神經網絡和 FDE你好，
我們已經與一位客戶聯繫，該客戶將評估 JMP Pro 的神經網絡和 FDE。 他有非常精確的問題，例如
1) 神經網絡：1a) JMP Pro 與 Keras 和 Tensorflow 的比較。 1b) 我們可以改變節點/層之間的連接 1c) 是否有可用的引導森林（除了提升） 1d) 我們可以量化不確定性。
2) FDE：2a) 是否有樣條回歸，2b) FDE 中降維的工作原理，2c) FPCA 聚類
作為評論，他是數學家......
感謝您的幫助。
伊曼紐爾
回复：神經網絡和 FDE嗨，伊曼紐爾，
其中一些是大問題。 我不是這方面的專家。 但是這裡...
1a. 我不太了解這些工具，但我認為您不應該將它們與 JMP Pro 進行比較。 Keras 和 Tensorflow 是神經網絡的專用工具。 JMP 中的神經網絡只是科學家和工程師通用統計發現工具中的一個平台。
1b. 他們是否希望能夠編輯節點之間的單個連接？ 我想知道他們為什麼要這樣做。 不，我不認為那是不可能的。 如果他們想為預測變量的連接方式定義特定的“路徑”，那聽起來更像是 SEM。
1c。 我不確定他們的意思。 神經網絡的引導森林？ 您可以保存不同的 NN 模型，然後使用 BF 將它們聚合為預測變量。 我認為你需要詢問更多細節。 他們為什麼要這樣做？
1天。 您可以從 NN 引導點預測以生成圍繞該預測的置信區間，但我認為沒有一種構建整體不確定性區間的好方法。
2a. 我不清楚他們在問什麼。 樣條擬合是 FDE 過程的一部分。 您需要詢問有關他們想用樣條回歸做什麼的更多詳細信息。
2b. 你有多久:) ? 我會搜索 Chris Gotwalt 和/或 Ryan Parker 的演講之一，以獲取有關降維的統計詳細信息。
2c。 您可以排除 FPC 並使用集群平台。 我假設他們想要找到相似功能的集群。 是沒有問題。 他們可以做到這一點。
在我看來，這聽起來像是有人試圖為 JMP Pro 不適合他們的原因尋找藉口，他們將不得不繼續使用他們喜歡的現有工具集。 我可能是錯的，但我會小心在這上面投入太多時間。
回复：神經網絡和 FDE我不想成為這樣說的人，但他們只需要 RTFM（閱讀該死的手冊......）。 許多問題都在文檔的統計部分中得到解決。 Chris G. 還撰寫了一份關於我們的神經網絡功能的白皮書（可在社區中獲得）。 它可能有點過時，但我認為基本面仍然健全。
所以，我只想說，“看看文檔，它是在線的並且可以完全搜索。 我們的首席數據科學家在社區中有一份很棒的白皮書 - 這是鏈接。 看看那些，如果你有任何他們沒有回答的問題，請告訴我。”
最好的，
米
回复：神經網絡和 FDEKeras 是 TensorFlow 的高級 Python 包裝器。 TensorFlow 中有 JMP 沒有的深度學習神經網絡功能，但我相信存在重疊。 我接觸 TensorFlow 是在一個項目中，我們使用預訓練的捲積神經網絡 (CNN) 從圖像中自動識別製造零件中的缺陷。 即使 JMP 具有 CNN 功能，我認為我們也無法像使用 TensorFlow 那樣快速獲得實時監控的結果。 我個人認為我們不需要在這個級別上競爭。 我最近與一些數據科學家進行了互動，他們將 Keras 用於他們認為可以在 JMP 中生成的 NN 模型。 他們喜歡在 JMP 中生成模型與在 Python 中生成腳本的速度有多快。 他們還喜歡沒有數據科學和腳本背景的人可以參與建模工作的想法。 我相信這是我們可以競爭並獲勝的地方。
回复：神經網絡和 FDE你好邁克，我很抱歉，因為我錯過了這個寶貴的資源。 自第 9 版以來仍然有效嗎？或者sinve v16是否有任何修改/改進？謝謝你。 伊曼紐爾
回复：神經網絡和 FDE我會這麼想。 我不記得過去幾年有任何重大變化。
米
回复：神經網絡和 FDE太好了謝謝。
