संभाव्य प्रोग्रामिंग: Difference between revisions

From Vigyanwiki
(Created page with "{{Use mdy dates|date=September 2015}} {{primary sources|date=December 2014}} {{Programming paradigms}} संभाव्य प्रोग्रामिंग (पीप...")
 
No edit summary
Line 1: Line 1:
{{Use mdy dates|date=September 2015}}
 
{{primary sources|date=December 2014}}
{{Programming paradigms}}
{{Programming paradigms}}


संभाव्य प्रोग्रामिंग (पीपी) एक [[प्रोग्रामिंग प्रतिमान]] है जिसमें [[संभाव्य मॉडल]] निर्दिष्ट किए जाते हैं और इन मॉडलों के लिए अनुमान स्वचालित रूप से किया जाता है।<ref name=physorg>{{cite news
संभाव्य प्रोग्रामिंग (पीपी) [[प्रोग्रामिंग प्रतिमान]] है जिसमें [[संभाव्य मॉडल]] निर्दिष्ट किए जाते हैं और इन मॉडलों के लिए अनुमान स्वचालित रूप से किया जाता है।<ref name=physorg>{{cite news
  | url=http://phys.org/news/2015-04-probabilistic-lines-code-thousands.html
  | url=http://phys.org/news/2015-04-probabilistic-lines-code-thousands.html
  | title=Probabilistic programming does in 50 lines of code what used to take thousands
  | title=Probabilistic programming does in 50 lines of code what used to take thousands
Line 24: Line 23:


== संभाव्य प्रोग्रामिंग भाषाएँ ==
== संभाव्य प्रोग्रामिंग भाषाएँ ==
पीपीएल अक्सर मूल भाषा से विस्तारित होते हैं। अंतर्निहित बुनियादी भाषा का चुनाव मूल भाषा के [[ऑन्टोलॉजी (सूचना विज्ञान)]] के मॉडल की समानता के साथ-साथ व्यावसायिक विचारों और व्यक्तिगत पसंद पर निर्भर करता है। उदाहरण के तौर पर डिंपल<ref name="DMPL"/>और चिंपल<ref name="CHMPL"/>[[जावा (प्रोग्रामिंग भाषा)]] पर आधारित हैं, Infer.NET .NET फ्रेमवर्क पर आधारित है,<ref name="INFET"/>जबकि PRISM [[प्रोलॉग]] से विस्तारित है।<ref name="PRISM"/>हालाँकि, [[WinBUGS]] जैसे कुछ PPLs एक स्व-निहित भाषा की पेशकश करते हैं, जो सांख्यिकीय मॉडलों के गणितीय प्रतिनिधित्व को बारीकी से मैप करता है, जिसका किसी अन्य प्रोग्रामिंग भाषा में कोई स्पष्ट मूल नहीं है।<ref name="BUGS"/><ref name="Stan"/>  
पीपीएल अक्सर मूल भाषा से विस्तारित होते हैं। अंतर्निहित बुनियादी भाषा का चुनाव मूल भाषा के [[ऑन्टोलॉजी (सूचना विज्ञान)]] के मॉडल की समानता के साथ-साथ व्यावसायिक विचारों और व्यक्तिगत पसंद पर निर्भर करता है। उदाहरण के तौर पर डिंपल<ref name="DMPL"/>और चिंपल<ref name="CHMPL"/>[[जावा (प्रोग्रामिंग भाषा)]] पर आधारित हैं, Infer.NET .NET फ्रेमवर्क पर आधारित है,<ref name="INFET"/>जबकि PRISM [[प्रोलॉग]] से विस्तारित है।<ref name="PRISM"/>हालाँकि, [[WinBUGS]] जैसे कुछ PPLs स्व-निहित भाषा की पेशकश करते हैं, जो सांख्यिकीय मॉडलों के गणितीय प्रतिनिधित्व को बारीकी से मैप करता है, जिसका किसी अन्य प्रोग्रामिंग भाषा में कोई स्पष्ट मूल नहीं है।<ref name="BUGS"/><ref name="Stan"/>  
गिब्स सैंपलिंग (और संबंधित एल्गोरिदम) का उपयोग करके बायेसियन गणना करने के लिए WinBUGS की भाषा लागू की गई थी। यद्यपि इसे अपेक्षाकृत पुरानी प्रोग्रामिंग भाषा (पास्कल) में लागू किया गया है, यह भाषा लचीले कम्प्यूटेशनल दृष्टिकोण का उपयोग करके विभिन्न प्रकार के सांख्यिकीय मॉडल के लिए बायेसियन अनुमान की अनुमति देती है। स्टैंडअलोन पैकेज WinBUGS (या संबंधित R पैकेज, rbugs और r2winbugs) और JAGS (जस्ट अदर गिब्स सैम्पलर, अन्य R) का उपयोग करके अलग-अलग कम्प्यूटेशनल विकल्पों (सैंपलर) और कन्वेंशन या डिफॉल्ट के माध्यम से अनुमान लगाने के लिए बायेसियन मॉडल को निर्दिष्ट करने के लिए एक ही BUGS भाषा का उपयोग किया जा सकता है। पैकेट)। हाल ही में, बायेसियन मॉडल विनिर्देश और अनुमान का समर्थन करने वाली अन्य भाषाएं अंतर्निहित बायेसियन गणना के लिए अलग या अधिक कुशल विकल्पों की अनुमति देती हैं, और आर डेटा विश्लेषण और प्रोग्रामिंग वातावरण से पहुंच योग्य हैं, उदाहरण के लिए: [[स्टेन (सॉफ्टवेयर)]], निम्बल और एनयूटीएस। BUGS भाषा का प्रभाव इन बाद की भाषाओं में स्पष्ट है, जो मॉडल विनिर्देश के कुछ पहलुओं के लिए समान वाक्यविन्यास का भी उपयोग करते हैं।
गिब्स सैंपलिंग (और संबंधित एल्गोरिदम) का उपयोग करके बायेसियन गणना करने के लिए WinBUGS की भाषा लागू की गई थी। यद्यपि इसे अपेक्षाकृत पुरानी प्रोग्रामिंग भाषा (पास्कल) में लागू किया गया है, यह भाषा लचीले कम्प्यूटेशनल दृष्टिकोण का उपयोग करके विभिन्न प्रकार के सांख्यिकीय मॉडल के लिए बायेसियन अनुमान की अनुमति देती है। स्टैंडअलोन पैकेज WinBUGS (या संबंधित R पैकेज, rbugs और r2winbugs) और JAGS (जस्ट अदर गिब्स सैम्पलर, अन्य R) का उपयोग करके अलग-अलग कम्प्यूटेशनल विकल्पों (सैंपलर) और कन्वेंशन या डिफॉल्ट के माध्यम से अनुमान लगाने के लिए बायेसियन मॉडल को निर्दिष्ट करने के लिए ही BUGS भाषा का उपयोग किया जा सकता है। पैकेट)। हाल ही में, बायेसियन मॉडल विनिर्देश और अनुमान का समर्थन करने वाली अन्य भाषाएं अंतर्निहित बायेसियन गणना के लिए अलग या अधिक कुशल विकल्पों की अनुमति देती हैं, और आर डेटा विश्लेषण और प्रोग्रामिंग वातावरण से पहुंच योग्य हैं, उदाहरण के लिए: [[स्टेन (सॉफ्टवेयर)]], निम्बल और एनयूटीएस। BUGS भाषा का प्रभाव इन बाद की भाषाओं में स्पष्ट है, जो मॉडल विनिर्देश के कुछ पहलुओं के लिए समान वाक्यविन्यास का भी उपयोग करते हैं।


कई पीपीएल सक्रिय विकास में हैं, जिनमें कुछ बीटा परीक्षण में हैं। दो लोकप्रिय उपकरण स्टेन और [[PyMC]] हैं।<ref>{{Cite web|url=http://blog.fastforwardlabs.com/2017/01/30/the-algorithms-behind-probabilistic-programming.html|title=संभाव्य प्रोग्रामिंग के पीछे एल्गोरिदम|access-date=2017-03-10}}</ref>
कई पीपीएल सक्रिय विकास में हैं, जिनमें कुछ बीटा परीक्षण में हैं। दो लोकप्रिय उपकरण स्टेन और [[PyMC]] हैं।<ref>{{Cite web|url=http://blog.fastforwardlabs.com/2017/01/30/the-algorithms-behind-probabilistic-programming.html|title=संभाव्य प्रोग्रामिंग के पीछे एल्गोरिदम|access-date=2017-03-10}}</ref>
Line 31: Line 30:


=== संबंधपरक ===
=== संबंधपरक ===
एक संभाव्य संबंधपरक प्रोग्रामिंग भाषा (पीआरपीएल) एक पीपीएल है जिसे विशेष रूप से [[संभाव्य संबंधपरक मॉडल]] (पीआरएम) का वर्णन और अनुमान लगाने के लिए डिज़ाइन किया गया है।
एक संभाव्य संबंधपरक प्रोग्रामिंग भाषा (पीआरपीएल) पीपीएल है जिसे विशेष रूप से [[संभाव्य संबंधपरक मॉडल]] (पीआरएम) का वर्णन और अनुमान लगाने के लिए डिज़ाइन किया गया है।


एक पीआरएम आमतौर पर संबंधित वितरणों को कम करने, अनुमान लगाने और खोज के लिए एल्गोरिदम के एक सेट के साथ विकसित किया जाता है, जो संबंधित पीआरपीएल में एम्बेडेड होते हैं।
एक पीआरएम आमतौर पर संबंधित वितरणों को कम करने, अनुमान लगाने और खोज के लिए एल्गोरिदम के सेट के साथ विकसित किया जाता है, जो संबंधित पीआरपीएल में एम्बेडेड होते हैं।


=== संभाव्य प्रोग्रामिंग भाषाओं की सूची ===
=== संभाव्य प्रोग्रामिंग भाषाओं की सूची ===
यह सूची वर्तमान में उपलब्ध लोगों की विविधता का सारांश प्रस्तुत करती है, और उनकी उत्पत्ति को स्पष्ट करती है।{{Overly detailed|date=October 2019}}
यह सूची वर्तमान में उपलब्ध लोगों की विविधता का सारांश प्रस्तुत करती है, और उनकी उत्पत्ति को स्पष्ट करती है।
 
{| class="wikitable sortable"
{| class="wikitable sortable"
|-
|-

Revision as of 12:37, 15 July 2023

संभाव्य प्रोग्रामिंग (पीपी) प्रोग्रामिंग प्रतिमान है जिसमें संभाव्य मॉडल निर्दिष्ट किए जाते हैं और इन मॉडलों के लिए अनुमान स्वचालित रूप से किया जाता है।[1] यह पूर्व को आसान और अधिक व्यापक रूप से लागू करने के लिए संभाव्य मॉडलिंग और पारंपरिक सामान्य प्रयोजन प्रोग्रामिंग को एकीकृत करने के प्रयास का प्रतिनिधित्व करता है।[2][3] इसका उपयोग ऐसी प्रणालियाँ बनाने के लिए किया जा सकता है जो अनिश्चितता की स्थिति में निर्णय लेने में मदद करती हैं।

संभाव्य प्रोग्रामिंग के लिए उपयोग की जाने वाली प्रोग्रामिंग भाषाओं को संभाव्य प्रोग्रामिंग भाषाएं (पीपीएल) कहा जाता है।

अनुप्रयोग

संभाव्य तर्क का उपयोग विभिन्न प्रकार के कार्यों के लिए किया गया है जैसे स्टॉक की कीमतों की भविष्यवाणी करना, फिल्मों की सिफारिश करना, कंप्यूटर का निदान करना, साइबर घुसपैठ का पता लगाना और छवि का पता लगाना।[4] हालाँकि, हाल तक (आंशिक रूप से सीमित कंप्यूटिंग शक्ति के कारण), संभाव्य प्रोग्रामिंग का दायरा सीमित था, और अधिकांश अनुमान एल्गोरिदम को प्रत्येक कार्य के लिए मैन्युअल रूप से लिखना पड़ता था।

फिर भी, 2015 में, उन चेहरों की 2डी छवियों के आधार पर मानव चेहरों के 3डी मॉडल तैयार करने के लिए 50-लाइन संभाव्य कंप्यूटर दृष्टि प्रोग्राम का उपयोग किया गया था। प्रोग्राम ने अपनी अनुमान पद्धति के आधार के रूप में व्युत्क्रम ग्राफिक्स का उपयोग किया, और जूलिया (प्रोग्रामिंग भाषा) में पिक्चर पैकेज का उपयोग करके बनाया गया था।[4]इससे कोड की 50 पंक्तियों में वह संभव हो गया, जिसमें हजारों की आवश्यकता होती थी।[5][6] जनरल (संभाव्य प्रोग्रामिंग) संभाव्य प्रोग्रामिंग लाइब्रेरी (जूलिया में भी लिखी गई) को दृष्टि और रोबोटिक्स कार्यों पर लागू किया गया है।[7] हाल ही में, संभाव्य प्रोग्रामिंग प्रणाली ट्यूरिंग (संभाव्य प्रोग्रामिंग) | ट्यूरिंग.जेएल को विभिन्न फार्मास्युटिकल में लागू किया गया है[8] और अर्थशास्त्र अनुप्रयोग।[9] जूलिया पैकेज Zygote.jl को Turing.jl के साथ जोड़कर जूलिया में संभाव्य प्रोग्रामिंग को अलग-अलग प्रोग्रामिंग के साथ भी जोड़ा गया है। [10] अनुभूति के मॉडल को विकसित करने और मूल्यांकन करने के लिए बायेसियन संज्ञानात्मक विज्ञान में संभाव्य प्रोग्रामिंग भाषाओं का भी आमतौर पर उपयोग किया जाता है। [11]


संभाव्य प्रोग्रामिंग भाषाएँ

पीपीएल अक्सर मूल भाषा से विस्तारित होते हैं। अंतर्निहित बुनियादी भाषा का चुनाव मूल भाषा के ऑन्टोलॉजी (सूचना विज्ञान) के मॉडल की समानता के साथ-साथ व्यावसायिक विचारों और व्यक्तिगत पसंद पर निर्भर करता है। उदाहरण के तौर पर डिंपल[12]और चिंपल[13]जावा (प्रोग्रामिंग भाषा) पर आधारित हैं, Infer.NET .NET फ्रेमवर्क पर आधारित है,[14]जबकि PRISM प्रोलॉग से विस्तारित है।[15]हालाँकि, WinBUGS जैसे कुछ PPLs स्व-निहित भाषा की पेशकश करते हैं, जो सांख्यिकीय मॉडलों के गणितीय प्रतिनिधित्व को बारीकी से मैप करता है, जिसका किसी अन्य प्रोग्रामिंग भाषा में कोई स्पष्ट मूल नहीं है।[16][17] गिब्स सैंपलिंग (और संबंधित एल्गोरिदम) का उपयोग करके बायेसियन गणना करने के लिए WinBUGS की भाषा लागू की गई थी। यद्यपि इसे अपेक्षाकृत पुरानी प्रोग्रामिंग भाषा (पास्कल) में लागू किया गया है, यह भाषा लचीले कम्प्यूटेशनल दृष्टिकोण का उपयोग करके विभिन्न प्रकार के सांख्यिकीय मॉडल के लिए बायेसियन अनुमान की अनुमति देती है। स्टैंडअलोन पैकेज WinBUGS (या संबंधित R पैकेज, rbugs और r2winbugs) और JAGS (जस्ट अदर गिब्स सैम्पलर, अन्य R) का उपयोग करके अलग-अलग कम्प्यूटेशनल विकल्पों (सैंपलर) और कन्वेंशन या डिफॉल्ट के माध्यम से अनुमान लगाने के लिए बायेसियन मॉडल को निर्दिष्ट करने के लिए ही BUGS भाषा का उपयोग किया जा सकता है। पैकेट)। हाल ही में, बायेसियन मॉडल विनिर्देश और अनुमान का समर्थन करने वाली अन्य भाषाएं अंतर्निहित बायेसियन गणना के लिए अलग या अधिक कुशल विकल्पों की अनुमति देती हैं, और आर डेटा विश्लेषण और प्रोग्रामिंग वातावरण से पहुंच योग्य हैं, उदाहरण के लिए: स्टेन (सॉफ्टवेयर), निम्बल और एनयूटीएस। BUGS भाषा का प्रभाव इन बाद की भाषाओं में स्पष्ट है, जो मॉडल विनिर्देश के कुछ पहलुओं के लिए समान वाक्यविन्यास का भी उपयोग करते हैं।

कई पीपीएल सक्रिय विकास में हैं, जिनमें कुछ बीटा परीक्षण में हैं। दो लोकप्रिय उपकरण स्टेन और PyMC हैं।[18]


संबंधपरक

एक संभाव्य संबंधपरक प्रोग्रामिंग भाषा (पीआरपीएल) पीपीएल है जिसे विशेष रूप से संभाव्य संबंधपरक मॉडल (पीआरएम) का वर्णन और अनुमान लगाने के लिए डिज़ाइन किया गया है।

एक पीआरएम आमतौर पर संबंधित वितरणों को कम करने, अनुमान लगाने और खोज के लिए एल्गोरिदम के सेट के साथ विकसित किया जाता है, जो संबंधित पीआरपीएल में एम्बेडेड होते हैं।

संभाव्य प्रोग्रामिंग भाषाओं की सूची

यह सूची वर्तमान में उपलब्ध लोगों की विविधता का सारांश प्रस्तुत करती है, और उनकी उत्पत्ति को स्पष्ट करती है।

Name Extends from Host language
Analytica[19] C++
bayesloop[20][21] Python Python
Bean Machine[22] PyTorch Python
CuPPL[23] NOVA[24]
Venture[25] Scheme C++
Probabilistic-C[26] C C
Anglican[27] Clojure Clojure
IBAL[28] OCaml
BayesDB[29] SQLite, Python
PRISM[15] B-Prolog
Infer.NET[14] .NET Framework .NET Framework
dimple[12] MATLAB, Java
chimple[13] MATLAB, Java
BLOG[30] Java
diff-SAT[31] Answer set programming, SAT (DIMACS CNF)
PSQL[32] SQL
BUGS[16] Pascal
FACTORIE[33] Scala Scala
PMTK[34] MATLAB MATLAB
Alchemy[35] C++
Dyna[36] Prolog
Figaro[37] Scala Scala
Church[38] Scheme Various: JavaScript, Scheme
ProbLog[39] Prolog Python
ProBT[40] C++, Python
Stan[17] BUGS C++
Hakaru[41] Haskell Haskell
BAli-Phy (software)[42] Haskell C++
ProbCog[43] Java, Python
Gamble[44] Racket
PWhile[45] While Python
Tuffy[46] Java
PyMC[47] Python Python
Rainier[48][49] Scala Scala
greta[50] TensorFlow R
pomegranate[51] Python Python
Lea[52] Python Python
WebPPL[53] JavaScript JavaScript
Let's Chance[54] Scratch JavaScript
Picture[4] Julia Julia
Turing.jl[55] Julia Julia
Gen[56] Julia Julia
Low-level First-order PPL[57] Python, Clojure, Pytorch Various: Python, Clojure
Troll[58] Moscow ML
Edward[59] TensorFlow Python
TensorFlow Probability[60] TensorFlow Python
Edward2[61] TensorFlow Probability Python
Pyro[62] PyTorch Python
NumPyro[63] JAX Python
Saul[64] Scala Scala
RankPL[65] Java
Birch[66] C++
PSI[67] D
Blang[68]


कठिनाई

संभाव्यता वितरण के रूप में चर के बारे में तर्क करना नौसिखिया प्रोग्रामर के लिए कठिनाइयों का कारण बनता है, लेकिन इन कठिनाइयों को बायेसियन नेटवर्क विज़ुअलाइज़ेशन और स्रोत कोड संपादक के भीतर एम्बेडेड चर वितरण के ग्राफ़ के उपयोग के माध्यम से संबोधित किया जा सकता है।[69]


यह भी देखें

टिप्पणियाँ

  1. "Probabilistic programming does in 50 lines of code what used to take thousands". phys.org. April 13, 2015. Retrieved 2015-04-13.
  2. "संभाव्य प्रोग्रामिंग". probabilistic-programming.org. Archived from the original on January 10, 2016. Retrieved December 24, 2013.
  3. Pfeffer, Avrom (2014), Practical Probabilistic Programming, Manning Publications. p.28. ISBN 978-1 6172-9233-0
  4. 4.0 4.1 4.2 "लघु संभाव्य प्रोग्रामिंग मशीन-लर्निंग कोड कंप्यूटर-विज़न कार्यों के लिए जटिल प्रोग्रामों को प्रतिस्थापित करता है". KurzweilAI. April 13, 2015. Retrieved 27 Nov 2017.
  5. Hardesty, Larry (April 13, 2015). "ग्राफ़िक्स उलटे".
  6. "एमआईटी खौफनाक दिमाग बनाने के लिए मशीन-लर्निंग स्क्रिप्ट दिखाता है". The Register.
  7. "एमआईटी का जनरल प्रोग्रामिंग सिस्टम एआई परियोजनाओं के लिए सीखने की प्रक्रिया को समतल करता है". VentureBeat (in English). 2019-06-27. Retrieved 2019-06-27.
  8. Semenova, Elizaveta; Williams, Dominic P.; Afzal, Avid M.; Lazic, Stanley E. (2020-11-01). "विषाक्तता की भविष्यवाणी के लिए एक बायेसियन तंत्रिका नेटवर्क". Computational Toxicology (in English). 16: 100133. doi:10.1016/j.comtox.2020.100133. ISSN 2468-1113. S2CID 225362130.
  9. Williams, Dominic P.; Lazic, Stanley E.; Foster, Alison J.; Semenova, Elizaveta; Morgan, Paul (2020), "Predicting Drug-Induced Liver Injury with Bayesian Machine Learning", Chemical Research in Toxicology, 33 (1): 239–248, doi:10.1021/acs.chemrestox.9b00264, PMID 31535850, S2CID 202689667
  10. Innes, Mike; Edelman, Alan; Fischer, Keno; Rackauckas, Chris; Saba, Elliot; Viral B Shah; Tebbutt, Will (2019), ∂P: A Differentiable Programming System to Bridge Machine Learning and Scientific Computing, arXiv:1907.07587
  11. Goodman, Noah D; Tenenbaum, Joshua B; Buchsbaum, Daphna; Hartshorne, Joshua; Hawkins, Robert; O'Donnell, Timothy J; Tessler, Michael Henry. "अनुभूति के संभाव्य मॉडल". अनुभूति के संभाव्य मॉडल- 2nd Edition. Retrieved 27 May 2023.
  12. 12.0 12.1 "Dimple Home Page". analog.com. July 2, 2021.
  13. 13.0 13.1 "Chimple Home Page". analog.com. April 16, 2021.
  14. 14.0 14.1 "Infer.NET". microsoft.com. Microsoft.
  15. 15.0 15.1 "PRISM: PRogramming In Statistical Modeling". rjida.meijo-u.ac.jp. Archived from the original on March 1, 2015. Retrieved July 8, 2015.
  16. 16.0 16.1 "The BUGS Project - MRC Biostatistics Unit". cam.ac.uk. Archived from the original on March 14, 2014. Retrieved January 12, 2011.
  17. 17.0 17.1 "Stan". mc-stan.org. Archived from the original on 2012-09-03.
  18. "संभाव्य प्रोग्रामिंग के पीछे एल्गोरिदम". Retrieved 2017-03-10.
  19. "Analytica-- A Probabilistic Modeling Language". lumina.com.
  20. "bayesloop - Probabilistic programming framework". bayesloop.com.
  21. "GitHub -- bayesloop". GitHub. December 7, 2021.
  22. "Bean Machine - A universal probabilistic programming language to enable fast and accurate Bayesian analysis". beanmachine.org.
  23. "Probabilistic Programming with CuPPL". popl19.sigplan.org.
  24. NOVA: A Functional Language for Data Parallelism. June 9, 2014. pp. 8–13. doi:10.1145/2627373.2627375. ISBN 9781450329378. S2CID 6748967. {{cite book}}: |work= ignored (help)
  25. "Venture -- a general-purpose probabilistic programming platform". mit.edu. Archived from the original on January 25, 2016. Retrieved September 20, 2014.
  26. "Probabilistic C". ox.ac.uk. Archived from the original on January 4, 2016. Retrieved March 24, 2015.
  27. "The Anglican Probabilistic Programming System". ox.ac.uk. January 6, 2021.
  28. "IBAL Home Page". Archived from the original on December 26, 2010.
  29. "BayesDB on SQLite. A Bayesian database table for querying the probable implications of data as easily as SQL databases query the data itself". GitHub. December 26, 2021.
  30. "Bayesian Logic (BLOG)". mit.edu. Archived from the original on June 16, 2011.
  31. "diff-SAT (probabilistic SAT/ASP)". GitHub. October 8, 2021.
  32. Dey, Debabrata; Sarkar, Sumit (1998). "PSQL: A query language for probabilistic relational data". Data & Knowledge Engineering. 28: 107–120. doi:10.1016/S0169-023X(98)00015-9.
  33. "Factorie - Probabilistic programming with imperatively-defined factor graphs - Google Project Hosting". google.com.
  34. "PMTK3 - probabilistic modeling toolkit for Matlab/Octave, version 3 - Google Project Hosting". google.com.
  35. "Alchemy - Open Source AI". washington.edu.
  36. "Dyna". www.dyna.org. Archived from the original on January 17, 2016. Retrieved January 12, 2011.
  37. "Charles River Analytics - Probabilistic Modeling Services". cra.com. February 9, 2017.
  38. "Church". mit.edu. Archived from the original on January 14, 2016. Retrieved April 8, 2013.
  39. "ProbLog: Probabilistic Programming". dtai.cs.kuleuven.be.
  40. ProbaYes. "ProbaYes - Ensemble, nous valorisations vos données". probayes.com. Archived from the original on March 5, 2016. Retrieved November 26, 2013.
  41. "Hakaru Home Page". hakaru-dev.github.io/.
  42. "BAli-Phy Home Page". bali-phy.org.
  43. "ProbCog". GitHub.
  44. Culpepper, Ryan (January 17, 2017). "gamble: Probabilistic Programming" – via GitHub.
  45. "PWhile Compiler". GitHub. May 25, 2020.
  46. "Tuffy: A Scalable Markov Logic Inference Engine". stanford.edu.
  47. PyMC devs. "PyMC". pymc-devs.github.io.
  48. stripe/rainier, Stripe, 2020-08-19, retrieved 2020-08-26
  49. "Rainier · Bayesian inference for Scala". samplerainier.com. Retrieved 2020-08-26.
  50. "greta: simple and scalable statistical modelling in R". GitHub. Retrieved 2018-10-02.
  51. "Home — pomegranate 0.10.0 documentation". pomegranate.readthedocs.io (in English). Retrieved 2018-10-02.
  52. "Lea Home Page". bitbucket.org.
  53. "WebPPL Home Page". github.com/probmods/webppl.
  54. Let's Chance: Playful Probabilistic Programming for Children | Extended Abstracts of the 2020 CHI Conference on Human Factors in Computing Systems. April 25, 2020. pp. 1–7. doi:10.1145/3334480.3383071. ISBN 9781450368193. S2CID 216079395. Retrieved 2020-08-01. {{cite book}}: |website= ignored (help)
  55. "The Turing language for probabilistic programming". GitHub. December 28, 2021.
  56. "Gen: A General Purpose Probabilistic Programming Language with Programmable Inference". Retrieved 2019-06-17.
  57. "LF-PPL: A Low-Level First Order Probabilistic Programming Language for Non-Differentiable Models". ox.ac.uk. November 2, 2019.
  58. "Troll dice roller and probability calculator". topps.diku.dk.
  59. "Edward – Home". edwardlib.org. Retrieved 2017-01-17.
  60. TensorFlow (2018-04-11). "Introducing TensorFlow Probability". TensorFlow. Retrieved 2018-10-02.
  61. "'Edward2' TensorFlow Probability module". GitHub (in English). Retrieved 2018-10-02.
  62. "Pyro". pyro.ai (in English). Retrieved 2018-02-09.
  63. "NumPyro". pyro.ai (in English). Retrieved 2021-07-23.
  64. "CogComp - Home".
  65. Rienstra, Tjitze (2018-01-18), RankPL: A qualitative probabilistic programming language based on ranking theory, retrieved 2018-01-18
  66. "Probabilistic Programming in Birch". birch-lang.org. Retrieved 2018-04-20.
  67. "PSI Solver - Exact inference for probabilistic programs". psisolver.org. Retrieved 2019-08-18.
  68. "Home". www.stat.ubc.ca.
  69. Gorinova, Maria I.; Sarkar, Advait; Blackwell, Alan F.; Syme, Don (2016-01-01). नौसिखियों के लिए एक जीवंत, बहु-प्रतिनिधित्व संभाव्य प्रोग्रामिंग वातावरण. pp. 2533–2537. doi:10.1145/2858036.2858221. ISBN 9781450333627. S2CID 3201542. {{cite book}}: |journal= ignored (help)


बाहरी संबंध