PyMC (anteriormente conocido como PyMC3) es un paquete de Python para el modelado estadístico bayesiano y el aprendizaje automático probabilístico. Ofrece varios algoritmos de inferencia principalmente métodos Monte Carlo vía cadena de Markov e Inferencia Variacional.^[1]​^[2]​^[3]​^[4]​^[5]​ PyMC ha sido reescrito desde cero de la versión anterior del software PyMC2.^[6]​ A diferencia de la versión anterior, que usaba extensiones de Fortran para realizar cálculos, PyMC utiliza PyTensor, una biblioteca de Python que permite definir, optimizar y evaluar de manera eficiente expresiones matemáticas que involucran arreglos multidimensionales. A partir de la versión 3.8, PyMC utiliza ArviZ para realizar gráficos, diagnóstico y evaluaciones estadísticas. PyMC y Stan son los dos lenguajes de programación probabilística más populares.^[7]​ PyMC es un proyecto de código abierto, desarrollado por la comunidad y patrocinado fiscalmente NumFOCUS.^[8]​

PyMC se ha utilizado para resolver problemas de inferencia en varios dominios científicos, incluida la astronomía,^[9]​^[10]​ epidemiología,^[11]​^[12]​ biología molecular,^[13]​ cristalografía,^[14]​^[15]​ química,^[16]​ ecología^[17]​^[18]​ y psicología.^[19]​ Las versiones anteriores de PyMC también se usaron ampliamente, por ejemplo, en ciencia del clima,^[20]​ salud pública,^[21]​ neurociencia,^[22]​ y parasitología.^[23]​^[24]​

Desde que Theano anunciara planes para interrumpir su desarrollo en 2017,^[25]​ el equipo de PyMC evaluó TensorFlow Probability como backend computacional,^[26]​ pero decidió en 2020 hacerse cargo del desarrollo de Theano.^[27]​ Gran parte del código base de Theano se ha refactorizado y se ha añadido la compilación a través de JAX^[28]​ y Numba. El equipo de PyMC ha lanzado el backend computacional revisado, con el nombre de PyTensor y continúa con el desarrollo de PyMC.^[29]​

PyMC implementa varios algoritmos de Monte Carlo (MCMC) vía cadena de Markov basados en gradientes y no basados en gradientes para la inferencia Bayesiana y métodos variacionales basados en gradientes.

• Algoritmos basados en MCMC:
  • No-U-Turn Sampler^[30]​ (NUTS) es un tipo de Hamiltonian Monte Carlo, y es el motor predeterminado de PyMC para variables continuas
  • Metropolis–Hastings, el motor predeterminado de PyMC para variables discretas
  • Monte Carlo secuencial (Sequential Monte-Carlo) para posteriores estáticos y para cálculo bayesiano aproximado
• Algoritmos de inferencia variacional:
  • Inferencia variacional de caja negra^[31]​

• Stan es un lenguaje de programación probabilístico para inferencia estadística escrito en C++
• ArviZ una biblioteca de Python para el análisis exploratorio de modelos Bayesianos

• Probabilistic Programming and Bayesian Methods for Hackers
• Computational Statistics in Python

• Sitio web PyMC
• Fuente de PyMC, un repositorio de Git alojado en GitHub
• Symbolic PyMC es un conjunto experimental de herramientas que facilitan la manipulación simbólica sofisticada de los modelos PyMC.