21993_it-IT
DOE e creazione di modelli migliori: tutorial e diapositive di presentazione<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Tutorial e presentazioni: (questi documenti sono disponibili per il download in fondo alla pagina.)
Costruire modelli migliori – Tutorial 597
Attraverso una serie di casi di studio, imparerai a costruire modelli migliori e più utili con tecniche avanzate di modellazione predittiva, come regressione, reti neurali e alberi decisionali. Imparerai a suddividere i dati in set di training, convalida (ottimizzazione) e test per evitare un adattamento eccessivo. E vedrai come utilizzare le tecniche di confronto per trovare il miglior modello predittivo. Questo tutorial è rivolto ad analisti, scienziati, ingegneri e ricercatori interessati a scoprire come la modellazione predittiva può aiutarli a utilizzare i dati di cui dispongono oggi per prevedere meglio il domani.Sebbene riepilogati nella presentazione di Building Better Models, i due casi di studio riportati di seguito sono disponibili come presentazioni autonome separate.
- Caso di studio 1: Sorveglianza in volo di elicotteri – Modellazione surrogata dei dati di simulazione computerizzata - WG28
I dati per l'identificazione degli insorti da una simulazione computerizzata stocastica della sorveglianza in volo di un elicottero per un convoglio sono modellati utilizzando diversi metodi. I sei fattori che influenzano la proporzione degli insorti identificati (la risposta) sono l’altezza dell’elicottero, la velocità dell’elicottero (rispetto al convoglio), la distanza dell’elicottero (dal convoglio), la velocità del convoglio, il numero di insorti con AK47 e il livello di mimetizzazione degli insorti. I modelli utilizzati includono diversi tipi di regressione, albero decisionale e neurale. Vengono confrontati i punti di forza, i punti deboli e l'accuratezza delle previsioni dei modelli.
- Caso di studio 2: Dati sugli attacchi informatici – Miglioramento della previsione con la modellazione dell'insieme - WG5
Nel 1998 DARPA ha sviluppato un set di dati rappresentativo sugli attacchi informatici con oltre 20 tipi di attacco, 41 fattori potenzialmente causali e quasi 5 milioni di righe di dati. Questi e i dati derivati vengono analizzati utilizzando una varietà di modelli predittivi, tra cui logistica nominale, alberi decisionali e modelli neurali. Verrà dimostrato che la capacità di prevedere gli attacchi può essere ulteriormente migliorata mediante la media dei modelli. Verranno dimostrate sia la semplice media algebrica delle probabilità dei modelli, sia la "modellazione d'insieme", in cui i modelli vengono utilizzati come input per altri modelli.
- Modellazione e simulazione efficienti utilizzando metodi di progettazione di esperimenti – Tutorial 595
Questa presentazione mostrerà come utilizzare i metodi DOE (Design of Experiments) per estrarre le informazioni più utili dal minor numero di simulazioni al computer. Eseguendo in sequenza blocchi di simulazioni, gli sperimentatori computerizzati possono condurre il minor numero complessivo di prove necessarie per eseguire analisi di sensibilità dei fattori studiati senza utilizzare eccessivamente le risorse di calcolo ad alte prestazioni. Il vantaggio maggiore si verifica quando è possibile sviluppare un modello surrogato ad esecuzione rapida (secondi) per simulazioni a esecuzione prolungata (ore, giorni o settimane).
- Il modello surrogato veloce consente ai tester e agli analisti di interrogare in modo interattivo il processo modellato per trovare condizioni operative ottimali o i limiti della finestra operativa accettabile. Queste condizioni di grande interesse possono quindi essere eseguite utilizzando la simulazione completa sia per convalidare il modello surrogato sia per aumentare la precisione della previsione. Le soluzioni di progettazione dimostrate includeranno l'applicazione dei metodi DOE tradizionali a simulazioni basate su eventi e agenti discreti, e progetti moderni di riempimento dello spazio a simulazioni basate sulla fisica più complesse come la fluidodinamica computazionale (CFD). Verrà discusso quando utilizzare e come scegliere tra i tradizionali metodi di approssimazione della regressione lineare e i metodi di interpolazione della regressione spaziale. Verrà dimostrata la pratica efficace dell'utilizzo di simulazioni di checkpoint per determinare l'accuratezza delle previsioni del modello surrogato.
- Utilizzo di progetti di screening definitivi per ottenere maggiori informazioni da un minor numero di prove – Tutorial 594
Questo tutorial ha lo scopo di esporre i tester ai metodi di screening DOE (Design of Experiments) più recenti ed efficaci. I partecipanti apprenderanno i metodi recentemente pubblicati non solo per uno screening efficiente dei fattori, ma anche per l'utilizzo dei dati di screening per sviluppare più rapidamente modelli predittivi di secondo ordine. Verrà dimostrato che i progetti di screening definitivo non solo rilevano gli effetti principali ma anche la curvatura in ciascun fattore, e lo fanno in un minor numero di prove rispetto ai tradizionali progetti fattoriali frazionari che, quando è incluso un punto centrale, possono rilevare solo la curvatura a livello globale.
- Questi nuovi progetti, quando pubblicati per la prima volta nel 2011, potevano supportare solo fattori continui. I miglioramenti pubblicati nel marzo del 2013 ora consentono loro di supportare fattori categorici con due livelli. Quando il numero di fattori significativi è piccolo, un progetto di screening definitivo può ridursi a un progetto "one-shot" in grado di supportare un modello di superficie di risposta con il quale è possibile fare previsioni accurate sul processo caratterizzato.
- Verrà mostrato un caso di studio in cui un processo a 10 fattori è ottimizzato in sole 24 prove. Le prove effettuate ai checkpoint in condizioni ottimali previste mostrano che la resa del processo è aumentata di oltre il 20%. Nei casi in cui più di pochi fattori sono significativi e il progetto non può ridursi a un progetto one-shot, le sperimentazioni esistenti possono essere economicamente aumentate per supportare un modello di superficie di risposta nei fattori importanti. I confronti grafici tra questi metodi alternativi e i progetti tradizionali mostreranno che quelli nuovi produrranno più informazioni in un numero spesso inferiore di prove.
Comments
There are no comments yet
