Grazie Voi per Guardando Questo presentazione per tè Europa Scoperta Vertice Conferenza in linea. Mio nome È Damiano Perret. IO un uomo Ricerca e sviluppo scienziato A CEA In Francia. IO Sono con François Bergeret tè statistico E tè fondatore Di Ippon Innovazione In Francia. Con François, Noi Sono molto Contento A Essere Qui Oggi E Noi volevo Piace A Grazie tè timone Comitato Chi ripieni noi tè opportunità A parlare Di Questo lavoro Quale È Di innovativo approcci utilizzando JMP.
Noi Volere Dare Voi due scatola studi. François Volere Qui tè Primo scatola E IO Volere Qui tè secondo scatola. Appena inizio con ha pochi parole Di CEA. CEA È ha francese governo organizzazione per ricerca, sviluppo, E innovazione In forno le zone; Basso carbonio energie, tecnologico ricerca, fondamentale ricerca, E difesa E sicurezza. Tè CEA conta Di 20.000 persone E Noi Sono situato Noi nove diverso Sito (s In Francia. Noi Avere forte relazioni con tè accademico mondo E molti collaborazioni con università E partner, Entrambi In Francia E Tutto in giro tè mondo.
Alcuni parole Di Ippon Innovazione. Di gara, Noi Sono ha più piccola azienda rispetto A tè CEA. Esso era creato 15 anni fa. Noi Sono basato In tè Sud Di Francia, Tolosa. Noi Sono ha squadra Di statistico, soltanto statistici con abilità In industriale statistiche, esempio, SPC, misurazione sistema analisi, E Di gara, macchina apprendimento E COSÌ Noi.
Io sono ha JMP utente Da 1995, COSÌ ha lungo tempo fa. IO iniziato con JMP 3. Di gara, Ippon È JMP Compagno Perché Noi usato ha lotto Di JMP. Per esempio, per prodotto ottimizzazione, Noi Avere ha attrezzo chiamato Yeti, automatico prodotto ottimizzazione In complesso produzione sistemi. Noi Anche sviluppato soluzione basato Noi ha cliente richiesta, Che cosa Noi chiamata Software Noi richiesta, per esempio, ha pieno soluzione per anomalo rilevamento oro statistiche processi controllo.
Utilizzando JMP E GSL, Noi Avere parecchi GSL esperto Qui, Compreso Carola Soual, Quale È co- autore Di Questo parlare Oggi. Noi Anche Avere ha classico consulenza E formazione competenza basato Noi JMP Noi industriale statistiche. Tè contento Di tè presentazione Oggi, Noi Volere Qui due vero scatola studi con Damiano. Tè Primo uno È basato Noi simulazione E ha computer progetto Di sperimentare, E tè secondo uno Volere Essere presentata di Damiano Noi ha macchina apprendimento attrezzo per predizione.
IO Volere Qui tè scatola studio numero 1 basato Noi miscela. Esso È Va bene. Voi Potere andare Noi tè Prossimo diapositiva. Tè contesto È ha rischio valutazione E ha opportunità calcolo. A spiegare Esso ha poco morso, miscela progetto Di sperimentare era creato di tè CEA A valutare tè prestazione Di ha Materiale per nucleare sciupare. Tè condizionata È Fatto con sali In ha matrice. Tè prestazione È determinato di ha soglia Noi tè energia. Tè energia ha A Essere più alto di tè soglia.
Esso È non COSÌ facile A stima tè opportunità A Essere sotto Questo soglia. Noi Volere logoro Tutto tè utensili E Tutto tè dati Quello Noi Avere A Fare Questo compito. Di gara, tè opportunità ha A Essere asso piccolo asso possibile. Damiano, tè CEA esperto, Volere valutare Se Questo opportunità È Va bene. Ora, Che cosa metodologia Noi logoro A stima Questo peggio scatola opportunità?
Primo Di Tutto, basato Noi tè dati da tè miscela progetto Di sperimentare, Noi Avere stimato parecchi Modelli. Fondamentalmente, Alcuni classico lineare Modelli, Anche classificazione E decisione alberi, E Anche neurale reti Sono tè mano Modelli usato. Per ogni modello, Noi Avere Fatto tre analisi.
Primo, tè Montato Squiddi simulazione Noi tè fattori, COSÌ classico casuale simulazione con Montato Squiddi. Anche, Che cosa Noi chiamata spazio Riempimento progetto, ha computer progetto con JMP, Dove Noi Tentativo A Esplorare tè progetto spazio scopo di computer simulazioni, aggiungendo ha rumore Noi tè risposta.risposta. Questo È Fatto con JMP Pro. Scorso cosa Noi fatto È ha miscelazione Di Montato Squiddi E spazio Riempimento progetto. Noi Volere dettaglio Questo, scopo Questo È molto utile asso Noi Volere A stima ha peggio scatola probabilità. Noi Potere andare A Prossimo diapositiva.
Scatola studio numero 1, classico JMP simulazione per tè miscela DOE. Primo Di Tutto, Noi Avere A Selezionare tè migliore modello. Prima facendo la simulazione, Noi Bisogno A Trovare tè migliore modello. Là È ha molto Nizza caratteristica In JMP professionista, Quale È chiamato modello confronto. Molto velocemente, Voi Potere rispetto tè Modelli basato Noi criteri, RS quattro d'oro tè AISC. Noi Avere Fatto Questo E IO Volere Fare tè demo Giusto Ora. IO condividere Mio schermo Ora. IO Avere A condividere Mio schermo. Noi Avere A logoro JMP. Qui, IO aprire tè dati impostato. Questo È ha dati impostato da miscela progetto Di sperimentare. Là È otto fattori, X 1- X8, E tè risposta È tè energia.
A spettacolo Voi anno esempio Di tè modello Quello Noi fatto, Noi eseguire Qui, per esempio, ha predittivo modellazione neurale rete. Tè risposta È tè energia. Tè X fattori Sono Qui. Noi clic Qui. Per informazione, Noi deciso Qui non A dividere tè pieno campione In apprendimento campioni, convalida campioni, test campioni, Perché dati Sono da progetto Di esperimenti, COSÌ Noi Avere non ha lotto Di dati. Trentuno sperimentare massimo Qui.
Noi logoro ha KFold convalida A salva campioni, IO volevo Dire. HA molto semplice neurale netto Qui, uno strato, E Noi clic Noi Andare. Là È esentato ha Bene modello con ha corretto, andiamo Dire, RS quattro per Quello. Come È lavorando tè confronto Di tè modello In JMP? Voi Bisogno A salva tè predizione formula. Voi clic Noi tè macchiare E IO salva tè formula. Facendo Questo, Voi Avere formule Qui Di tè neurale netto con nascosto strati. Voi Vedere tè formula, iperbolico tangente Qui Di tè lineare predittore. Secondo n euro Qui Di tè nascosto strati, un altro formula, E COSÌ Noi. A tè FINE, per tè neurale netto, tè finale formula per tè predizione È ha lineare combinazione Di tè nascosto neuroni. IO Mantenere Questo formula per tè momento, E Io sono andando A Fare tè Stesso con ha lineare modello.
Tè lineare modello era salvato Qui A salva tempo. Noi deciso A Avere ha lineare modello. Per miscela progetto, Noi Avere Alcuni attraverso effetto Qui E ha lineare modello. Di gara, Noi Bisogno A pulito tè modello. Noi Bisogno A rimuovere Che cosa È non significativo Qui E COSÌ Noi. Quando tè lavoro È COSÌ, Noi Anche Avere A salva tè formula. IO salvato Che cosa IO chiamata tè predizione formula. Qui, oncia Ancora, In tè JMP tavolo in qualche luogo, Voi Volere Avere tè predizione formula per tè energia, ordinario meno piazza. Voi Avere ha classico lineare formula per tè lineare modello.
A riassumere, Qui IO Avere due Modelli, neurale rete E ordinario meno piazza, E IO Avere ha formula per tè due Modelli. Poi con tesi formule, IO andare A Analisi, Predittivo Modellazione, E Modello Confronto. Questo È tè Nizza JMP piattaforma per macchina apprendimento. Qui Che cosa Voi Avere A accedere È Appena tè formula Di tè predittore. Qui, per tè esempio, IO Appena accedere due formula, ordinario meno piazza E rete neurale, E quello è Tutto. Voi Appena clic Va bene. Qui Voi Avere ha confronto modello con Alcuni criteri E Voi Selezionare tè migliore modello h tempo. Primo Di Tutto, IO aggiungere rumore In tè dati, COSÌ RS quattro Sono non COSÌ Bene.
In aggiunta, Noi Potere rispetto tè Entrambi modello. In Quello scatola, per tè peggio scatola analisi, Noi deciso deciso A eseguire tè simulazione Entrambi Noi lineare modello E Anche Noi neurale netto. Ora, Noi Sono andando A Fare Quello lavoro. L E Me spettacolo Voi Che cosa Noi fatto. Forse Io sono andando A condividere Questo diapositiva, Damiano, Perché IO Bisogno A spettacolo qualcosa Qui. Esso Volere Essere Più facile con Mio computer. Così il vivere demo È Fatto.Qui Io sono andando A logoro ha Montato Squiddi simulazione. Molto facile con ha JMP predizione profilo.
Primo Di Tutto, Questo È Mio Primo demo. Dopo Quello, IO Volere Fare tè miscela progetto Di sperimentare spazio Riempimento progetto. IO Avere A Dire Quello Entrambi per Montato Squiddi E Anche per spazio Riempimento progetto, Noi Avere Alcuni miscela vincoli. Esso significa Quello tè somma Di tè componente ha A Essere pari A uno. Suo non ha vero spazio Riempimento progetto. Suo non ha vero Montato Squiddi Perché Voi Avere Questo costretto. J deputato ha ha accorto algoritmo, iterativo algoritmo A Prendere in account tè vincoli. Noi Sono andando A simulatore Montato Squiddi con tè Primo fattori E Poi con tè secondo fattori prendendo in account tè Primo uno E COSÌ Noi.
A tè FINE, IO Volere Qui tè pieno simulazione con Entrambi Montato Squiddi E spazio Riempimento progetto. Questo È nuovo Perché Che cosa Noi Avere Fatto È per ogni correre Di tè spazio Riempimento progetto, Noi Avere Fatto 1.000 Montato Squiddi simulazioni. Suo Veramente ha peggio scatola Qui, scopo Esso era tè obbiettivo per tè CEA A Avere tè peggio scatola. Grazie A Questo, Noi Volere Ottenere ha Veramente Bene stima Di tè peggio scatola probabilità.
Ora, permettere Me salto A tè demo. Primo Di Tutto, Montato Squiddi. Qui IO Avere tè risultato per tè Montato Squiddi. NO, Scusa, suo non tè Giusto uno. Qui Esso È. Andiamo logoro tè neurale rete. Qui, per tè rete neurale, Voi Potere chiedere per tè profilo. Tasso Voi chiedere per tè profilo, Qui Voi Potere chiedere tè simulatore. IO Volere a caso mossa tè fattori. Scopo Che cosa È importante Qui, Io sono chiedendo per uniforme distribuzione Perché suo Di più classico per miscela progetto. Qui, Io sono andando A simulatore casuale dati per tè fattore X1 , scopo fra Questo valore E Questo valore Perché Là È ha costretto Qui. IO continua con tè secondo fattore con uniforme simulazione fra Questo valore E Questo valore, E COSÌ Noi.
A salva tempo, IO Volere automaticamente correre tè simulazione Qui. Qui Esso È. Scusa, IO di cui Avere tè Giusto dati impostato. Scusa Di Quello. W Qui Esso È. Modello confronto E simulazione. Qui Esso È. Va bene, Qui Esso È, Montato Squiddi simulazione. A salva tempo, Malato spettacolo Voi direttamente tè risultato con ha casuale simulazione con ha miscela costretto.
W e Avere Fatto Questo Montato Squiddi simulazione E Noi Avere Questo risultato Noi tè energia. Che cosa È Nizza Anche È Quello Voi Potere Mettere tè risultato In ha tavolo. Questo È tè risultato, 10.000 Montato Squiddi simulazione. Per ogni simulazione E con tè modello, Voi Avere tè energia. Ora, A calcolare tè opportunità A Essere inferiore di tè spec limite, Noi Appena Avere A Fare ha distribuzione Di tè simulato energia. Questo È ha distribuzione, non esattamente gaussiano, Di più vicino A ha La piazza distribuzione. Scopo Comunque, Esso non questione. Noi Volere Fare tè processi capacità E tè spec dato di tè CEA È meno 100. IO Appena clic Noi Questo E Noi Avere Che cosa Noi chiamata tè capacità analisi, complessivamente capacità. Ppp È esentato Bene, più alto di 1.3 . Qui, tè previsto percentuale Di fuori Di spec È molto Basso Perché Questo numero È chiaramente molto Basso.
Noi Potere Avere ha Aspetto In ha scientifico valutazione. Noi Sono A ha molto piccolo opportunità E chiaramente Esso era accettabile per tè [impercettibile 00:15:13] . A Questo tempo, basato Noi neurale rete modello, basato Noi Montato Squiddi simulazione, Noi Avere stimato tè Primo opportunità A Essere fuori Di specifica E Questo opportunità È Qui. Prossimo fare un passo. Che cosa Noi Avere Fatto Qui È Quello Noi Sono andando Indietro Qui. Scusa, IO di cui vicino Questo. IO di cui vicino Questo. Io sono andando Qui A Fare un altro simulazione con Che cosa Noi chiamata ha simulazione sperimentare. Simulazione sperimentare È Anche chiamato A volte ha spazio Riempimento sperimentare. Voi Tentativo A Esplorare tè progetto spazio.
Qui, Noi Avere A ricordare Quello Là È ha miscela costretto, COSÌ Noi Volere non Esplorare, Di gara, ha pieno progetto spazio, scopo Noi Volere Esplorare ha andare Di tè progetto spazio Qui. Qui È ha risultato, 128 computer corre con tè simulazione dati. Noi Potere Avere ha Aspetto A tè risultato Di tè simulazione. Tasso Noi Fare ha grafico a dispersione matrice Noi tè simulato sperimentare Noi tè fattori, Qui È tè esplorazione Di tè fattore con ha miscela costretto. Con Questo, oncia Ancora, Noi Avere simulato energia scopo Qui, suo non Montato Squiddi simulazione, suo ha computer simulazione sperimentare.
Stesso lavoro, Noi Potere Mettere tè energia Qui. W Qui È tè simulato energia? Qui Esso È. Oncia Ancora, all'incirca normalmente distribuito. Qui Io sono andando A calcolare, oncia Ancora, tè processi capacità con ha spec meno 100. Qui Esso È. Qui IO Dovrebbe Avere tè processi capacità Quale È Bene. Oncia Ancora, Voi Avere ha opportunità A Essere fuori Di tè specifica, Quale È vicino A 7 per 1.000. Esso È Anche accettabile asso ha risultato. Scopo Voi Potere Vedere Quello In Quello scatola, tè opportunità È più alto di tè precedente uno Perché tè calcolo era diverso E Perché Esso era ha simulazione sperimentare esplorando tè spazio E suo diverso da Montato Squiddi simulazione.
Scorso cosa Quello Noi fatto, E Io sono andando A aprire tè D ata file. Qui Esso È, Simulato Montato Squiddi. Qui Esso È. Non tè Giusto uno, Scusa. IO Avere ha lotto Di cose aprire. Qui Esso È. Che cosa È Questo file? Che cosa Noi fatto Qui. Noi fatto Entrambi ha spazio Riempimento progetto E per ogni correre Di tè spazio Riempimento progetto, Noi Avere Fatto 1.000 Montato Squiddi simulazioni. Tè totale numero Di punti Qui È 128.000 linee. Entrambi Montato Squiddi E Anche ha computer progetto Di sperimentare.
Qui Noi Avere Veramente ha Bene dati impostato con Tutto tè potenziale variazioni. Alcuni Sono costretto di tè progetto Di sperimentare, altri Sono chiaramente casuale con tè Montato Squiddi. Qui, oncia Ancora, Noi Sono andando A stima tè probabilità. Voi Avere tè Nizza distribuzione Di tè energia. Poi Noi Volere oncia Ancora, calcolare tè opportunità A Essere fuori Di spec. Entrando tè spec Qui, Qui Esso È. Qui Noi Avere ha opportunità A Essere fuori Di specifica, Quale È vicino A 1 per 1.000. Oncia Ancora, Esso era esentato ha Bene risultato Qui. Questo risultato È esentato innovativo. Qui, Appena per informazione, Noi avevo A creare ha poco JMP sceneggiatura Qui A Fare Questo, A mescolare tè computer progetto E tè Montato Squiddi simulazione. Là È ha poco GSL codificato per Quello. Quello è Tutto per Mio andare. Damiano, Forse Voi Potere andare. IO fermato tè condivisione.
Va bene.Questo È Ora tè scatola studio numero 2. Per Questo studio, Noi Avere sviluppato ha costume attrezzo per predittivo applicazione. Tè obbiettivo Qui era A creare ha attrezzo Compreso statistiche Modelli In JMP Pro In ordine A prevedere ha specifica proprietà Quale È tè bicchiere visco sità asso ha funzione Di composizione E temperatura. A Fare Quello, sperimentale dati Sono in arrivo da Entrambi commerciale Banca dati E da Nostro Proprio Banca dati A CEA . HA S Noi Volere Vedere, tè originalità Di tè approccio arriva da tè metodologia per dati sub campionamento.
Noi ricercato tè algoritmi A Essere codificato In GSL E implementato In JMP Pro. Tè risposta Di tè modello È tè bicchiere viscosità, Di gara, E tè fattori Sono tè peso per cento Di tè bicchiere componenti. Qui Sono Alcuni sfondo informazione. Voi Avere A Sapere Quello bicchiere Materiale È ha NO- cristallino solido E Esso È ottenuto di ha veloce dissetare Di ha bicchiere sciolto. Da ha Materiale punto Di visualizzazione, bicchiere È ha miscela Di diverso ossidi.
Tè numero Di ossidi È variabile da due oro tre In ha molto semplice bicchiere A Di 30 E Anche Di più In tè maggior parte complesso composizioni. T Qui È ha lungo tradizione In tè calcolo Di bicchiere proprietà, E Noi pensare Quello tè Primo Modelli erano creato In Germania A tè FINE Di tè 19 secolo.Da Poi, tè quantità Di pubblicato letteratura In tè campo Di bicchiere proprietà predizione ha è aumentato ha lotto. COSÌ Quello Oggi, Noi Avere ha Enorme quantità Di bicchiere dati disponibile In commerciale database.database.
Parecchi sfide rimanere per tè predizione Di tè bicchiere v iscosità Perché tè bicchiere v iscosità È ha proprietà Quello È molto difficile A predire.prevedere. Primo, v iscosità ha ha Enorme Ordinato Di variazione su A certo ordini Di grandezza. HA inoltre, v iscosità È molto dipendente Noi fisico E meccanismi chimici Quello Potere si verifica In tè bicchiere sciolto, dipendente Noi tè bicchiere composizione, Piace veloce separazione oro cristallizzazione, per esempio.
Qui È Appena ha pantaloncini esempio Quello Spettacoli Questo difficoltà. Noi Avere selezionato tre composizioni Di Che cosa Noi chiamata SBN bicchiere, Quale È molto semplice bicchiere con soltanto 3 ossidi. W e applicato tè migliore conosciuto Modelli da tè letteratura A calcolare tè visco sità. T gallina Noi rispetto tè previsto valori con tè sperimentale valore Noi Avere misurato con Nostro Proprio dispositivo.Voi Potere Vedere Quello Anche per ha molto semplice bicchiere, Esso È non facile A ottenere uno affidabile valore per tè previsto v iscosità. Qui È ha Bene immagine Noi Piace A logoro A Dare ha visualizzazione Di tè Banca dati Dove ogni dote È uno bicchiere In ha multi dimensionale visualizzazione Di tè dominio Di composizioni.
Dati Maggio Venire da diverso isolato studi, oro Noi Potere Avere dati in arrivo da studi utilizzando sperimentale progetto, oro dati ottenuto da parametrico studi con variazione Di uno componente A ha tempo. W e speso ha lotto Di tempo In tè passato A fare domanda a diverso metodo Di macchina apprendimento. HA classico approccio era usato per partizionamento tè dati in ha formazione impostato E ha convalida impostato. Scopo A tè FINE, NO statistiche modello con accettabile predittivo capacità era trovato A prevedere tè v iscosità. T cappello Perché Noi Avere deciso A logoro ha diverso approccio.
Invece Di utilizzando Tutto tè dati, Noi pensare Esso È Meglio A creare ha modello di utilizzando dati vicino A tè composizione Dove Noi Volere A prevedere tè v iscosità. COSÌ per esempio, Se Noi Volere A prevedere Qui, uno modello Volere Essere creato da tè dati Noi Avere In Questo la zona, E ha diverso modello Volere Essere creato Se Noi Volere A prevedere tè proprietà Qui, per esempio. T cappello Perché Noi Dire Quello Questo tecnico È dinamico Perché tè modello dipende Noi tè composizione E Esso È imparentato E montato Dove Noi Volere A predire.prevedere. W e Dire Quello tè modello È automatico Perché Noi di cui Avere A Fare Questo manualmente.
Ogni fare un passo È Fatto di ha algoritmo implementato In tè attrezzo. O nato Di tè maggior parte importante punto È certamente tè determinazione Di tè ottimale dati impostato A creare tè modello. F oro Quello, Noi Avere implementato due metodi Di sub campionamento. In tè Primo metodi, ha teorico oro virtuale progetto Di sperimentare È generato in giro tè composizione Di interessi. Poi ogni correre Di tè progetto È sostituito di tè maggior parte simile sperimentale dati Qui In tè Banca dati, primo A tè finale formazione dati impostato.
In tè secondo metodi, Noi Avere implementato In tè attrezzo.Gi È È basato Noi diverso misurare Di dati imposta creato in giro tè composizione Di interesse. HA piccolo dati impostato È generato di tè attrezzo E modello Sono creato Noi Questo piccolo sottoinsieme A prevedere tè visco sità. T gallina più grande E più grande dati imposta Sono generato automaticamente E tè ottimale misurare È valutato di parecchi statistiche criteri associato A ogni sottoinsiemi.
Finalmente, tè costruzione Di tè Modelli È basato Noi tre diverso algoritmi implementato In tè attrezzo. Primo È ha polinomio modello ottenuto di ha multi- lineare regressione. Secondo È ha genereg modello E neurale netto modello. HA T tè FINE, Noi Avere sei diverso calcolato valori Quale fa tè predizione molto robusto.
Andiamo andare A JMP A Vedere Come Esso lavori. L E Me Primo spettacolo Voi tè codificato. T EHI sceneggiatura, asso Voi Potere Vedere, È esentato lungo, Di 700 righe, Quale è una rinuncia complicato GSL codificato. Tè Primo cosa Voi Avere A Fare È A accedere tè composizione Di tè bicchiere Voi Volere A prevedere tè viscosità. T o Fare Quello, Voi Potere logoro anno interfaccia Noi Avere creato.creato. Voi Appena Avere A Selezionare tè ossido entrando tè composizione. F oro ogni ossido, Voi Appena Avere A accedere tè peso per cento. Oro Se Voi Volere, Voi Potere direttamente accedere tè composizione In tè sceneggiatura, Quale È ha poco morso Di più presto, IO volevo Dire.
Poi Voi lancio tè sceneggiatura. IO non lo farà Fare Quello Ora Perché Esso prende Di uno oro due minuti. Suo non molto lungo. Scopo per Questo dimostrazione, IO Avere Già correre tè sceneggiatura. Permettere Me spettacolo Voi tè risultati. A tè FINE Di tè calcolo, Voi Avere Questo finestra Dove Voi Potere Ottenere ha statistiche rinvio. Molto interessante. Primo, Qui Voi Avere tè composizione Voi Avere entrato, suo Appena ha promemoria. W e Avere tè grafico mostrando tè previsto valore. O non tè Y asse, Noi Avere tè previsto valori Di tè viscosità calcolato di tè tre algoritmo E per tè due metodi.
Noi tè X asse, Noi Avere tè numero Di allargamento per tè secondo metodo IO Avere descritto. IO non rosso, Quale È tè maggior parte importante valore, IO volevo Dire, È tè media Di Tutto tè diverso predizioni. IO T È tè migliore predizione, IO volevo Dire, Di tè bicchiere viscosità . IO F Noi Bisogno A Avere Di più statistiche dettagli, Noi Avere ha lotto Di informazione In Questo rinvio A studio tè qualità Di ogni modello. Per esempio, Noi Potere controllo tè valori Di tè PREMERE statistiche per tè multi- lineare BIC F modello.
Per esempio, Qui Noi Potere Vedere Quello tè PREMERE valori raccontare noi Quello tè predizione utilizzando tè metodo numero 1 È ha poco morso Meglio di per tè secondo metodo. W e Anche Vedere Quello tè modello degradazione con tè allargamento Di tè formazione impostato. Noi Potere Anche controllo tè RS quattro valori per tè due diverso metodo E per tè diverso algoritmo, E Noi Potere rispetto loro. W e Potere Avere Anche Di più dettagli Noi tè progetto Di esperimenti Quello erano creato E Tutto tè formula Di predizione. T il suo È ha lotto Di informazione, scopo Là È tè maggior parte importante andare Qui, Quale È tè previsto valore Di tè viscosità.
Andiamo andare Indietro A tè Presa della corrente. T il suo È tè risultato ottenuto per tè semplice SBN bicchiere, Quale È, asso IO disse prima, ha semplice bicchiere con soltanto 3 ossidi. Scopo Noi Avere calcolato tè visco sità per tre diverso composizione Di SBN bicchiere. W e rispetto tè risultati ottenuto da Nostro attrezzo Qui con tè risultati da tè Modelli disponibile In tè letteratura. In termine Di tè parente errore Di predizione, Esso ha A Essere asso Basso asso possibile. W e Potere Vedere Quello tè migliore risultati Di predizione Sono ottenuto con Nostro attrezzo, Quale È Veramente Grande.
H tempo, Noi Avere tè risultati ottenuto Noi Di più complesso occhiali. T EHI attrezzo predittivo capacità era valutato di estraendo 230 righe da tè complessivamente database.database. In Questo tavolo, Noi Avere tè parente errore Di tè visco sità predizione per diverso Tipo Di bicchiere E per tè complessivamente sottoinsieme Di dati. Tre quantili Sono dato, tè mediano, Senso Quello 50 % Di tè previsto valori Avere ha parente errore Quello È sotto tè valore indicato Qui. W e Anche Dare tè 75 % E tè 90 % quantili. W gallina Noi parlare Di bicchiere v iscosità, tradizionalmente, Noi prendere in considerazione Quello tè predittivo errore, in giro 30 % È molto Bene.
W e Vedere Quello per tè maggioranza Di tè dati, tè modello capacità È Bene E Noi erano molto Contento con tè risultati Noi ottenuto. Qui Sono Alcuni molto importante chiave parametri.parametri. Esso È molto importante A Prendere in account asso molti input da tè bicchiere esperti asso possibile. Per esempio, Noi avevo A creare specifica algoritmi A maniglia tè natura E tè parete Di ossidi E viscoso ità. Un altro punto Di maggiore importanza È imparentato A tè origine E A tè affidabilità Di tè dati.
Per Questo, ha significativo quantità Di tempo In Questo progetto ha stato speso A tè costituzione Di ha affidabile database.database. W e avevo A strumento modi E Noi avevo A studio diverso modi Di calcolo tè distanze fra tè bicchiere composizione. IO tu sei tempo A concludere Ora. Noi Avere presentata due diverso scatola studi. In tè Primo scatola studi, Noi Avere creato parecchi Modelli E Noi Avere rispetto loro per tè rischio valutazione. Noi Avere visto Quello Esso era facile con JMP A eseguire Montato Squiddi simulazioni, Anche per miscela disegni con vincoli. Noi Avere visto Quello Esso era facile Anche A eseguire spazio Riempimento progetto, E Ancora, Anche per miscela disegni.
Di combinando Montato Squiddi E spazio Riempimento disegni, peggio scatola opportunità ha stato stimato. IO non tè secondo studio, Noi Avere presentata tè attrezzo Noi Avere creato con anno originale metodo Di sottocampionamento tè dati. Per ogni composizione Di interesse, ha specifica modello Di viscosità era costruito in giro Questo composizione, E Noi Avere visto Quello tè predizione precisione Noi tè visco sità era molto promettente E tanto Meglio di Modelli disponibile In tè letteratura. Grazie Voi per tuo Attenzione.
