스피커
|
성적 증명서
|
| 웨인 레빈 |
자체 검증 앙상블 모델은 실험 설계의 패러다임 전환으로 간주됩니다. |
| |
그냥 .. 갈거야. 여기서 우리의 의제는 ... 우리는 ... 누가 말하는지에 대한 간단한 소개입니다. |
| |
그래서, SVEM의 무엇, 왜 그리고 어떻게. 그래서 우리는 DOE와 머신 러닝에 대한 간략한 개요를 가지고, 그것들을 SVEM으로 혼합하는 것을 설명하고, 실제 세계 ... 실제 SVEM 실험을 분석 할 것입니다. |
| |
몇 가지 현재 연구를 검토하고 JMP의 새로운 후보 세트 디자이너, JMP 16의 새로운 기능을 시연 한 다음 일반적인, 다음 단계 및 Q & A 등으로 끝낼 것입니다. |
| |
SVEM은 더 적은 실험 주기로 더 많은 인사이트를 추출하고 DOE를 포함한 작은 데이터 세트에서 더 정확한 예측 모델을 구축하는 놀라운 새로운 방법입니다. |
| |
SVEM을 사용하면 비용이 줄어들고 시장 출시가 빨라지고 문제 해결 속도가 훨씬 빨라질 것입니다. 우리는 앞으로 나아가면서 모든 것을 탐구 할 것입니다. |
| |
세션에서. |
| |
저는 Wayne Levin이고 Predictum의 사장이며 JMP의 수석 데이터 과학자 인 Chris Gotwalt와 함께 Predictum의 선임 데이터 과학자이자 University of University의 부교수 인 Phil Ramsey가 함께합니다. 뉴햄프셔. |
| |
그래서 그냥 |
| |
여기에 재고가 있습니다. 데이터 과학에 대한 JMP의 공헌은 엄청 나기 때문에 우리 모두 알고 있습니다. 20 년 전으로 거슬러 올라가는 DOE 공간에서 좌표 교환 알고리즘을 사용하면 JMP 4가됩니다. |
| |
그리고 약 8 년 전, 9 년 전에 우리는 최종 선별 디자인이 나오는 것을 보았습니다. 그리고 우리는 SVEM을 짧고 자체 검증하는 앙상블 모델링이라고 부릅니다 (3 번 시도하고 말함), 이것이 또 다른 기여라고 생각하고 싶습니다. |
| |
기계 학습 및 실험 설계. |
| |
제한된 양의 데이터의 한계를 극복합니다. 적은 양의 데이터로는 기계 학습을 할 수 없으며 일반적으로 그렇게하려면 많은 양의 데이터가 있어야합니다. |
| |
이제 우리는 현장에서 SVEM을 시도하고 있으며 이에 대해 우리에게 접근 한 많은 회사가 있었고 SVEM의 평가판을 사용할 수있게했습니다. 우리는 |
| |
Predictum은이 분야에서 처음으로 제품을 만들고 제품을 시장에 출시했습니다. 지금까지 배운 몇 가지 사항을 여러분과 공유하고자합니다. |
| |
그리고 하나는 SVEM이 예외적으로 잘 작동한다는 것입니다. 더 많은 매개 변수와 실행 횟수가 있으면 |
| |
고차 모델. 더 정확한 예측을 제공 할뿐만 아니라 손상된 DOE에서 복구하는데도 도움이됩니다. 예를 들어 결정적인 스크리닝 설계가 있다면 |
| |
어떤 이유로 든 결정적으로 실행할 수 없습니다. 우리는 역사적 DOE를 보냈습니다. |
| |
힘이 부족합니다. 그들은 단지, 아시다시피 아무것도 찾지 못했지만 SVEM을 사용하면 실제로 찾았습니다. 할 수 있었다. 그리고 우리는 누락되거나 의심스러운 실행이 있었던 경우가 있다는 것을 알고 있습니다. |
| |
우리가 배운 또 다른 것은 그것이 합리적 팩토리얼에 도움이되지 않는다는 것입니다. 여기서는 예측 모델에 관심이 있습니다. |
| |
부분 계승은 실제로 예측 모델을 제공하지 않습니다. 그것들은 그것을 위해 설계되지 않았습니다. 따라서 데이터가 전달하도록 구성되지 않은 것을 제공하지는 않습니다. |
| |
적어도 그 정도는 아닙니다. 우리가 배운 또 다른 사실은 SVEM의 잠재력을 완전히 테스트하지 않았다는 것입니다. 그러기 위해서는 |
| |
SVEM을 염두에두고 실험을 설계하는 것입니다. 즉, 더 많은 요소를 살펴 봐야합니다. 우리는 3 ~ 4 가지 요소 만보고 싶지 않습니다. 10, 15 또는 그 이상은 어떻습니까? |
| |
연구를 통해 Chris와 Phil이 Bayesian I- 최적 설계가 최고라고 이야기 할 것이라는 점을 이해합니다. SVEM 및 혼합 설계와 함께 사용하기위한 최상의 접근 방식입니다. |
| |
SVEM에 특히 유용했으며 나중에 그것에 대해 조금 더 이야기 할 것입니다. 그리고 SVEM이가는 한 |
| |
시도해보고 싶다면 마지막에 Chris와 Phil 이후에 그것에 대해 이야기 할 몇 가지 정보가있을 것입니다. 그 말을하면서, Chris에게 넘겨 드리겠습니다. |
| |
SVEN의 내용과 이유 및 방법에 대해 알아보십시오. 자, 크리스. |
| 크리스 고트 왈트 |
좋아요, 좋아요 고마워요 웨인 잠시만 요, 화면을 공유하고 있습니까? |
| 웨인 레빈 |
아직. |
| |
우리는 거기에 갈. |
| 크리스 고트 왈트 |
좋아요, 좋아요, 고마워요, 웨인 |
| |
이제 저는 자체 검증 앙상블 모델 또는 SVEM에 대한 아이디어를 소개하겠습니다. |
| |
나는 그것을 상당히 기본적으로 유지할 것입니다. 나는 당신이 실험의 설계와 분석에 약간의 경험이 있다고 가정 할 것이다. |
| |
가장 중요한 것은 통계 모델링 프로세스가 함수를 데이터에 맞추는 것으로 귀결된다는 사실을 이해해야한다는 것입니다. |
| |
입력 변수의 함수로서 예측 자 응답 변수. 높은 수준에서 SVEM은 빅 데이터 애플리케이션을 사용하는 기계 학습 알고리즘 간의 다리 역할을합니다. |
| |
일반적으로 작고 좋은 분석 문제로 간주되는 실험 설계. 기계 학습과 DOE는 각각 오랜 역사를 가지고 있지만 지금까지는 상대적으로 별개의 전통이었습니다. |
| |
우리의 연구에 따르면 SVEM을 사용하여 더 적은 관측치로 더 정확한 모델을 얻을 수 있습니다. |
| |
즉, 더 적은 리소스를 사용하여 더 적은 비용으로 더 짧은 시간에 제품 및 프로세스를 개선 할 수 있습니다. 따라서 경쟁 산업에 종사하는 경우 |
| |
시장에 가장 먼저 출시되는 것이 중요한 경우 SVEM은 큰 관심을 가져야합니다. |
| |
특히 SVEM은 제약 및 생명 공학 산업에서 엄청난 가능성을 가지고 있다고 믿습니다. |
| |
반도체 제조 및 소비재 개발과 같은 첨단 기술. |
| |
여기 JMP에서 일하면서 많은 산업 및 응용 분야에서 데이터가 처리되는 방식에 대한 조감도를 보았습니다. |
| |
최적의 설계 실험을 구성하고 혼합 모델 및 모델 일반화와 같은 관련 분석 절차를 구성하기위한 알고리즘을 개발했습니다. |
| |
다른 한편으로 저는 JMP Pro의 신경망 알고리즘과 제품에있는 다른 기계 학습 기술의 개발자이기도합니다. |
| |
지난 20 년 동안 저는 대규모 관측 데이터 세트를 모델링하고 많은 새로운 데이터를 볼 때 머신 러닝이 더욱 두드러지는 것을 보았습니다. |
| |
개발 된 알고리즘. 동시에 설계된 실험의 분석도 변경되었지만 지난 20 년 동안 더 점진적으로 변경되었습니다. |
| |
산업 실험의 전반적인 통계적 방법론은 1970 년대 후반에 Box, Hunter, Hunter를 읽은 사람이라면 누구나 알아볼 수있을 것입니다. |
| |
기계 학습 및 실험 설계는 일반적으로 자연에서 예측 가능한 문제를 해결하기 위해 산업에 적용됩니다. |
| |
이러한 도구를 사용하여 센서가 배치 결함을 나타내는 지 또는 비용을 최소화하면서 수율을 최대화하기 위해 프로세스를 조정하는 방법과 같은 질문에 답합니다. |
| |
둘 다 본질적으로 예측 적이지만 기계 학습과 실험 설계는 일반적으로 다소 다른 유형의 데이터에 적용되었습니다. |
| |
지금 제가 할 일은 두 가지 모두에 대한 간략한 개요를 제공 한 다음이를 SVEM에 어떻게 혼합했는지 설명하는 것입니다. |
| |
실제 실험의 일부 데이터를 분석하여 작동 방식과 전체적으로 매우 잘 작동하는 이유를 보여 드리겠습니다. |
| |
전체적으로 살펴 보겠습니다 ... 계속하겠습니다 ... 뉴햄프셔 대학교의 박사 과정 학생 인 Trent Limpkiss (?)가 수행 한 시뮬레이션 결과를 살펴 보겠습니다. 유망합니다. |
| |
그런 다음 JMP 16의 새로운 후보 세트 설계를 사용하여 기존 데이터 세트의 최적 서브 세트를 찾는 방법을 보여주는 예를 살펴보고 SVEM을 직접 시험해 볼 수 있습니다. |
| |
몇 가지 관찰 사항을 강조하고 향후 답변 할 몇 가지 질문을 언급 한 다음 Phil에게 전달하여 더 심층적 인 사례 연구와 SVEM 추가 데모를 살펴볼 것입니다. 에. |
| |
화면의 간단한 데이터를 고려하십시오. 이것은 야금 공정의 데이터이며 가공 단계가 끝날 때 수축량을 예측하려고합니다. |
| |
왼쪽에는 수축을 예측하는 데 사용할 세 개의 변수가 있습니다. 모델링은 여기에서 반응 (수축)을 예측하는 압력, 시간 및 온도를 연결하는 함수를 찾는 것과 같습니다. |
| |
바라건대이 모델이 생성되면 ... 미래에 새로운 데이터로 일반화 될 것입니다. |
| |
기계 학습 컨텍스트에서이를 수행하는 표준 방법은 해당 데이터를 두 개의 분리 된 행 세트로 분할하는 것입니다. 하나는 훈련 세트라고하며 데이터를 과적 합하지 않도록 모델을 맞추는 데 사용됩니다. |
| |
새로운 관찰에서 부정확 한 모델로 이어집니다. 우리는 다양한 모델을 테스트하는 데 사용되는 유효성 검사 세트라는 데이터의 또 다른 하위 집합이 있습니다. |
| |
훈련 세트에 적합합니다. 여기에는 너무 단순한 함수가 충분한 변형을 설명하지 않기 때문에 훈련 및 검증 세트에 적합하지 않은 트레이드 오프가 있습니다. |
| |
너무 복잡한 모델은 훈련 세트에 거의 완벽하게 맞을 수 있지만 검증 세트에서는 매우 부정확합니다. |
| |
우리는 너무 간단하지도 너무 복잡하지도 않은 goldilocks 모델을 찾기 위해 검증 R 제곱과 같은 측정을 사용합니다. |
| |
이 goldilocks 모델은 유효성 검사 세트에서 유효성 R 제곱이 가장 높은 모델입니다. |
| |
이 홀드 아웃 스타일 모델 선택은 합리적으로 많은 행의 인용문을 인용 할 때 진행할 수있는 매우 좋은 방법입니다. |
| |
종종 수억 개 이상의 행에 있습니다. 상당히 큰 진술은 의도적으로 모호하며 당면한 작업에 따라 다릅니다. 즉, 여기에 표시되는 12 개의 행은 너무 작아서 단지 설명을 위해 사용되었습니다. |
| |
DOE에서 우리는 일반적으로 시간 및 / 또는 자원에 심각한 제약이있는 상황에 있습니다. |
| |
설계된 실험, 특히 핵심 JMP 기능인 최적의 설계된 실험의 핵심 아이디어는 가능한 가장 적은 수의 행에 압축 된 최고 품질의 정보를 얻는 것입니다. |
| |
수년 동안 많은 뛰어난 사람들이 F 테스트, 반 정규 플롯 및 AIC 및 BIC와 같은 모델 선택 기준과 같은 통계 도구를 만들었습니다. |
| |
DOE 데이터 모델에 대한 결정을 내리는 데 도움이됩니다. 이것들은 모두 우리가 과학, 엔지니어링 및 제조 결정을 내리기 위해 사용해야하는 모델을 식별하는 데 도움이되는 가이드입니다. |
| |
자주 수행되지 않는 한 가지는 기계 학습 모델 선택을 설계된 실험에 적용하는 것입니다. 이제 왜 그럴까요? |
| |
한 가지 중요한 이유는 정보가 설계에 너무 밀집되어있어 몇 가지 관찰을 제거해도 주 효과와 상호 작용이 붕괴 될 수 있다는 것입니다. |
| |
더 이상 고유하게 추정 할 수있는 효과로 분리 할 수 없습니다. 어쨌든 그렇게하려고하면 자유도 손실이나 모델 보고서에 추가 된 특이점 세부 정보와 같은 소프트웨어 보고서 경고가 표시 될 수 있습니다. |
| |
이제 우리는 약간의 사고 실험을 할 것입니다. 우리가 약간 속이려고하면 어떨까요? |
| |
원래 테이블의 모든 행인 X와 Y를 복사하고 하나의 복사본을 "training"으로 레이블하고 다른 복사본에는 "validation"이라는 레이블을 지정하면 어떻게 될까요? 이제 충분한 데이터가 있습니다. 그렇죠? 잘못된. 우리는 이것으로 누구도 속이는 것이 아닙니다. 이것은이 미친 계획입니다. |
| |
이 접근 방식을 사용하여 모델링을 시도하고 적합도 지수 플롯을 살펴보면 더 복잡하게 만들면 훈련 세트에 더 적합하지만 훈련 및 검증 |
| |
이 경우 세트는 동일하며 접근 방식은 항상 과적 합으로 이어집니다. |
| |
따라서 동일한 데이터에 대해 계산 된 두 개의 가중치 제곱합에 대한 이야기로 기계 학습 모델 선택을 백업하고 재구성 해 보겠습니다. |
| |
두 개의 데이터 파티션 측면에서 모델 선택을 생각하는 대신 두 개의 가중치 열로 생각할 수 있습니다. |
| |
훈련 세트의 행에 대해 1과 같고 그렇지 않으면 0 인 훈련 가중치가 있습니다. |
| |
이는 훈련 행의 경우 0과 같고 유효성 검사 행의 경우 유효성 열의 경우 1과 같습니다. |
| |
따라서 기계 학습 모델 선택에서 각 행에 자체 가중치 쌍이 있다고 생각할 수 있습니다. 두 가중치는 모두 이진 0과 1입니다. |
| |
이러한 방식으로 설정하면 모델 적합성에 대한 독립적 인 평가가 가능합니다. |
| |
훈련 가중치를 사용하여 가중 된 제곱 오차의 합을 최소화하는 매개 변수 값을 찾아 모델을 적합하고, 검증 열 가중치를 사용하여 가중 된 제곱 오차의 합을 사용하여 일반화 성능을 측정합니다. |
| |
이러한 가중치 쌍을 산점도에 플로팅하면 물론 훈련 검증 가중치 ... 훈련 및 검증 가중치가 완벽하게 반 상관된다는 것을 알 수 있습니다. |
| |
이제, 완벽하게 반 상관 된 이진 값 쌍을 사용하도록 강요하는 대신 값이 0과 1의 값만 가질 수 있다는 요구 사항을 완화하면 어떨까요? |
| |
가중치가 엄격하게 양의 값을 갖도록 허용합니까? |
| |
그러기 위해서는 특히 제가 아는 한 무언가를 포기해야합니다. 이것이 수학적으로 작동하려면 더 이상 완벽하게 반 상관 된 가중치 쌍을 가질 수 없습니다. 그러나 우리는 여전히 실질적인 반 상관이있는 방식으로이를 수행 할 수 있습니다. 상관. |
| |
이를 수행 할 수있는 방법은 여러 가지가 있지만이를 수행하는 한 가지 방법은 분수 가중치 부트 스트랩과 동일한 체계를 사용하여 가중치를 만드는 것입니다. 여기서 평균이 1 인 지수 분포를 사용합니다. |
| |
가중치를 생성합니다. 그리고 균등 분포의 속성을 사용하여 기하 급수적으로 분포하지만 상관 관계가 높은 가중치 쌍을 만드는 데 사용할 수있는 약간의 트릭이 있습니다. |
| |
이것을 2 열 가중치 검증 체계로 사용할 때이를 자동 검증이라고합니다. Phil과 나는 이것에 대해 몇 개의 Discovery 논문을주었습니다. 바로이 아이디어에 대해. |
| |
이 접근 방식을 사용하는 것은 평균 분산이 1 인 가중치 학습 열과 동일한 속성을 가진 유효성 검사 열을 갖는 것과 같습니다. |
| |
이 자동 검증 체계에서 행이 학습 제곱합에 평균 가중치보다 더 많이 기여하면 해당 행은 제곱 검증 합계에 덜 기여하고 그 반대의 경우도 마찬가지입니다. |
| |
Mike의 추가 기능이 있습니다. Mike Anderson이 만든 추가 기능이 있다는 점을 지적하고 싶습니다. 데이터 세트를 JMP Pro의 모델링 플랫폼에서 사용할 수있는 이러한 종류의 형식으로 설정합니다. |
| |
최근에 Phil과 저는 박사 과정 학생으로 Trent를 맡았습니다. |
| |
봄과 가을에 Trent는 자동 검증 기반 접근 방식의 전체 동물원을 포함하여 DOE 데이터에 모델을 맞추는 다양한 접근 방식을 시도하는 많은 시뮬레이션을 수행했습니다. 그의 결과를 보여 드릴게요 |
| |
여기에 조금 있습니다. 말하자면, 독립적 인 테스트 세트에서 최소 평균 오차 측면에서 일관되게 가장 잘 작동하는 접근 방식은 자동 검증을 적용하는 것이 었습니다. |
| |
정방향 선택과 같은 변수 선택 절차와 함께 사용하지만 한 번만 수행하는 대신 프로세스를 수십 또는 수백 번 반복합니다. |
| |
매번 예측 공식을 저장하고 궁극적으로 자동 검증 된 모든 반복에서 모델을 평균화합니다. 그리고이 일반적인 절차를 자체 검증 된 앙상블 모델 또는 SVEM이라고합니다. |
| |
그래서 좀 더 구체적으로 만들기 위해 이것을 설명하는 간단한 예를 들어 보겠습니다. 자동 검증 가중치를 초기화하는 것으로 시작합니다. |
| |
올가미 또는 정방향 선택과 같은 모델 선택 절차를 적용한 다음 예측 공식을 테이블에 다시 저장합니다. |
| |
다음은 첫 번째 예측 공식입니다. 이 반복에서는 두 개의 선형 주 효과 만 선택되었습니다. |
| |
그런 다음 가중치를 다시 초기화하고 새 가중치 집합을 사용하여 모델에 다시 맞추고 해당 예측 공식을 저장합니다. |
| |
다음은 두 번째 자동 검증 된 예측 공식입니다. 이번에는 다른 주 효과 및 상호 작용 세트가 선택되었으며 이번에는 회귀 계수가 다릅니다. |
| |
이 과정을 여러 번 반복합니다. |
| |
마지막으로 SVEM 모델은 모든 예측 공식의 평균입니다. |
| |
다음은 SVEM 알고리즘을 다이어그램으로 보여주는 간결한 다이어그램입니다. 따라서 부트 스트랩 절차를 모델 평균화와 결합하는 아이디어는 |
| |
우리가 가중치를 다시 초기화 한 후에 계속해서 발생합니다. 해당 반복에서 예측 공식을 저장합니다. |
| |
여기에 저장합니다. 여기에 매개 변수를 저장하고 있습니다. 여기에 그림은 매개 변수를 보여 주지만 공식과 동일합니다. 모두 저장하고 하루가 끝나면 최종 모델은 모든 반복의 평균 일뿐입니다. |
| |
완료되면 중간 공식 확장이 설정된 그래프 프로파일 러에서 해당 SVEM 모델을 사용하여 결과 모델을 시각화하고 프로세스 최적화 등을 수행 할 수 있습니다. |
| |
이제 Trent의 논문 연구 결과를 살펴 보겠습니다. |
| |
4 개 및 8 개 요소의 Box Behnkens 및 DSD. 각 시뮬레이션은 1,000 개의 시뮬레이션 복제로 구성되었으며 각 시뮬레이션에는 2 차 반응 표면 모델에 대한 고유 한 실제 매개 변수 값 세트가 있습니다. |
| |
활성 매개 변수는 두 배로 기하 급수적으로 분포되어 있으며 50 %에서 100 %까지 다양한 활성 효과 비율을 조사했습니다. |
| |
1,000 회 시뮬레이션 반복 각각에 대해 SVEM 예측은 요인 공간에 대한 10,000 개의 실행 공간 채우기 설계로 구성된 독립 테스트 세트에서 실제 모델과 비교하여 평가되었습니다. |
| |
우리는 모든 검증에 대한 다양한 변형뿐만 아니라 다양한 고전적 단일 샷 모델링 접근법을 조사했습니다. |
| |
그러나 비교할 것이 너무 많기 때문에 가장 흥미로운 결과를 보는 것이 더 쉽습니다. 이 이야기는 우리가 조사한 모든 상황에서 매우 일관되었습니다. |
| |
이것은 기본 설계가 요인이 8 개이고 런이 21 개인 최종 선별 설계 인 시뮬레이션 중 하나입니다. 이 경우 효과의 50 %는 0이 아닙니다. |
| |
이것은 모델이 실행 된만큼의 0이 아닌 매개 변수를 가지고 있음을 의미합니다. |
| |
왼쪽에는 Lasso, Dantzig 선택기, 순방향 선택 및 잘라낸 순방향 선택에 대한 로그 루트 평균 제곱 오차의 상자 플롯이 있으며, 모두 AICc를 사용하여 조정되었으며, 방법에서 가장 우수한 성능을 보입니다. |
| |
또한 적합한 최종 플랫폼에서 가장 우수한 방법을 수행 한 다음 SVEM이 다른 모델링에 적용되었습니다. 오른쪽에 여러 가지 모델링 절차가 있습니다. |
| |
SVEM 예측과 비교하여 테스트 세트 RMSE를 비교할 때 독립 테스트 세트 제곱 평균 오차가 크게 감소합니다. |
| |
그리고 이것은 로그 척도이므로 예측 성능에서 상당히 극적인 차이입니다. |
| |
더 흥미로운 결과가 있습니다. 이것은 정말로 나를 날려 버린 줄거리였습니다. 이것은 모든 효과가 0이 아니라는 점을 제외하면 동일한 시뮬레이션 설정입니다. |
| |
따라서 실제 모델은 설계 매트릭스뿐만 아니라 매개 변수 자체에서도 과포화됩니다. |
| |
과거에는 활성 효과의 수가 모든 효과의 작은 부분 집합이고 확실히 행 수보다 적다고 가정해야했습니다. |
| |
여기에서 우리는 활성 매개 변수의 수에도 불구하고 합리적으로 정확한 모델을 얻고 있습니다. 행 수의 약 2 배입니다. 정말 놀랍습니다. |
| |
이제 간단한 그림을 살펴 보겠습니다. |
| |
자신의 역사적 DOE에 적용 할 수있는 방법을 보여줍니다. 관심있는 반응이 pDNA 역 가로 측정 된 제품 수율 인 발효 과정에서 얻은 5 가지 요인 DOE의 실제 예를 사용하겠습니다. |
| |
SVEM의 가장 큰 장점은 적은 실행으로 더 정확한 모델을 얻을 수 있다는 것입니다. 즉, 기존 데이터 세트를 사용할 수 있습니다. |
| |
JMP 16의 새로운 후보 집합 디자이너를 사용하여 원래 디자인의 인용 부호없는 예측 심장을 형성하는 행의 하위 집합을 식별합니다. |
| |
36 개의 행이있는 원본 데이터를 가져 와서 5 개의 열을 공변량으로로드하고 사용자 지정 디자이너에게 해당 크기에서 가장 잘 예측 된 성능을 제공하는 원본 디자인의 16 개 행 하위 집합을 제공하도록 지시합니다. |
| |
그런 다음 해당 하위 집합 디자인에없는 모든 행을 숨기고 제외하여 나중에 독립적 인 테스트 집합으로 사용할 수 있도록합니다. |
| |
SVEM 모델을 실행하고 포워드 선택과 같은 표준 절차를 적용하고 동일한 16 개 실행에 AICc 적합을 적용한 경우 SVEM 모델의 성능을 비교해 보겠습니다. |
| |
저는 JMP 16의 새로운 후보 세트 디자이너가 ... 또한 놀라운 공헌이라고 말하고 싶습니다. 저는 Brad의 팀이이 새로운 도구를 만드는 데 얼마나 놀라운 일이 있었는지 말하고 싶습니다. SVEM을 포함하여 여러면에서 유용합니다. |
| |
이를 위해 데이터 세트를 가져 와서 사용자 지정 디자이너로 이동할 수 있습니다. |
| |
공변량 행을 선택하므로 JMP 16의 새로운 개요 노드입니다. |
| |
그런 다음 5 가지 입력 요인을 선택합니다. |
| |
계속을 클릭하십시오. |
| |
그리고 RSM 버튼을 누르면 최적 성 기준이 I- 최적 또는 예측 유형 설계로 자동 변환됩니다. |
| |
비 절편 요인을 모두 선택하고 모델에서 ... |
| |
여기에서 목록을 선택하고 생성 ... 가능한 모든 효과를 차단하지 않는 효과를 설정합니다. 이것이 우리가 모델을 가질 수있게 해주는 것입니다. |
| |
설계 기준이 이제 베이지안 I- 최적 설계가되므로 기본 설계로 실행되는 것보다 더 많은 매개 변수가 포함됩니다. 이제 실행 횟수를 16으로 설정할 수 있습니다. |
| |
디자인 만들기를 클릭합니다. |
| |
이 작업을 마치면 옵티마이 저가 마법을 작동하고 베이지안 I- 최적 서브 세트 설계에있는 모든 행이 이제 원래 테이블에서 선택됩니다. |
| |
테이블로 이동 한 다음 표시기 또는 변환 열을 사용하여 현재 행 선택을 기록 할 수 있습니다. |
| |
그리고 나중에 열의 이름을 의미있는 이름으로 변경했습니다. |
| |
새 지표 열이 0 인 모든 행을 선택하여 부분 집합 디자인에없는 점을 선택할 수 있습니다. |
| |
그런 다음 모델 피팅 프로세스에 포함되지 않도록 해당 행을 숨기거나 제외 할 수 있습니다. |
| |
Phil은 SVEM 추가 기능을 시연 할 예정이므로 모델링 단계를 건너 뛰고 바로 베이지안 I- 최적 서브 세트 설계에 포함되지 않은 행에 대한 순방향 선택과 AICc 및 SVEM 모델의 모델 비교로 이동합니다. 여기 빨간색으로 비교하면 ... |
| |
여기 보고서의 빨간색 윤곽선 부분에 있습니다. SVEM에 R 사각형이있는 것을 볼 수 있습니다. |
| |
.5의 독립 테스트 세트와 고전적인 절차의 R 제곱은 .22이므로 기본적으로 SVEM으로 설명 된 변동의 양이 고전 절차보다 두 배가됩니다. |
| |
46 개의 모든 관측치에 SVEM을 적용 할 때 두 모델의 프로필 추적을 비교할 수도 있습니다. |
| |
SVEM에서 16 번의 런으로 얻은 것과 같이 46 번의 런 모두에 SVEM을 적용 할 때 기본적으로 동일한 모델을 얻는 것이 분명합니다. |
| |
그러나 전방 선택 기반 모델에는 곡률 항이 누락되어 있습니다. 놓칠 수없는 것입니다. 또한 누락 된 많은 상호 작용이 있습니다. 이것은 상당히 간단한 절차입니다. 자신의 기록 데이터에서 SVEM을 테스트하는 데 사용할 수있는 매우 간단한 절차입니다. |
| |
그래서 전반적인 SVEM |
| |
많은 질문을 제기합니다. 행보다 더 많은 매개 변수가있는 모델을 맞출 수 있기 때문에 설계 실험에서 자유도의 역할을 중심으로 많은 요소가 집중되어 있습니다. 즉, 그러한 것이 있으면 사실상 음의 자유도가있을 것입니다. |
| |
이것이 산업 실험에서 P- 값 기반 사고의 역할을 재고하게 할 것이라고 생각합니다. |
| |
우리는 예측에 대한 신뢰 구간에서 예측과 같은 분석의 불확실성에 대한 새로운 방법을 수립하기 위해 노력해야합니다. |
| |
Phil과 저는 우리가 작업 할 수있는 최고의 기본 모델 제품군을 이해하기 위해 몇 가지 작업을하고 있습니다. 그래서 이것은 2 차 RSM이 될 수 있고 우리는 또한 오래 전에 제안 된 부분 3 차 모델을보고 있습니다. 그러나 이제 우리는 재고 할 가치가 있다고 믿습니다. |
| |
어떤 디자인을 사용해야합니까? 우리가 사용하는 기본 모델의 요인 수에 따라 적절한 표본 크기는 무엇입니까? 선별 실험의 역할은 무엇입니까? 그리고 하나의 큰 알려지지 않은 것은 블로킹 및 분할 플롯 실험의 역할이 무엇인지입니다. |
| |
이 프레임 워크에서? |
| |
자 이제 필에게 넘겨 드리겠습니다. 그는 더 심층적 인 사례 연구를 수행하고 Predictum의 SVEM 추가 기능을 시연 할 것입니다. 가져가, 필. |
| 필립 램지 |
좋아, 고마워, 크리스. 제가하려는 것은 사례 연구에 대해 논의하는 것입니다. |
| |
슬라이드 쇼를하겠습니다. |
| |
Chris가 말했듯이 Predictum의 삽화 |
| |
실제로 많은 SVEM 분석을 자동화하는 추가 기능. 그리고 우리가 보려고하는 것은 생명 공학 산업에서 사용되는 분석 방법입니다. |
| |
그리고 이것은 기본적으로 항체가되는 단백질 인 치료 단백질의 글리코 프로파일 링을 특성화하기위한 것입니다. |
| |
그리고 그 업계에서 일하는 많은 사람들은 당 단백질이 치료의 매우 풍부한 원천이라는 것을 알고 있으며 GMP를 확인하기 위해 노력한다면 측정 시스템의 신뢰성을 입증해야한다는 것도 알고 있습니다. 실제로 글리코 프로파일 링의 경우 |
| |
빠르고 사용하기 쉬운 분석 방법은 실제로 완전히 개발되지 않았습니다. 그래서이 실험의 아이디어는 사람들이 사용할 수있는 상당히 빠르고 쉬운 방법을 고안하여 다른 사람들에 대한 정확한 평가를 제공하는 것이 었습니다. |
| |
(나는 여기 화학자가 아닙니다) 설탕은 |
| |
전사 후 기본 단백질에 부착됩니다. |
| |
그리고 당신에게 아이디어를 제공하기 위해 크로마토 그래피 사용에 대한 아이디어와 저는 당신이 그것에 대해 어느 정도 익숙하다고 가정하겠습니다. 기본적으로 그것은 당신이 |
| |
몇 가지 해결책을 가지고 컬럼을 통과 한 다음 다른 화학 종이 컬럼을 통과 할 때 |
| |
그들은 분리되어 다른 시간에 컬럼에서 나오는 경향이 있습니다. 기본적으로 크로마토 그램이라고하는 형태입니다. |
| |
농도의 함수이며 피크가 발생하는 시간은 실제로 종이 실제로 무엇인지 식별하는 데 중요합니다. 따라서이 경우에는 여러 |
| |
설탕. 저는 단순히 글리코 폼이라고 부르겠습니다. 여기서 진행되는 것은이 작업을 수행 한 과학자들이 보정 솔루션을 개발 한 것입니다. |
| |
그리고 우리는 교정 솔루션에 무엇이 있는지 정확히 알고 있습니다. 우리는 정확히 어떤 봉우리가 용출되어야하고 대략 어디인지를 알고 있습니다. |
| |
그런 다음 실제 인간 항체 샘플과 보정 샘플을 비교할 수 있습니다. 그리고 이러한 글리코 폼 중 일부는 충전됩니다. 그들은 칼럼을 통과하기가 어렵습니다. |
| |
그들은 그것에 집착하는 경향이 있기 때문에 우리는 때때로 gradient elution 절차라고 불리는 것을 사용하고 있습니다. |
| |
그리고 세부 사항은 다루지 않겠습니다. 우리가 여기서하는 것은 고성능 음이온 교환 크로마토 그래피라는 것을 사용하고 있습니다. 나는 그것에 대한 전문가는 아니지만 내가 함께 일한 과학자는 |
| |
이 교정을 개발하는 데 아주 좋은 일이었고 역사적으로 교정 솔루션이 필요한 이유는 |
| |
인간 항체 샘플에서 용출되는 당은 컬럼에서 나올 위치를 완전히 예측할 수 없기 때문에 보정에 사용할 수있는 것이 있습니다. |
| |
그래서. |
| |
그 일을 한 사람은 잠시 후 그녀를 언급 할 것입니다. 두 개의 개별 실험을 설계했습니다. 하나는 16 개 단계로 구성된 3 단계 설계입니다. |
| |
그리고 나중에 그녀는 돌아와서 더 큰 28- 런, 3 레벨 디자인을했습니다. 하나는 훈련 세트로, 다른 하나는 검증 세트로 사용할 수 있습니다.하지만 Chris가 말한 공변량 선택기와 베이지안 I- 최적 전략을 보여주기 위해 |
| |
두 디자인 모두 단일 44 실행 디자인으로 결합되었습니다. 우리는 |
| |
이 설계를 공변량 선택기를 사용하여 맞춤 설계로 가져간 다음 다양한 베이지안 I- 최적 설계를 만들었습니다. |
| |
그리고 우리는 더 많은 조합을 할 수 있었지만 이것에 대해 이야기 할 시간이 너무 많습니다. 그래서 세 가지 디자인이 있습니다. 하나는 10 개의 런을 가지고 있으며 5 개의 요소를 기억하고 10 개의 런을 수행합니다. |
| |
13-run 디자인과 16-run 디자인, 그리고 우리는 훨씬 더 많은 것을 할 수 있습니다. 그래서 우리가 원하는 것은 |
| |
설계는 팬을 사용하여 모델을 맞춘 후에 수행되며 Chris가 언급했듯이 이러한 각 설계에서 44 개에서 선택되지 않은 런은 모델이 얼마나 잘 작동하는지 확인하기위한 검증 또는 테스트 세트로 사용됩니다. 수행. |
| |
좋아요, 이것들은 초기 요인들입니다. 초산 나트륨의 초기 량, 수산화 나트륨의 초기 량입니다. 그리고 세 가지 별도의 기울기 용리 단계가 있습니다. |
| |
약 40 분 동안 진행됩니다. 이것이 실험에서 사용되고 조작되는 설정입니다. |
| |
실제로이 실험에는 44 개의 다른 응답이 있습니다. 그래서 우리가 사용할 수있는 시간이 주어지면 두 가지를 살펴 보겠습니다. |
| |
하나는 글리코 폼 3의 머무름 시간이고 이것이 핵심이며 이것이 교정 크로마토 그램을 고정하는 것입니다. |
| |
그리고 우리는 그것이 인간 항체 샘플과 잘 어울리기 때문에 약 8 분 30 초 후에 나오기를 바랍니다. |
| |
실제로 모델링하는 것은 상당히 쉽습니다. 두 번째 반응은 글리코 폼 10의 머무름 시간입니다. 하전 된 글리코 폼입니다. 매우 늦게 용출되고 다른 하전 된 글리코 폼과 뭉쳐지는 경향이 있으며 구별하기가 더 어렵습니다. 좋아요, 제가 살펴볼 두 가지 답변입니다. |
| |
크로마토 그램에 익숙하지 않은 사람들을 위해 여기에 몇 가지 크로마토 그램이 있습니다. 이것은 본질적으로 응답입니다. |
| |
응답이 어떻게 생겼는지에 대한 사진이 있습니다.이 경우 사진을 보시면 머무름 시간, 즉 언제 확인 하셨는지 살펴 보겠습니다. |
| |
피크 3이 나오나요? 몇시에 Peak 10이 나와서 크로마토 그램에 표시 되었습니까? 그리고 두 사람 사이에 |
| |
제가 보여주는 크로마토 그램, 프로필이 얼마나 다른지. 그래서이 실험에서 우리가 그 실험적 요인을 조작했을 |
| |
(그런데, 우리는이 크로마토 그램 중 44 개를 가지고 있습니다. 그 중 두 개를 보여 드리겠습니다.)이 피크의 모양과 머무름 시간 등에서 많은 차이와 해상도를 볼 수 있습니다. 그래서 우리가하는 일이 무엇이든, 우리는 분명히 |
| |
그리고 궁금하신 분들을 위해 우리는 미래에 이것을 기능 데이터로 생각하고 기능 데이터 분석을 어떻게 사용할 수 있을지 생각하고 있습니다. |
| |
그러나 그것은 종종 미래이지만 우리가 매우 관심을 갖는 것입니다. 크로마토 그램은 결국 기능 데이터입니다. 하지만 두 가지 기능을 추출하여 모델링 해 보겠습니다. 괜찮아. 그리고 나는 또한 |
| |
좋은 친구이자 뛰어난 과학자 인 Cytovance Biologics의 Eliza Yeung 박사. 그리고 그녀는 모든 실험 작업을 수행했고 그녀는 건설 아이디어를 생각 해낸 사람이었습니다. |
| |
그녀가 포도당 사다리라고 부르는 교정 용액입니다. 그리고 Eliza는 좋은 사람 일뿐만 아니라 JMP도 좋아합니다. 그래서 우리는 여러면에서 엘리자를 좋아합니다. 훌륭한 과학자. 좋아, 그래서 |
| |
들어가기 전에 |
| |
SVEM, 제가 말씀 드리고 싶은 것은 ... Chris는 1950 년부터 최적화의 기초로 사용 된 전체 2 차 모델을 언급했습니다. |
| |
기본적으로 모든 주 효과, 두 요인 상호 작용 및 제곱항입니다. 사실, 많은 복잡한 물리적 시스템의 경우 동역학은 실제로 해당 모델에 비해 너무 복잡합니다. |
| |
Cornell과 Montgomery는 1998 년에 정말 멋진 논문에서 이것을 지적하고 많은 경우에 |
| |
그들이 상호 작용 모델이라고 부르는 것을 부분 3 차 모델이라고 부르면 더 잘 작동 할 수 있습니다. 제 경험상 SVEM을 사용하고이 모델을 많은 사례 연구에 적용한 것은 맞습니다. 실제로 더 나은 예측 모델을 제공하지만 문제가 있습니다. |
| |
이러한 부분 입방 모델은 거대 할 수 있으며 Chris가 언급했듯이 과포화 모델이 큰 문제인 기존 모델링 전략에 큰 도전입니다. |
| |
몇 개의 잠재적 용어가 있습니까? 음, K 제곱을 두 번 취하고 절편에 1을 더합니다. 따라서 5 가지 요소에 대해 전체 |
| |
부분 3 차 모델은 51 개의 항을 갖습니다. 그건 그렇고, 저는이 모델들을 사용할 것입니다.하지만 저는 일반적으로 가장 중요한 용어 중 40 개만 사용할 것입니다. |
| |
그런 다음 자체 검증 앙상블 모델링을 사용하여 모델에 맞출 것이며 Chris가 말했듯이 SVEM은 과포화 모델에 문제가 없습니다. |
| |
그런데 기계 학습 문헌에서 과포화 모델은 항상 적합합니다. |
| |
그리고 올바른 기계 학습 기술을 사용하면 실제로 ... 실제로 보여줄 수 있으며 더 나은 예측 성능을 얻을 수 있습니다. |
| |
이것은 전통적인 통계에서는 거의 알려지지 않았습니다. 그래서 우리는 SVEM 추가 기능을 사용할 것이며, 그것에 대해 배우고 싶다면 Predictum에서 이미 말한 Wayne Levin에게 연락 할 수 있다고 언급했습니다. Wayne이 당신과 이야기하고 싶어 할 것이라고 확신합니다. |
| |
이제 JMP에 대해 간단히 살펴 보겠습니다. |
| |
그리고 추가 기능이 실제로 어떻게 작동하는지 보여 드리겠습니다. JMP를 가져 오겠습니다. |
| |
그래서 추가 기능을 설치하여 자체 탭이 있습니다. 그래서 Predictum을 클릭합니다. 그건 그렇고, 이것은 우리가 만든 베이지안 I- 최적 설계 중 하나이며, 이것은 16 개의 런을 가지고 있습니다. 자체 검증 앙상블 모델링을 선택합니다. |
| |
따라서 일반적인 적합 모델 출시 대화와 같은 모습을 볼 수 있습니다. 다섯 가지 요소를 선택하겠습니다. |
| |
그리고 저는이 시점에서 예시를 위해 반응 표면 모델을 수행 할 것입니다. |
| |
글리코 폼의 체류 시간 3. 백그라운드에서이 설정, 자동 검증 테이블에 대기 기능이 있습니다. |
| |
그리고 자동 검증 부분이 있습니다. 이 모든 것이 배경에 있으므로 볼 필요가 없습니다. 하지만 추가 기능이 생성 한 다음 기본적으로 숨겨 지지만 원하는 경우 볼 수는 있지만 보는 것이별로 중요하지 않기 때문에 숨겨져 있습니다. |
| |
이제 GenReg를 엽니 다. 이것이 GenReg입니다. |
| |
제어판. 그런데 설명을 위해 SVEM은 모델 구축에 사용하는 방법과 관련하여 실제로 불가지론 적입니다. 사실 GenReg에도없는 메소드를 사용할 수 있지만 이것이 오늘날 우리의 주요 초점입니다. 그래서 우리는 앞으로 선택을 할 것입니다. |
| |
그리고 우리는 시간이 너무 많기 때문에 10 회만 할 것입니다. |
| |
이동을 클릭하면 모델이 생성됩니다. |
| |
여기에 단 10 회 반복에 대한 출력이 있고 예측 된 플롯으로 실제를 얻습니다. 그러나 이것에 대해 정말 좋은 점은 실제로 앙상블 모델 평균을 생성한다는 것입니다. |
| |
그래서 자체 검증 앙상블 모델을 클릭하고 예측 공식을 저장합니다. 그래서 계속해서이 디스플레이를 닫겠습니다. |
| |
이리와. |
| |
그리고 내 모델이 있습니다. |
| |
이제이 모델을 가져 와서 검증 데이터에 적용 할 수 있습니다. 그래서 우리는 16 개의 실행이 선택되었고, 우리가 실제로 어떻게했는지 확인하기위한 검증 세트로 사용할 수있는 또 다른 28 개의 실행이 있습니다. 그래서이 시점에서 저는 이제 |
| |
그런데 SVEM 추가 기능이 없으면 약간 어려울 수 있습니다. 특히 JMP 스크립팅에 능숙하지 않은 경우 더욱 그렇습니다. |
| |
실제로 이러한 모델을 만들 수 있습니다. 추가 기능은 백그라운드에서 끔찍한 작업을 수행 한 것처럼 보이지 않을 수 있습니다. 그래서 우리는 어떻게 했습니까? 다시 슬라이드 쇼에 넣어 보겠습니다. |
| |
그래서 제가 한 것은 세 가지 디자인, 16- 런 디자인, 13- 런, 그리고 10 개의 런을 선택했습니다. 우리는 정말로 봉투를 밀고 있습니다. |
| |
그리고 두 가지 반응이 있습니다. 제가 말했듯이 글리코 폼 10은 늦게 용출되고 시끄럽고 해결하기 어려울 수 있습니다. 따라서 16- 런 설계의 경우 실제로 40 항 부분 입방 모델을 적합합니다. 16 번 실행된다는 점을 명심하세요. 그리고 저는 40 기 모델에 적합합니다. |
| |
그리고 이것의 핵심은 검증 세트의 평균 제곱근 오차입니다. 그래서 |
| |
저는 여섯 번째 ... 제 40 기 모델에 적합합니다. |
| |
검증 세트의 평균 제곱근 오차는 낮았고 검증 R 제곱은 실제로 98에 가까웠으므로 매우 잘 맞습니다. |
| |
훨씬 시끄러운 사람들에게도 |
| |
glycoform 10, 우리는 여전히 꽤 좋은 모델을 가지고 있습니다. 예측 플롯으로 실제를 보여 드리겠습니다. 그래서 우리는 13을 위해 이것을했고, 다시 13을 위해 우리는 아주 좋은 결과를 얻었습니다. |
| |
그리고 마지막으로 10. 그건 그렇고, 나는 표준 전체 2 차 모델에 딱 맞았고, 정말 내 행운을 밀어 붙이는 것 같았다. |
| |
그러나 나는 계속해서 부분 입방체를 시도 할 수 있었다. 다시 한번 글리코 폼 3 머무름 시간을 모델링 한 10 번의 실행에서도 R 제곱 .94를 얻었습니다. |
| |
저에게는 정말 인상적이었고 다시 모델링했습니다 ... 제 모델은 관측치보다 두 배 더 많은 예측 변수를 가지고 있었고 글리코 폼 10을 모델링하기 어려운 경우에도 꽤 잘했습니다. |
| |
그래서 여기에 예측 된 플롯에 의한 실제 몇 가지가 있습니다. 그리고 모델링하기가 정말 어렵 기 때문에 다시 글리코 폼 10을 선택합니다. |
| |
그래서 나는 시스템을 너무 많이 게임하고 싶지 않았습니다. 나는 경험을 통해 모델링이 어렵다는 것을 알고 있습니다. 따라서 실제 예측 플롯이 있습니다. 10 실행 설계에 대한 또 다른 실제 예측 플롯이 있지만 여전히 꽤 좋습니다. |
| |
여기서 우리가하려는 것을 고려할 때. |
| |
그리고 마지막으로 우리는 전반적으로 어떻게 했습니까? |
| |
그래서 이것은 제가 모아 놓은 작은 테이블입니다. 그리고 저는 16- 런 디자인을 기준으로 삼았습니다. 그리고 제가하고있는 것은 10 개를 맞출 때 일어난 일을 비교하는 것입니다. |
| |
용어 모델 및 G10의 유지 시간에 대한 13 용어. |
| |
13에 대해 다소 큰 오류가 있고 10에 대해 훨씬 작은 오류가 있음을 알 수 있습니다. 이유를 모르겠습니다. 나는 그 결과가 무엇인지 보여 주기로 결정했습니다. 그것은 약간의 수수께끼이며 나는 그것을 탐구하기 위해 돌아 가지 않았습니다. |
| |
그러나 머무름 시간 3의 경우 16에서 10으로 줄었습니다. 예, 제곱 평균 제곱근 오차가 약간 증가했지만 예측 플롯으로 실제를 보면 알 수 있습니다. |
| |
여전히 검증 세트에 대한 예측을 잘 수행합니다. 그래서이 존재의 요점은, 저는 이것이 알고 있습니다. 저는 생명 공학 회사들과 많이 일합니다. |
| |
실험 설계에서 잠재적으로 달성 할 수있는 실제 효율성과 이러한 실험은 비용이 많이 든다는 것을 알고 있습니다. |
| |
더 중요한 것은 많은 시간이 걸린다는 것입니다. 이것은 실제로 실험 시간을 단축하고 실험 예산을 줄이고 더 많은 정보를 얻을 수 있습니다. |
| |
그래서 이것에 대한 일종의 빠른 결론입니다. 이 SVEM 절차와 이것, 그리고 Chris가 보여준 것처럼 우리는 시뮬레이션과 사례 연구에서 이것을 조사했습니다. |
| |
SVEM은 과포화 모델에 적합합니다. 나는 그것에 대해 다루지 않을 것이지만, 기계 학습 연습에서 과포화 모델은 매우 잘 수행되는 것으로 알려져 있습니다. 그들은 항상 딥 러닝을 예로 사용합니다. |
| |
기본적으로 Chris가 말했듯이 SVEM은 기계 학습과 실험 설계를 결합합니다. |
| |
그리고 더 중요한 것은 일단 SVEM의 경로를 시작하면 실험에 대해 어떻게 생각하는지 알려줍니다. |
| |
따라서 기본적으로 SVEM을 사용하면 혁신 속도를 높이고 실제로 실험 시간과 비용을 줄일 수있는 매우 효율적인 실험에 대해 생각할 수 있습니다. 그리고 제품과 프로세스를 개발할 시간이 |
| |
리드 타임이 점점 짧아지고 있습니다. 이것은 사소한 문제가 아닙니다. 생명 공학 분야의 많은 분들이 심각한 예산 제약에 직면하고 있음을 알고 있습니다. |
| |
그리고 (대부분의 사람들이 그렇습니다) 그리고 마지막으로 유망한 영역 중 하나는 Bayseian I- 최적 설계입니다. |
| |
그리고 다시 한 번, Brad Jones와 그의 그룹이 JMP에서 이러한 기능을 소개하는 데 큰 도움이되었다고 말씀 드리겠습니다. 실제로 베이지안 I- 최적 설계를 수행하는 유일한 소프트웨어 패키지입니다. |
| |
그리고 우리는 SVEM이 많은 가능성을 열어 줄 것이라고 생각합니다. 그래서 기본적으로 그것은 제 이야기이고 저는 그것을 Wayne Levin에게 넘겨 줄 것입니다. |
| 웨인 레빈 |
감사합니다. 정말 감사합니다. |
| |
필과 크리스. 모두가 끔찍한 작업이 있음을 알 수 있기를 바랍니다. |
| |
참호에서 일하고 있다고 말할 수 있습니다. 그리고 저는 30 년 넘게이 게임에 참여해 왔습니다. 제가 여기서보고있는 것에 대해 매우 흥분된다고 말하는 것도 괜찮습니다. |
| |
제 생각에는 이것이 정말 변형적일 수 있다고 생각합니다. 여기서 산업 실험이 수행되는 방식을 바 꾸었습니다. 이전에는 과포화 디자인만으로도 매우 흥분했습니다. |
| |
맞춤형 디자이너와 함께 이제는 디자인 측면에서 ... |
| |
사물의. |
| |
이제 분석 측면에서 SVEM을 가져 오면 두 가지 훌륭한 취향이 있습니다. |
| |
잘 어울린다고 말할 수 있습니다. 어쨌든 결론을 내리기 위해 여기로 밀어 넣겠습니다. |
| |
Phil, 나와 Marie Goddard, 주문형 과정을 준비 중입니다 (4 월과 같이 다음 분기에 제공 될 예정 임). |
| |
혼합 설계 실험에 대해 알아보고이 과정에서 SVEM에 많은 시간을 집중할 것입니다. 관심이 있으시면 알려 주시거나 그렇게하겠습니다. 링크드 인이나 그 중 하나에서 알려 드릴 수 있습니다. |
| |
그리고 SVEM 추가 기능의 경우 다시 한 번 말씀 드리지만,이 기능을 처음으로 출시 한 것이 기쁩니다. |
| |
우리는 몇 달 동안 열심히 노력해 왔습니다. 우리는 매월 새로운 릴리스를하므로 현장에서 피드백을 받으면서 발전하고 있습니다. Phil에게 대단히 감사하고 싶습니다. |
| |
이것을 이끌고 있습니다. 그리고 그는 우리 개발자 중 한 명 (???)과 파트너 관계를 맺고 있으며 정말 대단한 노력과 많은 노력을 기울였습니다. |
| |
이 지점에 도달하기 위해 우리는 당신이 사용할 수 있도록 만들고 싶습니다. 그리고 Phil이 앞서 언급했듯이 이것을 시도하는 데는 두 가지 방법이 있습니다. 하나는 추가 기능 자체를 시도하는 것입니다. |
| |
14와 15에서 작동합니다. 그리고 16 개가 나오면 16 개도 사용할 수있을 것 같습니다. JMP Pro가 필요하므로 JMP Pro가없는 경우 여기 링크가 있습니다. 여기에서 JMP Pro 평가판 라이선스를 신청할 수 있습니다. |
| |
물론이 프레젠테이션의 슬라이드를 다운로드하여이 링크를 얻을 수 있습니다. 이것이 당신이 그것을 얻을 수있는 방법입니다. 그래서 이것은 당신이 그것을 직접 시험해 볼 수있는 한 가지 방법입니다. |
| |
또 다른 방법은 저희에게 연락하는 것입니다. 우리는 개념 증명을 기반으로 귀하와 협력 할 수 있습니다. |
| |
그리고 우리는 비교 분석 등을 할 수 있고 물론 그 분석을 여러분과 함께 검토 할 수 있습니다. 따라서 필요한 서류를 준비하고 |
| |
우리는 그것을 시도해도 상관 없습니다. Wwe는 많은 회사를 위해 그렇게 해왔고 그것이 무엇이든간에 당신에게 가장 쉬운 방법 일 것입니다. 좋아요, 그리고 지금은 제가하고 싶은 것은 |
| |
지금 질문이나 의견이 있으시면여십시오. Chris와 Phil을 대신하여 함께 해주셔서 감사합니다. 좋아요, 질문과 의견 부탁드립니다. |
