我想到感謝這聯合管理計劃操舵委員會和這聯合管理計劃主辦單位
為了邀請菲爾和我到來和展示我們的令人興奮的演講
在羧甲基纖維素鈉, SVEM ,美國能源部,和複雜:它的全部關於預言。
想到開始經過感謝博士。 蒂芙尼饒,她的到過涉及和這規劃
和很多的對話為了這工作那我們'關於去到展示今天。
去到做一個概述,告訴你世界衛生組織靈北是,世界衛生組織我工作為了,
和然後提供這背景
為了這美國能源部那我們'關於去到演講關於,
哪個是過程發展為了A生物的藥物。
我們的案件學習和什麼我我正在做在傳統的
為了什麼我已經開始了到做為了發展
是開始和這第一的步的正在做DSD為了中-晚的階段發展,
然後跟隨那和A第二步
的正在做增加和A空間-填充設計。
然後我們是希望到證明到你今天那為了分析那SVEM
允許我們到有更好的預言為了全部的這工作和允許我們到有
更好的時間軸為了我們的工作那我們'關於正在做。
靈北是位於……
我們'關於總部在哥本哈根,
我們'關於超過6 ,000僱員在超過50國家,
和我們是努力到是這數位一在腦健康。
這部分的這公司那我工作和是這羧甲基纖維素鈉生物製劑
和我們'關於基本上位於在這哥本哈根區域
和在這西雅圖區域在哪裡我我位於。
讓的演講關於這背景為了這美國能源部那我們'關於去到展示今天。
這流程那我們想到發展為了藥物物質,為了這些生物製劑,
我們開始和A細胞的小瓶,我們拿那些出去的這冰箱,
我們然後擴張在搖燒瓶,去大進入文化包包,
或許A種子生物反應器,然後到A生產生物反應器。
那生產生物反應器去大約二週。
我們有複雜的養分飼料,
我們有PH值控制,溫度控制,那裡的這根據那我們'關於添加。
一次我們結束那14 -天生產,我們需要到數位出去A方式
到得到這細胞那是分泌我們的分子進入這上清液。
如何做我們分離這細胞從這產品？
那收成能是A離心機,它能是深度濾。
然後我們經過它在到我們的下游同事。
他們第一的通常做A捕獲步在哪裡他們'關於得到擺脫
的最多的這主持人細胞蛋白質,這主持人細胞脫氧核糖核酸。
但然後我們需要到做二拋光的腳步在哪裡我們'關於然後說,
「好的,什麼是這產品-有關的雜質？
或許那裡的不是這滿的分子那裡,所以我們有到得到擺脫的那些」。
然後最後,我們有到製作當然,透過極端主義者濾和滲濾
那我們能轉移進入這緩衝
那它的去到是什麼時候它是轉入為了這病人的使用
和它的也在這正確的專注。
你能想像,每一個步沿著這方式,
那裡是許多因素,
那裡是許多旋鈕那我們能轉動到控制這過程,
製作當然那它的強壯的
和我們'關於製作這相同的產品每一個時間。
什麼時候我們'關於專注的在治療這病人,
我們也想到重點在這商業。
我們能't放全部的我們的發展資源為了每一個分子。
我們想到正確的-尺寸這研究那我們'關於正在做
在這正確的階段的這產品。
那裡的許多事物那可以殺A產品,
但如果我們能發展這在這正確的時間和這正確的空間
使用這些工具從聯合管理計劃,
我們能轉移這發展時間軸到這左邊
和我們能也減少這數量的資源
和這成本到這公司。
如果我們'關於第一的得到A分子,
那的什麼時候你'關於去到開始看著在你的絕對的因素。
我們可能是正在做這細胞線篩選。
我們想到製作當然那我們有這正確的細胞線
那的去到最後的全部這方式透過商業化。
為了這下游團體,他們可能是看著在樹脂
為了兩個都上游和下游,
看著在媒體和緩衝成分和這配方的那些。
那的什麼時候你'關於製作當然那你有這正確的事物,
那的去到保持你去透過你的發展路徑。
但然後一次你'關於在這診所,
現在你想到真的開始到獲得理解的這流程參數。
我們的策略是到開始和A發展篩選設計
和我們想到是大膽的在我們的等級設定在這階段
和我'二演講A小的位元更多的關於那之後,
為了這晚的階段發展。
然後我們能建造在什麼我們學到了從這權威的篩選設計
經過增強那些設計和空間-填充或者其他設計
所以那我們真的理解那設計空間。
什麼的不同的那我們'關於希望到展示現在
比傳統的散步透過這路徑
是那在這過去的,我們已經到過投擲出去
這因素那我們已經說是't重要的。
但和現代的設計和現代的方法的正在做分析,
我們能保持全部的這因素和全部的這工作那我們已經完畢所以遠的
和獲得更好的理解的這所有的過程,
尤其和生物製劑那是相當複雜的。
前我經過這指揮棒到菲爾,我只是通緝到演講一更多的關於……
讓的看如果我能……
我我去到最小化這螢幕只是為了A分分鐘所以我能展示你這。
這是一個實驗那我做過到證明這力量的美國能源部為了我的老闆。
這滿的數據放曾是一個奧法特為了PH值,和這回覆曾是更緊。
我們通緝到做非常許多不同的等級
在A寬的範圍因為他是't當然在這時間
那我們是去到是有能力的到挑選什麼這最佳化等級曾是。
但什麼我通緝到展示他曾是那,
「好的,我們做過這實驗,我們有全部的這數據。
我們是有能力的到模型在哪裡這最佳化狀態曾是,”
和那的顯示在藍色的,
和那轉身出去到是這正確的案件。
什麼時候我們經測試這模型,那曾是這最佳化狀態。
讓的假裝現在那我們'關於開始,我們大學教師't知道那數據。
如果我們有挑選的A保守的範圍環境為了我們的實驗,
我們的噪音到訊號會是相當高的
和所以我們會有錯過了發現這最佳化點。
但如果我們有挑選的A更寬的範圍在我們的設定
和仍然和僅有的三點,
這模型仍然會有選擇的這最佳化點。
什麼我我去到挑戰這主題事專家
什麼時候你'關於設計你的DSD是真的是大膽的在你的範圍環境。
你將要仍然尋找這最佳化點
和你有到有一些知識的你的過程所以那你能完全的
這設計的實驗
和有全部的這運行在至少有足夠的訊號
那你能措施和然後隨後模型。
一次你學習從你的權威的篩選設計
更多的關於你的設計空間,你能來後退
和然後你能是內部的到那空間。
那的什麼時候你增加和A空間-填充設計。
現在我我去到經過這指揮棒到菲爾
和他的去到拿你透過這分析。
好的,感謝你。 感謝你,派蒂。
我們'關於去到演講關於A非常好的
和有些複雜的實驗那派蒂和她團隊跑步。
他們做A很多的偉大的工作和他們'關於大的倡議者的美國能源部和聯合管理計劃
和我我非常快樂的他們讓我得到到玩和他們有時。
它的迷人工作。
但前我得到進入這實際的分析,
我通緝到演講關於A很少相關的概念
那會員的這觀眾可能
或者可能不是是熟悉的和,和那包括複雜。
它的A真的熱的話題出去那裡。
演講關於什麼是實際上預言。
那是A糊塗的概念到許多人們。
然後從那裡,我'二發射進入說關於
如何我們分析預言和如何我們做過和派蒂的實驗。
複雜， A同胞命名的丹尼爾菲內利
從倫敦學校的經濟學，書面很多關於這
和他來電它「這大象在這房間」那統計數據和許多,
什麼他來電「元科學,”是忽略和他們'關於忽略它在他們的危險。
我韓元't得到進入A很多的細節。
你能看他向上在這網際網路,他有A很多的影片和文件。
但複雜是A巨大的問題。
它是凝視科學和統計數據
和數據科學和機器學習在這臉和它需要到是發牌和。
在展示,我們'關於不是真的交易和它直接地在統計數據。
經過這方式,那裡是現在所有的應用數學程式
基於在學習複雜的系統。
我的底部線是,複雜是真實的。
複雜需要新的思維。
我們真的有到重新思考美國能源部和分析。
你'關於去到看那為了複雜的系統，
和我們也有到理解某物別的,系統理論101是
複雜的系統是定義的經過他們的互動的行為。
在觀點的事實,主要的效果是實際上甚至誤導性的。
你有到不知何故是實驗
在A方式那你能捕獲這互動的行為,
和你'關於去到看目前的策略落下短的的那目標。
派蒂的已經提及這羧甲基纖維素鈉路徑。
無所不在是這問題的複雜更多的明顯的比在生物過程。
你有複雜的組合的生物學和化學,
和互動是到處。
什麼時候我演講到科學家們在生物技術,
他們知道正確的向上正面我們'關於交易和真的複雜的互動的系統。
但第一的,我需要到觀點出去預言。
如果你'關於在職的在羧甲基纖維素鈉發展工作,它的全部關於預言。
這ICH指引那是用過的經過科學家們在這羧甲基纖維素鈉發展工作
大學教師't具體來說說預言,
但如果你讀什麼他們說,它的全部關於預言。
基本上,你'關於大樓流程到生產生物製劑,
和和這新的細胞和基因療法,
這些流程是變得無望地複雜的。
我親自依靠重重地在這科學家們到解釋它到我,
和他們'關於這人們世界衛生組織真的製作全部這決定。
我我這幫手,和我我非常快樂的到是那裡作為部分的它。
但它的全部關於預言。
那是不是如何許多科學家們和甚至統計學家,
有已查看羧甲基纖維素鈉工作。
經過這方式,這適用到全部地區的科學。
我我專注的和派蒂在這羧甲基纖維素鈉發展路徑,
但預言是重要的。
什麼是預言？
它的糊塗的。 它的不是清楚地定義的在學科。
這裡的什麼它真的是和如何我定義它。
它的A措施的如何出色地
楷模那你發展插超過A設計地區。
在其他字,我們'關於去到合身A模型到什麼我們稱呼A訓練放,
和然後我們需要一些方式的會心如何那模型會申請
超過這所有的設計地區。
在羧甲基纖維素鈉工作,尤其晚的階段,那是非常重要的。
你是有能力的到做那,作為許多的你知道。
你真的有A訓練放到合身這模型。
那訓練放在不方式能評價預言。
我知道那裡的A常見的信仰
你能評價預言在訓練套。
你簡單地能不是。
你必須有A測試放。
也我'二演講A小的位元關於這事實在交易和科學家們,
和A很多的它在化學和生物製劑。
再次,我做A很多的它在生物技術,
但也在其他地區喜歡電池科技,材料科學。
它是變得非常明顯的。
這動力學是複雜的。
他們'關於不斷地改變超過設計地區。
這動力學行為那你看大約這邊界
是常非常不同的從什麼的正在發生在這內部的。
為什麼做這事？
出色地,這經典的方法到回覆表面,
甚至包括最佳的設計,依靠之上什麼我稱呼邊界設計。
幾乎全部的你的觀察是大約這邊界的這設計地區。
在觀點的事實,無論人們想到聽到它或者不是,
這中央合成的設計,
通常用過的在回覆表面,
是關於這最糟糕的設計你可以思考的為了預言。
這內部的的這空間是空的。
如果你合身這些楷模在這邊界,
和然後你預測什麼的正在發生在這內部的,
它的不是預言,它的猜測。
你大學教師't知道。 你有不數據。
我我去到展示你在這案件學習,
你'關於大概去到抵達一些錯誤的結論。
這邊界地區,的確,常表現非常不同地,
和我們有A需要到重新考慮我們的方法到設計。
其他問題
在回覆表面和統計數據
是這無所不在的使用的滿的二次的楷模。
他們是不是充足的到模型複雜的回覆表面。
在事實,他們'關於遠的從它。
很遺憾,我得到A很多的推回
從統計學家世界衛生組織宣稱它是好的足夠的。
我的回答是, 「出色地,如果你實際上使用設計
那有充足的內部的點,
你'd迅速地發現他們大學教師't合身出色地在全部。
再次,試到措施預言
在這內部的的A設計地區使用邊界設計是無用的。
經過這方式,我的好的朋友,這晚的約翰康乃爾大學和道格蒙哥馬利,
發表A紙在這在1998年,和我'二是有禮貌的,他們是被忽略。
它曾是實際上有些骯髒的比被忽略經過這統計數據社群。
他們顯示在這紙那滿的二次的楷模
是只是不是充足的到覆蓋A設計地區。
派蒂提及SVEM ,自己-證實合奏造型。
它的一個演算法。
我我一的這共- 開發商和博士。 克里斯歌德瓦爾德的聯合管理計劃,
A人我抓住在非常高的看待。
我韓元't得到進入這演算法經過這方式,
那裡是參考在這結尾在哪裡你能去和學習更多的關於它。
它有到過談過關於在發現會議實際上,
去全部這方式後退到法蘭克福在2017年。
但SVEM是一個演算法那允許你到申請機器學習方法。
機器學習方法是全部關於預測性的造型。
相信我,人們在那場地知道A很多更多的比你可能思考
關於預言和申請他們到數據從小的套喜歡美國能源部的。
我韓元't得到進入SVEM 。
它的A所有的新的方式的思維關於大樓預測性的楷模,
和我思考它的在它是嬰兒期,
但它的已經證明非常強大的和有用在生物技術。
讓的得到到這實驗。
這是實際上A雜交種實驗那派蒂和她團隊已創建。
那裡是七因素和那裡是13回應。
但到期的到時間限制條件,我我僅有的去到重點在四,
和甚至那的去到是難的到得到它全部在。
這數據和這實驗是高度所有權。
我做感謝靈北和派蒂為了實際上允許我們到使用
一個匿名的版本的這設計。
我有A很多的案件學習,一些的他們相似的到這,
和這人們世界衛生組織自己的這數據
不會't甚至讓我討論它如果我匿名的它。
那曾是非常好的的他們。
我思考我們有A真的重要的故事到告訴這裡。
這是A雜交種設計。
它的包括的A 19 -跑步權威的篩選設計
大約這邊界。
然後它有16空間-填充設計在這內部的。
那裡是中心點在兩個都部分的這設計。
如何會我們分析這？
出色地,什麼我想到做是討論這策略的分析那是用過的,
這演算法那是用過的,和製作比較到SVEM 。
我'二告訴你在進步, SVEM是去到做非常出色地。
然後我們'二演講關於一些的這問題和這楷模他們自己
和如何我們使用他們。
我我去到做什麼最多人們現在做。
我我去到拿這邊界點,這DSD ,
合身楷模,和然後申請他們到這空間-填充設計作為A測試放
和看如何出色地我的模型插值。
步二,我'二反向這過程。
我'二合身楷模到這空間-填充點,
和然後我'二使用這DSD作為A測試放和看如何出色地我的模型
實際上推論A小的位元到這邊界。
三是A常見的策略用過的在機器學習。
我我去到使用A阻礙測試放。
我我去到拿這35運行和休息他們向上。
我做過這在A方式到製作他們兩個都相等的作為很多作為我可以
進入A訓練放含有兩個都SFD和DSD點,
和然後也A所有的後退測試放那有A表示的兩個都。
然後最後,步四,什麼許多人們會自動地做。
我'二只是合身楷模到這所有的數據放。
在一般的,我大學教師't推薦這因為那裡的不方式到測試這模型。
我將要說向上正面,
因為我們做有A很多的空間-填充點在這內部的,
我我更多的舒服的和這方法比我是在實踐。
但這些,我尋找,是這四基本的策略那會是用過的。
如何做我分析它？
出色地,如果你有A DSD ,
人們喜歡到使用合身權威的篩選,
我'二看在它,它僅有的適用到DSD 。
誠實地,它的不是真的A預測-造型策略,
也不做他們宣稱它是。
但我尋找人們似乎到使用它那方式。
我'二使用向前選擇。
如果你知道什麼這AICc統計是,我們'二做那在基因註冊,在聯合管理計劃17 號。
然後我們'二看在某物他們有在基因註冊那的非常好的。
那是這SVEM演算法。
我我去到使用那和向前選擇。
然後我我去到看在某物人們可能不是知道。
它的A隱寶石在聯合管理計劃。
某物被稱為移動平均的在這逐步平台。
約翰掃羅放它那裡許多年前。
我思考他曾是存在非常有洞察力的。
然後我們'關於去到演講關於SVEM和神經網路。
基本上,不軟體做這。
我有工作過和這預言,
一些的你知道韋恩萊文和預言到發展一個添加-在到做這。
它的現在這僅有的軟體可用的那做這。
這SVEM添加-在曾是用過的到做這神經網路。
我韓元't得到進入這添加-在特別,
我'二只是迅速地展示人們在哪裡這些事物是。
然後最後我說這第四策略曾是用過的到抓住數據放
因為我得到問關於這全部這時間。
我只是丟了在一些K -叉折疊驗證到使用
和這SVEM方法和一些的這其他方法。
那些是這方法我們'二使用
和為了方法喜歡合身權威的,
向前選擇和移動平均的方法,
我們'二認為A滿的二次的模型作為那是這傳統。
這其他方法,再次,我們'關於去到使用A神經網路
哪個是更多的靈活的。
那裡是四回應，和這是真的重要的。
我沒有't隨機地選擇他們。
那裡是四的他們和他們各不相同在複雜。
再次,我'二承認這是主觀。
那裡是不國際化得到正式認可的措施的複雜
和這是基於之上這能力到模型這回應。
再次,那裡是13回應。
通常,在羧甲基纖維素鈉路徑工作,那裡是10 -20 ,或許更多的,
最多的他們批判的品質屬性。
他們是重要的
和他們各不相同之內這實驗從一些是相當低的在複雜,
一些是非常高的,非常難的到模型。
坦白說,在那些案例,
神經網路是基本上你的僅有的選項。
所以支付注意力到這因為這複雜
輪流出去到是非常重要的在如何你會去關於造型。
然後這問題是如果我我去到評價預言,
出色地,如何做我做那？
記住,我更喜歡預言是在一個獨立的測試放
和新的設定的這因素。
那的如何我們法官插值法。
出色地,某物被稱為這根平均的方塊錯誤
或者拉瑟爾分數是非常常見的。
這是這標準偏差的預言錯誤。
再次,它的通常用過的到法官如何出色地你預測。
較小是更好的,明顯地,
但那裡是A問題和它那我們已經特別裸露,
尤其在模擬。
楷模和低的拉瑟爾分數常有重大的預言偏見在他們。
在預言,那裡真的是仍然A偏見-方差貿易-離開。
所以如何做我們評價偏見？
出色地,那裡的不同意之上方法到那任何一個。
但這最簡單的方式和這最多視覺的方式
是實際的經過預料到的地塊在A測試放。
理想情況下,如果你是到合身A坡
到這實際的雙-預料到的陰謀,我'二展示一個例子。
這理想的預言方程式那A坡會是一和一個截距的零。
這更遠這坡是從一,這更大這偏見。
為了目的的示範,我我去到放
A規格的0 .85 -1 .15和A目標的1為了這坡。
如果你能停留之內那範圍,
然後我'd說你大概有可以接受金額的偏見。
在現實那發生到是更多的的A主題事問題。
然後最後我說, 「出色地,你能合身A坡到這實際的雙-預料到的陰謀。
那裡的一個額外的問題」。
這預測器是這預料到的價值觀。
他們有A很多的錯誤在他們。
所以這是實際上一個錯誤和變數問題,
哪個是不是通常認可的。
但聯合管理計劃17 號有A真的好的解決方案。
它的被稱為這透過-巴布洛克造型演算法
和它的到過出色地-已建立的,尤其在裡面生物製藥。
這適合A坡,採取進入帳戶錯誤在X ,這預測器。
所以如何做它工作？
出色地,它適合A坡。
如果你看在這左邊,
你'二看這坡是關於0 .5 。 我們有強的偏見。
那裡的A很多的預言偏見。
什麼我真的喜歡在這應用在聯合管理計劃,他們給你這參考線。
這虛線藍色的線是這理想的線坡的一,截距的零。
在這左邊,我們的預測性的模型是顯示A很多的偏見。
它的系統地不是預測這回覆。
到這正確的,是A案件在哪裡那裡的實際上A小的數量的偏見
在一般的,那會是可以接受。
經過這方式,這些是挑選的作為一的楷模
那有相對地低的全面的拉瑟爾分數。
這些是被稱為這透過-巴布洛克連續下坡
和他們是不可缺少的到如何我評價預言,
這全面的拉瑟爾和這連續下坡。
什麼我我去到做在這觀點,
我我去到實際上去超過到聯合管理計劃,如果你大學教師't頭腦。
我'二製作A快的改變在這螢幕這裡
和我'二製作這作為大的作為我能為了大家。
全面的在這鍛鍊,
我合身關閉到140楷模和我做過他們全部單獨地和評價的他們。
是的,它拿相當A儘管
和我我去到展示A形象的到嘗試到總結這結果
為了這不同的方法。
我我去到打開A圖形建設者腳本。
我'二製作這作為大的作為我可能能為了每個人。
我我使用一些當地的數據過濾器,到定義這展示。
注意我們有四訓練場景。
我'二開始和在哪裡這DSD是這訓練放。
我們合身楷模到這邊界
和然後我們評價他們和如何他們預料到的
這空間-填充設計點。
Y2是這簡單的回覆。
我預期的全部方法到做出色地,他們做過。
注意我放這些規格限制和那的0 .85 -1 .15
全部跌倒了之內那允許的地區。
二的這方法那做過出色地,
我特別喜歡這移動平均的,
所以它做過漂亮的出色地。
沒有任何的他們有A坡的確切地一。
這DSD點大學教師't確切地預測什麼的去在
在這空間-填充設計點,但他們全部做過相對地出色地。
現在我們'二去到緩和複雜。
現在你開始到看一些分離。
它的得到更難到模型這表面。
再次,我我使用這間隔的0 .85 -1 .1 。
我我看著在這y -軸在這拉瑟爾分數標準偏差的預言。
在這X -軸,我我看著在坡。
為了Y1 ,使用這DSD到預測
這空間-填充設計點作為這測試放。
這僅有的楷模那真的執行的出色地是這神經網路和SVEM 。
經過這方式,這程式碼是神經網路是神經網路,
H是數位的隱節點。
我們有楷模和變化的等級的隱節點
和我簡單地評價的拉瑟爾分數和坡。
我們去到更多的複雜。
現在Y3有高的複雜。
它是難的到模型。
這最低拉瑟爾分數是這方法你看在這降低正確的,
但你能看那裡的重大的預言偏見。
我毛氈全面的這最好的組合的低的-偏見
和拉瑟爾分數是神經網路,特別一和27隱節點。
然後最後數位四是高的複雜。
我們合身這模型到這DSD和應用它到這空間-填充點。
我沒有't思考任何的這楷模做過偉大的。
全部的他們顯示一些預言偏見。
或許這最好的表現曾是A神經網路和12隱節點。
它有這最低拉瑟爾分數,但仍然,那裡是一些問題和偏見。
所以那的一策略。
出色地,什麼如果我是到做這對面的？
我合身這模型到這空間-填充點
和然後申請他們到這邊界DSD點。
再次,讓的開始和這最簡單的案件。
Y2真的做。 它的A漂亮的簡單的回覆。
實際上,這SVEM方法在基因註冊使用SVEM和向前做過非常出色地。
這下一個最好的我想法曾是A神經網路和10 。
記住，那裡的A小的位元的外推法去在這裡。
最後, Y1和緩和複雜。
再次,僅有的這神經網路做過出色地。
作為我們去向上在複雜,日益只是這神經網路是在職的。
你'二尋找相似的結果為了這其他方法。
我韓元't展示全部的他們,他們'關於覆蓋在這筆記。
但這一般的結論經過這方式,是
那什麼時候你使用這邊界點作為A測試放
或者你使用這空間-填充設計作為A測試放和嘗試到預測這其他,
他們'關於只是不是正在做作為出色地作為他們應該。
在其他字,作為我說早些時候,這邊界點,
這DSD點和這空間-填充設計點,
那裡是差異在他們的動力學行為那我們'關於不是採摘向上。
這僅有的方式我們'關於去到挑選它向上
是到實際上合身楷模超過這所有的設計空間。
我們做過做那經過這方式。
我應該只是迅速地展示你。
我用過的這所有的數據和我們合身楷模和我們實際上做過漂亮的出色地。
我沒有't展示這透過-巴布洛克連續下坡。
我將要只是迅速地做A小的更多的工作和聯合管理計劃為了那些世界衛生組織是有興趣的。
這透過-巴布洛克連續下坡能是完畢在合身是經過X 。
我將要承認我們寫道A腳本
和添加它到這預測性的添加-在到做這在合身是經過X ,
但你能容易地做它你自己。
這裡,和我'二挑選一的這案例,是這DSD數據和我'二挑選Y1 。
如何做過我們做配件楷模？
如果你看在這選單,那裡的這透過-巴布洛克。
我強烈地建議你看在它。
A很多的回歸問題是錯誤在變數。
如何做過這方法做它全面的？
我想到解釋某物別的。
這橘子點是這DSD ,這邊界。
這藍色的點是這空間-填充設計點。
這裡我合身楷模到這DSD
和這透過-巴布洛克連續下坡是存在合身到這空間-填充設計點。
全面的,這最好的表現曾是轉身在經過這DSD 。
那裡的一的他們這裡。
它的賽伍德6 。
其他一那有…… 我忘記什麼它曾是。
讓我擴大這出去為了你。
十九。
注意這坡是關閉到一,
但你能清楚地看那裡是一些偏見。
在其他字,你能看一個抵銷之間這已安裝坡
和這理想的坡,這虛線藍色的線。
這是漂亮的典型的全面的。
我'二只是非常迅速地展示你。
如果你有聯合管理計劃專業版和你想到做SVEM使用線性楷模,
只是去到合身模型,記起。
這是A滿的二次的模型。
你可以做其他的。
去到基因註冊和然後在下面估計方法。
那裡的SVEM向前。
那裡的SVEM套索。
這些工作非常出色地。
從A很多的工作在這些方法,
我仍然尋找SVEM向前給出你這最好的結果。
這套索趨於到給你A很多的有偏見的結果
在測試套在特別的。
如果你'關於有興趣的在模型平均,如果你有聯合管理計劃標準,
只是去到打記起再次,只是去到這逐步平台。
沒有't做它。 逐步。
我韓元't跑步它。
它將要拿也長的因為模型平均用途最好的子集回歸。
它的時間-消耗的,但它的那裡。
再次,神經網路和SVEM ,
你有到有這預言添加-在到做那。
那裡的A關聯到它如果你'關於有興趣的。
在這觀點,
我我去到不是做也很多更多的分析。
再次,你能去透過和看在這各種各樣的連續下坡
為了這各種各樣的回應
和你能看許多的這些方法結果在高度有偏見的連續下坡。
在其他字,這DSD點和這空間-填充設計是也不同的。
我們已經真的得到到理解我們需要到合身楷模
超過這全部的設計地區。
在這觀點,我我去到只是結束向上。
經過這方式,那裡是足夠的材料這裡，
和我做有基本上許多會談那是合併的進入這裡。
我道歉,但我思考那裡的一個重要的訊息這裡。
經過這方式,我我只是顯示幻燈片和這透過-巴布洛克連續下坡。
然後最後,我想到只是給你一些最終的想法。
我思考我們真的需要一些新的思維在統計數據。
我們大學教師't有到丟出去一切我們已經到過正在做。
我我不是說那。
這最多重要的是我們是在這時代的數位的科學。
數位的化學,數位的生物學,數位的生物技術是這裡。
他們'關於不是明天。 我們已經得到遠的更多的自動化。
很多的偉大的,
尤其在生物技術,飛行員和長椅規模
裝置那規模很好地,在哪裡我們能做地段的實驗。
這問題是複雜。
我們需要到思考不同地。
機器學習方法透過SVEM
是非常重要的為了配件這些複雜的系統。
我們需要到得到離開從這回覆表面方法
那真的避風港't改變了。
或許我們已經得到電腦和一些新的設計。
我思考DSD是真的非常聰明的。
我們有最佳的設計,但他們遭受從這事實他們'關於邊界設計
和人們保持堅持在滿的二次的楷模。
那的A錯誤,作為我已經嘗試過到展示簡要地在這演講,
和你將要是有能力的到下載這演講,
你能看如何不好這些方法一般來說做過和這複雜的回應。
作為遠的作為我我擔心的,我們需要新的類型的最佳的設計。
在A最低限度,這些需要到容納A很多的因素。
派蒂,經過這方式,沒有得到進入細節,有跑步A DSD ……
不是A DSD 。 你做過空間-填充設計和18運行。
給定他們有琥珀色科技可用的,
如果你知道什麼那是,他們能做它。
為什麼做我們需要那？
因為這些系統是互動的。
我們需要到停止思維他們'關於A次要的部分的這方程式。
主要的效果做不是描述這行為的A複雜的系統。
它是互動性是什麼驅動器這行為。
我們需要到覆蓋這內部的的這設計地區。
是的,我們會喜歡到覆蓋這邊界也。
我們大學教師't想到是指定A模型。
最佳的設計要求你指定什麼是通常A滿的二次的模型。
我們需要到得到離開從那。
空間-填充設計,經過這方式,
是最佳的設計那做不是要求A模型是指定的。
但他們'關於不是這全部的回答。
我們需要到覆蓋這設計空間。
我們需要到給這使用者A很多的輸入
那會是科學家們在如何他們散佈這點。
這工作的魯魯和安德森-廚師觀點這方式。
我韓元't有時間到得到進入那。
那的其他話題。
我們需要到是有能力的到容易地結合我們的設計和其他數據。
那包括工程運行,良好生產規範運行,
甚至楷模從部分的微分方程式和模擬。
尤其如果你想到得到進入數位的雙胞胎,
你已經得到到是有能力的到做那使用什麼我稱呼元楷模。
然後最後,派蒂提及這,所以我通緝到帶來它向上。
這標準實踐在設計的實驗,假設
那不知何故你已經得到到螢幕出去因素
是實際上A真的高的-風險,不-報酬策略在複雜的系統。
你將要後悔它。
你將要有一天,在A之後階段,來後退和有到重做實驗性的工作。
我已經見過這時間和再次。
在複雜的系統,
這主意那那裡是積極的和不活躍的因素是簡單地錯誤的。
他們全部事在一些等級某處在這設計空間。
坦白說,和我們的現代的工具,你大學教師't需要到做它反正。
也,某物別的人們做條件反射地減少線性楷模。
我們已經顯示在我們的研究在SVEM 。
也, A好的紙經過史馬克,愛德華茲,
和我們顯示減少楷模降解預言。
為什麼？因為你'關於製作你的模型更僵硬和更僵硬,
它的不是去到插出色地。
我將要停止在這觀點和那裡是一些參考在這結尾。
