神經網路和 FDE你好，
我們已與一位客戶取得聯繫，他將評估 JMP Pro 的神經網路和 FDE。 他有非常精確的問題，例如
1) 神經網路：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）引導森林是否可用（除了增強） 1d）我們可以量化不確定性。
2) FDE：2a) 是否存在樣條迴歸，2b) FDE 中的降維工作原理，2c) FPCA 聚類
作為評論，他是數學家......
感謝您的協助。
以馬內利
回覆：神經網路和 FDE太好了謝謝。
回覆：神經網路和 FDE我想是這樣。 我不記得過去幾年有什麼重大變化。
中號
回覆：神經網路和 FDE你好，麥克，我很抱歉我錯過了這個寶貴的資源。 從版本 9 開始這仍然有效嗎？或者 sinve v16 有任何修改/改進嗎？謝謝。 以馬內利
回覆：神經網路和 FDEKeras 是 TensorFlow 的高階 Python 包裝器。 TensorFlow 中具有 JMP 所沒有的深度學習 NN 功能，但我相信有重疊。 我接觸 TensorFlow 是在一個專案期間，我們使用預先訓練的捲積神經網路 (CNN) 從影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 那樣快速獲得結果來進行即時監控。 我個人認為我們不需要在這個層級上競爭。 我最近與一些資料科學家進行了交流，他們使用 Keras 來建立他們認為可以在 JMP 中產生的神經網路模型。 他們喜歡在 JMP 中生成模型的速度與在 Python 中編寫腳本的速度相比。 他們也喜歡這樣的想法：沒有資料科學和腳本背景的人也可以參與建模工作。 我相信這是我們可以競爭並獲勝的地方。
回覆：神經網路和 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...）。 許多問題都在文件的統計部分得到解決。 Chris G. 也編寫了一份關於我們的神經網路所做工作的白皮書（可在社群中取得）。 它可能有點過時了，但我認為基本面仍然健全。
所以，我只想說，“看看文檔，它是在線的並且完全可以搜索。 我們的首席數據科學家在社區中有一份很棒的白皮書 - 這是連結。 看看這些，如果你有任何他們沒有回答的問題，請告訴我。”
最好的，
中號
回覆：神經網路和 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 是神經網路的專用工具。 JMP 中的神經網路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各個連結？ 我想知道他們為什麼要這樣做。 不，我認為這是不可能的。 如果他們想為預測變數的連接方式定義一個特定的“路徑”，這聽起來更像是 SEM。
1c. 我不確定他們的意思。 神經網路的引導森林？ 您可以儲存不同的 NN 模型，然後使用 BF 將它們聚合為預測變數。 我認為你需要詢問更多細節。 他們為什麼要這樣做？
1d。 您可以從神經網路引導點預測來產生圍繞該預測的置信區間，但我認為沒有一個好的方法來建立總體不確定性區間。
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要如何處理樣條回歸的更多詳細資訊。
2b. 你還有多久:) ？ 我會搜尋 Chris Gotwalt 和/或 Ryan Parker 的演講之一，以獲取有關降維的統計詳細資訊。
2c. 您可以節省 FPC 並使用叢集平台。 我假設他們想要找到相似功能的群集。 是沒有問題。 他們可以做到這一點。
在我看來，這就像有人試圖為 JMP Pro 不適合他們尋找藉口，並且他們必須繼續使用他們喜歡的現有工具集。 我可能是錯的，但我會小心不要在這方面投入太多時間。
