ml-pen-and-paper-exercises项目提供机器学习笔算练习题及解答，内容包括线性代数、优化、图模型和推断等主题。习题配有详细解析，适用于自学和教学。项目涵盖隐马尔可夫模型推断、变分推断和蒙特卡洛积分等专业内容。练习集在arXiv发布PDF版本，GitHub仓库开源代码。项目使用知识共享协议，支持学习和贡献。

Bayesian-Torch是PyTorch的扩展库，用于在深度学习模型中实现贝叶斯推理和不确定性估计。它提供贝叶斯层，支持将确定性神经网络转换为贝叶斯形式。库包含变分推理、MOPED、量化和AvUC损失等功能，适用于不确定性感知应用。研究人员和开发者可利用Bayesian-Torch构建更可靠、可解释的AI模型。

PyMC是一个Python贝叶斯统计建模框架,专注于高级马尔可夫链蒙特卡洛和变分推断算法。它提供直观的模型语法、强大的采样算法和推断功能,可处理复杂模型。PyMC利用PyTensor优化计算,支持缺失值处理,并提供丰富的示例资源。作为一个灵活的概率编程工具,PyMC适用于广泛的统计建模任务。