Synthèse automatique
Effectue de l'inférence bayésienne et de la modélisation probabiliste pour des données géospatiales, incluant MCMC, processus gaussiens et modèles hiérarchiques.
Points forts
- Implémente des méthodes MCMC et variationnelles complètes
- Compare les modèles avec LOO, WAIC, DIC
- Supporte les processus gaussiens avec décomposition de Cholesky
- S'intègre à PyMC et TensorFlow Probability
Limites
- Nécessite des connaissances avancées en probabilités
- Peut être coûteux en calcul pour de grands jeux de données
- Les processus gaussiens sont limités à des dimensions modérées
Idéal pour estimer des incertitudes et des paramètres dans des modèles spatiaux complexes avec des données géoréférencées.
À éviter pour des analyses simples ou des données non spatiales, ou quand le temps de calcul est très limité.
Analyse de sécurité
SûrThe skill describes a Bayesian inference library for geospatial data. It includes only import statements, a test command (pytest on a local directory), and no destructive or exfiltration operations. There is no use of curl, shell commands, or disabling of safety measures. The risk is minimal.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Using geo-infer-bayes, fit a Bayesian hierarchical model with partial pooling to the geospatial dataset 'land_use.csv' with priors, run MCMC for 2000 samples, and compute WAIC.Compare a Gaussian process model and a linear Bayesian model on the spatial data using LOO-CV with geo-infer-bayes.name: geo-infer-bayes description: Bayesian inference and probabilistic modeling for geospatial data. Use when building hierarchical models, computing posteriors with PyMC or TFP, performing variational inference, model comparison (LOO/WAIC/DIC), or spatial Gaussian processes. prerequisites: required: - geo-infer-math recommended: - geo-infer-space - geo-infer-data difficulty: advanced estimated_time: 60min examples_dir: ../GEO-INFER-EXAMPLES/examples/
GEO-INFER-BAYES
Instructions
Core Capabilities
- Bayesian inference: Full posterior computation via MCMC and variational methods
- Model comparison: LOO-CV, WAIC, DIC, BIC, AIC (all real implementations)
- Gaussian processes: Cholesky-decomposition GP with multiple kernels
- Hierarchical models: Partial pooling via Cholesky LKJ decomposition
- Prior specification: Jeffreys, reference, unit-information priors
- ELBO computation: Real evidence lower bound (not placeholder)
Key Imports
from geo_infer_bayes.core.bayesian_inference import BayesianModel
from geo_infer_bayes.core.gaussian_process import GaussianProcess
from geo_infer_bayes.core.variational import VariationalInference
from geo_infer_bayes.api.pymc_interface import PyMCInterface
from geo_infer_bayes.api.tfp_interface import TFPInterface
Examples
from geo_infer_bayes.core.bayesian_inference import BayesianModel
model = BayesianModel(prior="normal", likelihood="normal")
posterior = model.fit(data, n_samples=2000)
comparison = model.compare(["model_a", "model_b"], method="loo")
Guidelines
- GP uses Cholesky decomposition (real, not stub)
- TFP interface: real GP + Metropolis-Hastings sampling
- PyMC interface: posterior predictive sampling for predictions
- Variational: real ELBO computation with KL divergence
- Test:
uv run python -m pytest GEO-INFER-BAYES/tests/ -v
Integrations
- ACT → Active Inference belief updating and free energy
- MATH → Spatial statistics feeding Bayesian models
- SPM → Bayesian GLM fitting for parametric maps
- AI → Bayesian hyperparameter optimization
- RISK → Bayesian uncertainty quantification for risk
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/bayesian-inference-for-geospatial-data-mm78nojn/download' --output '.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn/SKILL.md.part' && mv '.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn/SKILL.md.part' '.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn/SKILL.md' && test -s '.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/geo-infer-bayes' && cp -R '.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn' '.claude/skills/geo-infer-bayes'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn'openskills read 'bayesian-inference-for-geospatial-data-mm78nojn'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/bayesian-inference-for-geospatial-data-mm78nojn/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.