات قبلية مسطحة عندما تكون التوزيعات القبلية ضعيفة المعلومات متاحة.
  • لا تقارن النماذج باستخدام LOO أو WAIC إلا إذا كانت قيم لوغاريتم دالة الاحتمال متاحة وموثوقة.

よくある質問

هل تشغل هذه المهارة نماذج PyMC نيابة عني؟
توفر إرشادات وقوالب وسكربتات مساعدة. لا يزال المستخدم بحاجة إلى بيئة Python تحتوي على الحزم المطلوبة.
ما إصدار PyMC الذي تستهدفه؟
تستهدف الإرشادات API الحديث في PyMC 5.x والتشخيصات المستندة إلى ArviZ.
هل يمكنها المساعدة في النماذج الهرمية؟
نعم. تتضمن إرشادات للنماذج الهرمية غير المتمركزة وقالبًا هرميًا قابلًا لإعادة الاستخدام.
هل يمكنها مقارنة عدة نماذج بايزية؟
نعم. تشرح LOO وWAIC وفحوص موثوقية Pareto-k ومتوسطات النماذج.
هل تغني عن المراجعة الإحصائية؟
لا. إنها تدعم تصميم سير العمل والتشخيصات، لكن ينبغي للمستخدمين مع ذلك التحقق من الافتراضات وملاءمة المجال.
هل حفظ النماذج باستخدام pickle آمن؟
فقط للملفات المحلية الموثوقة. ينبغي ألا يحمّل المستخدمون ملفات pickle من مصادر غير موثوقة.

開発者情報

作成者

davila7

ライセンス

MIT

Skillstore リビジョン

r2

バージョンに関する注意

作者はバージョンを宣言していません。

参照

c43861a65bb95efcae259cd161c9d6f4dc7eec6f

メンテナンスの新しさ

2026/7/29

利用状況

11 ダウンロード · 210 閲覧