神经网络和 FDE你好，
我们已与一位客户取得联系，他将评估 JMP Pro 的神经网络和 FDE。 他有非常精确的问题，例如
1) 神经网络：1a) JMP Pro 与 Keras 和 Tensorflow 的比较。 1b）我们可以改变节点/层之间的连接 1c）引导森林是否可用（除了增强） 1d）我们可以量化不确定性。
2) FDE：2a) 是否存在样条回归，2b) FDE 中的降维工作原理，2c) FPCA 聚类
作为评论，他是数学家......
感谢您的帮助。
以马内利
回复：神经网络和 FDE太好了谢谢。
回复：神经网络和 FDE我想是这样。 我不记得过去几年有什么重大变化。
中号
回复：神经网络和 FDE你好，迈克，我很抱歉我错过了这个宝贵的资源。 从版本 9 开始这仍然有效吗？或者 sinve v16 有任何修改/改进吗？谢谢。 以马内利
回复：神经网络和 FDEKeras 是 TensorFlow 的高级 Python 包装器。 TensorFlow 中具有 JMP 所不具备的深度学习 NN 功能，但我相信存在重叠。 我接触 TensorFlow 是在一个项目期间，我们使用预训练的卷积神经网络 (CNN) 从图像中自动识别制造零件中的缺陷。 即使 JMP 具有 CNN 功能，我认为我们也无法像使用 TensorFlow 那样快速获得结果来进行实时监控。 我个人认为我们不需要在这个级别上竞争。 我最近与一些数据科学家进行了交流，他们使用 Keras 来构建他们认为可以在 JMP 中生成的神经网络模型。 他们喜欢在 JMP 中生成模型的速度与在 Python 中编写脚本的速度相比。 他们还喜欢这样的想法：没有数据科学和脚本背景的人也可以参与建模工作。 我相信这是我们可以竞争并获胜的地方。
回复：神经网络和 FDE我不想成为这样说的人，但他们只需要 RTFM（阅读该死的手册......）。 许多问题都在文档的统计部分得到解决。 Chris G. 还编写了一份关于我们的神经网络所做工作的白皮书（可在社区中获取）。 它可能有点过时了，但我认为基本面仍然健全。
所以，我只想说，“看看文档，它是在线的并且完全可以搜索。 我们的首席数据科学家在社区中有一份很棒的白皮书 - 这是链接。 看看这些，如果你有任何他们没有回答的问题，请告诉我。”
最好的，
中号
回复：神经网络和 FDE嗨伊曼纽尔，
其中一些是大问题。 我不是这方面的专家。 但这里...
1a. 我不太了解这些工具，但我认为您不应该将它们与 JMP Pro 进行比较。 Keras 和 Tensorflow 是神经网络的专用工具。 JMP 中的神经网络只是科学家和工程师通用统计发现工具中的一个平台。
1b. 他们是否希望能够编辑节点之间的各个连接？ 我想知道他们为什么要这样做。 不，我认为这是不可能的。 如果他们想为预测变量的连接方式定义一个特定的“路径”，这听起来更像是 SEM。
1c. 我不确定他们的意思。 神经网络的引导森林？ 您可以保存不同的 NN 模型，然后使用 BF 将它们聚合为预测变量。 我认为你需要询问更多细节。 他们为什么要这样做？
1d。 您可以从神经网络引导点预测来生成围绕该预测的置信区间，但我认为没有一个好的方法来构建总体不确定性区间。
2a. 我不清楚他们在问什么。 样条拟合是 FDE 过程的一部分。 您需要询问有关他们想要如何处理样条回归的更多详细信息。
2b. 你还有多久:) ？ 我会搜索 Chris Gotwalt 和/或 Ryan Parker 的演讲之一，以获取有关降维的统计详细信息。
2c. 您可以节省 FPC 并使用集群平台。 我假设他们想要找到相似功能的集群。 是没有问题。 他们可以做到这一点。
在我看来，这就像有人试图为 JMP Pro 不适合他们寻找借口，并且他们必须继续使用他们喜欢的现有工具集。 我可能是错的，但我会小心不要在这方面投入太多时间。
