스피커 | 성적 증명서 |
| 데미안 페레트 | 안녕하세요. 유럽 디스커버리 서밋 컨퍼런스 온라인 프레젠테이션을 시청해 주셔서 감사합니다. |
| 제 이름은 데미안 페렛입니다. 저는 프랑스 CEA의 R&D 과학자이고 제 동료이자 친구인 통계학자이자 프랑스 Ippon Innovation의 설립자인 Francois Bergeret와 함께 있습니다. |
| 제 이름은 데미안 페렛입니다. 저는 프랑스 CEA의 R&D 과학자이고 제 동료이자 친구인 통계학자이자 프랑스 Ippon Innovation의 설립자인 Francois Bergeret와 함께 있습니다. |
| 따라서 Francois와 함께 오늘 이 자리에 참석하게 되어 매우 기쁩니다. 그리고 JMP를 사용한 유리 점도 예측에 적용되는 고급 통계 방법에 대해 논의할 수 있는 기회를 준 운영 위원회에 감사드립니다. |
| 이제 프랑스 대체 에너지 및 원자력 위원회에 대한 몇 마디로 시작하겠습니다. CEA는 네 가지 영역에서 연구, 개발 및 혁신을 위한 프랑스 정부 기관입니다. |
| 국방 및 보안, 저탄소 에너지, 기술 연구 및 기초 연구. CEA는 9개 지역에 약 20,000명의 사람들을 세고 있습니다. |
| 우리는 약 50억 유로의 예산으로 다양한 공동 연구 단위, 많은 양의 특허 및 창업 창출을 통해 대학과 강력한 관계를 유지하고 있습니다. |
| 프랑수아 베르제레 | 연구, 컨설팅 및 교육을 포함한 통계 및 데이터 과학. |
| 우리는 일반 파트너가 된 것을 매우 자랑스럽게 생각합니다. |
| 몇 년부터. 저도 오늘 제 친구 데미안과 함께 선물하게 되어 매우 기쁩니다. |
| Ippon은 또한 무결점 및 프로세스 제어를 위한 고급 솔루션을 제안합니다. 저는 개인적으로 1995년부터 JMP 3를 사용한 JMP 사용자입니다. |
| 데미안 페레트 | 따라서 이 작업의 주요 목표는 유리 특성을 예측하기 위한 통계 모델을 만드는 것입니다. 오늘 이 강연에서는 유리 점도에 초점을 맞춥니다. |
| 이를 위해 상용 데이터베이스와 CEA의 자체 데이터베이스에서 실험 데이터를 가져옵니다. 우리는 알고리즘이 JSL로 코딩되고 JMP Pro 15에서 구현되기를 원했습니다. |
| 모델의 응답은 관심 있는 유리 속성이므로 이 예의 점도와 요인은 다양한 유리 구성 요소의 내용물입니다. |
| 따라서 여기에 몇 가지 배경 정보가 있습니다. 유리는 비결정성 고체입니다. 그것은 유리 용융물을 급냉시켜 얻어지며, 물질적 관점에서 보면 유리는 서로 다른 산화물의 혼합물인 블렌드입니다. |
| 따라서 산화물의 수는 매우 단순한 유리에서 2개 또는 3개에서 가장 복잡한 구성에서 약 30개 이상까지 가변적입니다. |
| 유리 속성 계산에는 오랜 전통이 있으며 최초의 모델은 19세기 말 독일에서 만들어졌다고 생각합니다. |
| 그때부터, |
| 유리 특성 예측 분야에서 발표된 문헌의 양이 엄청나게 증가하여 오늘날 우리는 상업적 데이터베이스에서 사용할 수 있는 엄청난 양의 유리 데이터를 보유하고 있습니다. |
| 유리 속성. |
| 그러나 유리 특성을 예측하기 위해 과거에 이루어진 모든 노력에도 불구하고 유리 점도 예측에 대한 과제가 남아 있습니다. |
| 유리 점도는 예측하기 어려운 특성이기 때문입니다. 먼저 점도는 예를 들어 상분리 또는 결정화와 같은 유리 조성에 따라 유리 용융물에서 발생할 수 있는 물리적 메커니즘에 크게 의존합니다. 그리고 또한 |
| 점도는 특정 자릿수까지 엄청난 범위의 변화를 갖는 유일한 속성입니다. |
| 그래서 여기 이 어려움을 보여주는 예가 있습니다. ???가 3개밖에 없는 아주 단순한 유리인 SBN 유리의 3가지 구성을 선택했습니다. |
| 그리고 점도를 계산하기 위해 문헌에서 가장 잘 알려진 모델을 적용했습니다. |
| 그런 다음 예측 값을 자체 장치로 측정한 실험 값과 비교합니다. 따라서 매우 단순한 유리의 경우에도 예상 점도에 대해 하나의 신뢰할 수 있는 값을 얻는 것이 쉽지 않다는 것을 알 수 있습니다. |
| 여기 그림이 있습니다. 우리가 데이터베이스를 보기 위해 사용하는 좋은 그림입니다. 여기서 각 점은 구성 영역의 다차원 보기에서 하나의 유리입니다. 따라서 데이터는 고립된 연구에서 나올 수 있습니다. |
| 또는 실험 설계를 사용하는 연구에서 데이터를 얻거나 데이터를 가질 수 있습니다. |
| 얻은 |
| 한 번에 한 구성 요소의 평가와 함께. |
| 우리는 과거에 전체 데이터베이스에서 찾은 데이터의 일부를 사용하여 다른 기계 학습 기술을 적용하는 데 많은 시간을 보냈습니다. |
| 그리고 유효성 검사 세트에 고전적인 접근 방식을 사용했지만 결국에는 점도를 예측할 수 있는 허용 가능한 예측 기능이 있는 통계 모델이 발견되지 않았습니다. |
| 그래서 우리는 다른 접근 방식을 사용하기로 결정했습니다. |
| 그래서 모든 데이터를 사용하는 것보다 점도를 예측하고자 하는 조성에 가까운 데이터를 사용하여 모델을 만드는 것이 좋다고 생각합니다. 예를 들어 예측하려는 경우 |
| 여기에서 |
| 빨간색 점, 이 영역에 있는 데이터에서 하나의 모델이 생성되고 예측하려는 경우 다른 모델이 생성됩니다. |
| 재산 |
| 다른 구성에. 이것이 바로 이 기술이 동적이라고 말하는 이유입니다. 모델이 구성에 따라 달라지기 때문입니다. 그것은 우리가 예측하고 싶은 곳에 관련되고 적합합니다. |
| 수동으로 할 필요가 없기 때문에 자동이라고 합니다. 모든 단계는 도구에 구현된 알고리즘에 의해 수행됩니다. |
| 따라서 가장 중요한 점 중 하나는 확실히 모델을 생성하기 위한 최적의 데이터 하위 집합을 결정하는 것입니다. 이를 위해 두 가지 하위 샘플링 방법을 구현했습니다. |
| 따라서 첫 번째 방법에서는 실험의 이론적 또는 가상 설계가 생성됩니다. |
| 관심의 구성 주위. 그런 다음 설계의 각 실행은 데이터베이스에 있는 가장 유사한 실험 데이터로 대체되어 최종 훈련 세트로 이어집니다. |
| 그리고 도구에서 구현한 두 번째 방법은 관심 구성 주위에 생성된 다양한 크기의 데이터 세트를 기반으로 합니다. |
| 도구에 의해 작은 데이터 세트가 생성되고 점도를 예측하기 위해 이 작은 하위 집합에 대한 모델이 생성됩니다. 그런 다음 점점 더 큰 데이터 세트가 생성되고 최적의 크기는 각 하위 집합과 관련된 통계 기준으로 평가됩니다. |
| 프랑수아 베르제레 | 유리 점도는 예측하기 쉽지 않기 때문에 다른 통계 및 기계 학습 방법을 사용하기로 결정했습니다. |
| 다항식 ??? 변환이 있는 모델, 로그 정규 분포를 사용하는 일반화된 회귀. 이 방법은 JMP Pro를 사용하여 매우 강력하며 ???보다 더 나은 결과를 제공할 수 있습니다. 변형이 있는 모델. |
| 우리는 또한 예측 측면에서 매우 강력한 신경망을 사용합니다. 앞에서 언급했듯이 두 개의 데이터 세트가 있으므로 각 응답에 대해 6개의 예측이 있습니다. |
| 다음 슬라이드는 도구의 개요인 회로도입니다. |
| 입력값은 유리의 조성과 점도를 예측해야 하는 온도입니다. |
| 여기를 보면 방금 전에 설명한 두 가지 방법에 대한 코드와 알고리즘이 구현되었습니다. |
| 이 도구의 장점은 하나의 예측만 가져오는 대신 사용자가 평가할 수 있는 모든 데이터와 관련된 통계 기준으로 6개의 값을 계산한다는 것입니다. |
| 데미안 페레트 | 따라서 여기에 몇 가지 주요 매개 변수가 있습니다. 유리 전문가의 의견을 최대한 많이 고려하는 것이 매우 중요합니다. |
| 예를 들어, 자연과 점도에 대한 산화물의 역할을 입력하기 위해 특정 알고리즘을 만들어야 했습니다. |
| 주요 중요성의 또 다른 포인트는 출처와 데이터의 신뢰성과 관련이 있습니다. 이를 위해 이 프로젝트에서 상당한 시간을 할애했습니다. |
| 신뢰할 수 있는 데이터베이스를 구성합니다. 그래서 우리는 가중치를 구현해야 했고 거리를 계산하는 다양한 방법을 연구해야 했습니다. 유리 구성 사이의 거리입니다. |
| 그럼 이제 시간이.... |
| 프랑수아 베르제레 | 자 이제 화면을 보여드리겠습니다. |
| 데모를 보여주기 위해 |
| 이제 내 화면을 볼 수 있습니다. |
| 코드를 실행하는 중이므로 복잡한 JSL 프로그램입니다. 우리는 CEA와 함께 몇 달 동안 그것을 개발해 왔습니다. |
| 그래서 방금 코드를 실행했고 이제 보여드리겠습니다. |
| Discovery...그래서 여기서 코드용 파일을 엽니다. |
| 그리고 실행 중입니다. 코드가 실행 중이므로 약간의 설명을 드리겠습니다. |
| 이 코드에는 여러 루프가 있습니다. 물론 첫 번째 단계는 데이터와 기능을 식별하는 것입니다. 그 다음에는 루프가 있습니다. 우선 적응형 반복이라고 부르는 것과 데이터베이스에 대한 이유가 있습니다. |
| 그래서 그리고 |
| Damien이 언급한 것처럼 적응형이기 때문에 최상의 데이터 하위 집합을 찾고 있습니다. 그리고 우리는 또한 여기에 실험 설계 접근 방식이 있습니다. 이를 통해 설계를 최적화하면 올바른 데이터를 얻을 수 있습니다. |
| 그 후 실제로 실행되면 유리 전이 온도를 예측하고 있습니다. 자, 제가 언급한 것처럼 세 가지 모델이 있고 각 모델에 대해 두 개의 데이터베이스가 있으므로 총 6개의 예측이 있습니다. |
| 보시다시피 실행하는 데 시간이 조금 걸리지만 1분 정도 지속되며 완료되면 유리 전이 온도와 점도 프로그램의 모든 출력을 갖게 됩니다. . |
| JSL을 사용하는 것은 매우 매우 유용했으며 사용자 측면에서도 Damien을 통해 알 수 있듯이 사용하기가 매우 쉽습니다. |
| 전문가를 위해 사용합니다. 그러니 데미안, 얘기하고 내 공유를 중지할 수 있습니다. |
| 데미안 페레트 | 좋아요. |
| 딱 하나만. |
| 지금 내 화면이 보이나요? |
| 네, 알겠습니다. |
| 자, 이것은 도구로 생성된 일반 통계 보고서입니다. 그래서 먼저, 우리는 유리의 관심 구성을 가지고 있습니다. |
| 그런 다음 |
| 우리는 |
| 이 그래프에서 예측된 값입니다. 따라서 Y축에서 |
| 우리는 세 가지 알고리즘과 두 가지 방법에 의해 계산된 점도의 예측 값을 가지고 있습니다. 그리고 X축에는 두 번째 방법의 확대 횟수가 있습니다. |
| 빨간색으로 표시된 예측의 중앙값은 통계학자가 아닌 사용자에게는 충분할 수 있지만 통계 세부 사항을 조사하려는 경우 이 보고서에 각 항목의 품질을 연구할 수 있는 많은 정보가 있습니다. |
| 각 모델. 예를 들어, |
| 값을 확인할 수 있습니다 |
| PRESSS 또는 다른 모델의 다음은 다선형 회귀 BIC F 모델입니다. |
| 여기에서 PRESS 값이 첫 번째 방법의 예측이 두 번째 방법보다 약간 더 낫다는 것을 알려주고 훈련 세트의 확대로 모델 청산도 볼 수 있습니다. |
| 우리도 가지고있다 |
| 다른 통계 값. 예를 들어, 다른 알고리즘과 다른 모델에 대한 R 제곱 값이 있습니다. |
| 여기에 모델에 대한 더 자세한 정보가 있습니다. |
| 예를 들어 첫 번째 방법의 경우 이론적 실험 설계와 실제 실험 설계를 비교할 수 있습니다. 우리는 예측이 있습니다 ... |
| 다른 모델에 대한 예측 공식. 또한 추정치에 대한 정보도 있고 두 번째 방법에 대한 많은 정보도 있습니다. 그래서 결국 우리는 많은 통계를 가지고 있습니다. |
| 사용자에게 매우 유용한 세부 정보 및 정보. 그리고 여기, |
| 결국 우리는 가장 많은 구성을 가지고 있습니다 ??? 데이터베이스에 있는 유리의 점도에 대한 실험적 값이 있기 때문에 이것은 매우 매우 유용합니다. |
| 좋아, 그래서 |
| 파워포인트로 돌아가자. |
| 자, 이것이 우리가 얻은 결과입니다. 그만큼 |
| 글로벌 데이터베이스를 구성하는 230개의 행을 추출하여 두 개의 예측 능력을 평가했습니다. 그리고 이 표에서 우리는 예측의 상대적 오차를 가지고 있습니다. |
| 점도 예측 |
| 다양한 유형의 유리와 데이터의 글로벌 하위 집합에 대해. 3개의 분위수가 중앙값으로 제공되며, 이는 예측 값의 50%가 표에 표시된 값보다 낮은 상대 오차를 갖는다는 것을 의미합니다. |
| 또한 이 표에는 75% 및 90% 분위수가 있습니다. 따라서 유리 점도에 대해 이야기할 때 전통적으로 약 70%의 예측 오류가 매우 좋다고 생각합니다. 따라서 대부분의 데이터에 대해 |
| 모델 기능은 괜찮았고 거기서 얻은 결과에 매우 만족했습니다. |
| 비교하자면, |
| 여기 다시 있습니다 |
| 문헌에서 사용 가능한 모델을 적용했을 때 단 3개의 산화물을 포함하는 매우 단순한 유리인 SBN 유리에 대해 얻은 결과입니다. 그래서 우리는 예측의 상대 오차에 대한 값이 훨씬 더 높고 모델마다 많이 다를 수 있음을 알 수 있습니다. |
| 그리고 다시, 이것은 단 세 개의 산화물을 가진 매우 단순한 유리를 위한 것이었습니다. |
| 어떤 경우에는 더 중요한 오류가 있습니다. |
| 하지만 이 데이터를 자세히 살펴보면 여기 이 그래프에서 |
| ??? 값 |
| x 축과 y 축의 실험 값을 보면 이 두 안경에 대해 이 가장 큰 예측 오류가 얻어지는 것을 볼 수 있습니다. |
| 상용 데이터베이스 SciGlass에서 ... 특허이며 장비의 실험 오류가 언급되지 않은 동일한 참조에서 제공됩니다. |
| 또한 알루미늄 함량이 높은 이러한 모든 구성에 대해 결정화가 발생할 가능성이 매우 높다고 생각하므로 실험 값이 정확했는지 완전히 확신할 수 없습니다. |
| 마지막으로 우리는 또 다른 유리 특성인 유리 기술에서 중요한 특성인 유리 전이 온도를 예측하기 위해 방법론을 적용했습니다. |
| 다음은 우리가 얻은 결과이며 점도보다 훨씬 좋습니다. 여기에서 예측의 전체 상대 오차는 5% 미만입니다. 정말 좋습니다. 왜냐하면 우리는 이 속성이 |
| 유리의 열 이력과 실험 장치에 따라 많이 달라질 수 있습니다. 여기 실험 오차에 매우 가까운 두 가지 능력이 있습니다. 이것은 매우 훌륭합니다. |
| 프랑수아 베르제레 | 좋습니다. 결론적으로 우리 접근 방식의 중요한 기능 중 하나는 글로벌 데이터베이스의 동적 서브샘플링입니다. 우리는 관심 구성에 대한 올바른 정보를 다룹니다. |
| 또한 JSL 및 JMP Pro를 사용하여 기계 학습 모델을 자동화했으며 일반 회귀 및 신경망이 매우 성능이 좋습니다. |
| CEA 전문가에 따르면 정확도가 좋고 예상치 못한 몇 가지 문제가 드러납니다. 우리는 이제 더 큰 데이터베이스에서 모델을 확장하고 Bradley Jones와 협력하여 공동 출판물을 작성할 계획입니다. 감사합니다. |
