全部正確的。 你好每個人。
我的姓名是史考特艾倫.
我是A系統工程師在JMP。
我是去到是呈現A神經的網路調音添加-在
那我有發達真的幫助發展神經的網路楷模
在一個自動化的方式到建造許多楷模，
尋找出去哪個參數是最多有效的在大樓這最好的模型。
什麼ID喜歡到做只是簡單介紹一下背景
在動機為了大樓這添加-在。
我是去到做或許A演練，描述，
什麼是去在在這背景什麼時候你跑步這添加-在
和然後展示A使用案件為了它。 A樣本工作流程。
然後就真的包起來向上和一些教訓學到了。
這曾是我的第一的大的腳本編寫專案,所以當然學到了A很多沿著這方式。
我想要到分享那和然後作為出色地作為什麼是下一個。
第一的，只是我想到這裡需要3、4分鐘
只是在這背景和動機。
很多的其他機器JMP 中的學習平台有一些有點
範圍調音功能，
無論它是A調音桌子那你創造外部這平台，
喜歡在引導程式森林或者增強的樹木，或者一個融合的調音設計
像支援向量機器和這新的XGBoost平台。
但有不是一為了神經的網路。
那引領到一些顧客我會詢問這件事。
「是這某物那是可用的？
是那裡腳本出去那裡那我們能使用？
是那裡一個添加-在？”
那裡是A很少事物出去那裡，但或許不是一切在一地方。
然後在A個人的等級，我有絕不進行A大的腳本編寫專案.
我有完畢一些小的吉林省腳本到自動化工作流程，
或者到乾淨的向上數據，但我有絕不建成一個應用。
這是，我真的通緝A專案到幫助我學習。
我用過的這作為一個藉口到學習JSL。
這神經的網路平台在 JMP 中確實是強大的，
和所以患病的只是發射它真的快的。
我是當然如果你已經見過它...
我將要提到我是使用 JMP PRO版本17.1 。
那是在哪裡全部這測試有發生了為了這添加-在。
我有不是消失了向後許多版本。
我會建議如果你是去到用這個
你需要到有聯合管理計劃專業版和在至少版本 17.1。
這聯合管理計劃神經的網路平台是真的強大的
和我只是想到拿A很少分鐘到去透過什麼這看起來喜歡。
我思考大家有...
如果你已經用過的神經的網路，你已經消失了透過這個工作流程
和它是A真的好的靈活的平台為了發展這些楷模。
你能開始離開和基準模型和或許你是不是使滿意
和這表現的你的模型在這案件。
你能只是去後退到這模型發布和你能調整這參數這裡。
你能去和產生其他模型。
它是方便開始改變這些參數
和發現楷模那可能是這最多合適的為了你的系統。
但那裡是A很多的選項在這裡。
你已經得到不同的數位的節點，你已經得到一或者二層，
有提升選項作為出色地作為A很多的不同的配件選項。
你不總是知道...
它是不是總是清除哪個的這些您需要更改的參數
在命令到得到這最好的模型為了這數據桌子那你是在職的在
和這預測因子那你是使用。
它是不是總是清除如果調整A範圍
是去到帶領到A更好的模型。
你只是調整上一個ND向下，或許拿大的腳步
到數位出去什麼是去在。
確實如此要求A很多的手動的調整經過這使用者
在命令到產生這些楷模。
他們是漂亮的快速地，所以它是不是時間-消耗到創造這些
但它d厄斯要求A很多的點擊次數。
我的目標這裡和一些的我的靈感曾是真的到提供A單身的平台
為了調音和評估那些神經的網路楷模。
我曾是也啟發那裡是一些調音腳本出去那裡。
缺口謝爾頓有A腳本那會幫助你建立那個表
和跑步它和評價那些楷模。
標記貝利有發達一個添加-在為了這作為出色地，
和那裡是 s奧梅社群貼文那是試到F圖出去如何到做這個。
那些是全部一些開始點為了這添加-在。
然後我真的喜歡這XGBoost添加-在介面.
它是真的乾淨的，它是得到一些圖形化的輸出
和它是真的簡單的到導航和讓我們你汽車調那些網路。
這添加-在那我是發展不是汽車調音，
它是真的更多的的A野蠻的力量方法。
只是建造地段的楷模和然後有A圖形化的介面那裡
到幫助你歐尋找這最好的一為了你的系統。
讓我們去在和移動在 t哦只是什麼這添加-在做和如何到使用它。
到發射這添加-在，只是喜歡最多添加-插入，
你去到這添加-在選單，和它是被稱為神經網路調音。
那需要你到這發射對話。
這給出你A欄位角色介面那非常相似的
到許多其他平台。
我們能只是選擇所有的o F我們的因素這裡和我們的回覆.
現在，它允許A單身的是回覆,
和它能是任何一個連續的或者絕對的。
這添加-在現在僅有的有這二驗證方法，
所以你能指定A驗證柱子和兩個都驗證和測試。
設定如果你有那，如果你不，它是只是去到做A隨機的阻礙，
這預設對於 t他神經的網路。
然後你能指定和切換或者切換這資訊豐富的遺失的作為出色地。
但出色地只是去和這為了現在。
我們點選好的，和那需要你到這調音發射。
這調音對話，第一的，給出你A小的位元的資訊
關於什麼是在這數據桌子和什麼你指定的作為柱子角色。
正確的現在我們已經得到這數據這裡的桌子，這模型驗證方法，
作為出色地作為無論或者不是我們有資訊豐富的遺失的在或者離開。
然後我們已經得到這美國能源部選項。
什麼這添加-在將要做，是看在全部這範圍範圍那你已經放
和創造A快速地，靈活的，空間-填充設計。
真的這僅有的設計規格你需要
是到放這數位的試驗在這設計。
在這案件我們已經得到預設情況下它是去到是放到20、
和有一些規則的拇指。
或許你想到指定在至少10治療在這設計
為了每一個因素那你是看著在，但它是完全地向上到這用戶，
和所以出色地來後退和調整那如果我們需要到。
你能也複製這設計和A不同的隨機的種子。
在一些案例如果你想到看如何強壯的你可能是
到肯定參數，你能跑步這相同的神經的網路模型20次，
但全部和不同的隨機的種子到看如何強壯的這模型是到那。
然後你能切換無論或者不是你想到看這美國能源部對話那節目向上。
一次你已經消失了透過美國能源部選項這裡，
你能來向下到這神經的網路調整。
我嘗試過到停留漂亮的真的到這原來的平台
在這神經的網路經過使用相似的語言和選項這裡。
這是在哪裡你走吧，一個ND反而的指定A單身的價值
為了一的這些參數，是去到指定A範圍。
也,我是限制A小的位元這可用的選項
為了這類型的神經的網路那你是去到創造。
在這案件你能產生A單身的隱層，
你能產生二隱層，或者一隱層和助推。
現在，這神經的網路平台不允許
A第二層和助推。
如果你嘗試到做那在這神經的網路平台，
它將要給你A警告說那它是去到忽略那第二層。
在這添加-在，我只是製作它所以那你零出去全部那些第二層數
什麼時候你啟用助推。
在這案件是去到 e探索這數據桌子A位元
有可能是去到放一些寬的範圍的調音參數。
我是去到去從0-9在每個的那些激活函數數位的節點。
超過在這配件選項，你不有到一定
知道什麼可能是最好的為了你的系統，你能只是選擇他們
到是部分F這美國能源部，或者在這案件
這些轉換協變數和強壯的合身選項。
你能切換他們到總是是離開，總是是在，或者包括在 DOE 中。
出色地包括兩個都的那些在這美國能源部為了這例子。
懲罰方法。
你能測試任何或者全部這不同的方法。
如果你不指定任何懲罰方法，它將要跑步
這預設懲罰方法平方。
但是去到查看全部的那些。
你能也指定這數位的旅遊每模型。
在回顧過去，我大概沒有需要到添加這
但是因為你可以做某物相似的經過只是複製全部的這設計
和看到這結果從每個的那些楷模。
但它是這裡在案件你想到調整這數位的旅遊。
你能也指定A隨機的種子。
在這案件，我有得到，3,4,5,6。六種不同因素在這設計，
所以我是只是去到或許轉t他的向上到60.
我是去到創造60楷模。
前我點選跑步，我是g奧因到演講A小的位元關於
什麼是去在什麼時候你點選跑步。
這第一的事物那發生當Y歐點選跑步，
是它是去到創造A因素桌子和僅有的這已選擇參數。
我們選擇它。
在這案件它會創造A因素桌子和單身的-層節點，
全部的這不同的配件選項。
它是不是去到放這第二個l艾爾或者任何的這提升參數
進入這因素桌子。
那我就是去到創造A反應表在哪裡這訓練，驗證，
和測試R-平方值已指定
A ND然後它是去到結合那些進入A單身的桌子。
這是什麼這美國能源部樣本桌子將要看喜歡。
它是只是去到有這回應作為這R-平方價值觀
和然後全部這不同的參數。
然後這些只是得到通過了進入這神經的網路平台排-經過-排，
和這結果展示向上在這數據桌子。
只是喜歡是說，每個的那些運行在這設計是去到去進入這
神經的網路模型平台依序地和然後我們有A小的對話盒子
那是去到表明這全面的過程。
在這案件的真的長的-跑步神經的網路，
它是好的到只是看如何迅速地這所有的設計是去到去。
我會推薦前指定A大的數位的試驗在這設計
那你跑步一或者二先的時間只是到看
如何長的他們是去到拿。
如果你有相當小的數據放，然後他們去漂亮的迅速地，但如果你有
A複雜的數據放，他們能拿有時相當A儘管到跑步。
在這案件我是只是使用A樣本數據放從這樣本數據放圖書館.
這藥片生產。
它是不是這最好的數據放到跑步為了神經的網路只是因為
那裡不是A所有的很多的觀察，但我是使用它只是b因為
這神經的網路跑步真的快的。
在這案件，如果是使滿意和全部的這規格
那我們有在我們的模型，我們能只是去先和點選跑步。
什麼這有完畢是它是已創建那設計桌子
和現在它是透過透過每個的那些試驗
進入 t他神經的網路平台和給予一個輸出。
如果我們看在這家窗戶，全部這有完畢是它是採取
那調音結果桌子和我有隱它
和我只是帶我來t出去進入這相同的窗戶這裡。
讓我們只是去在到這下一個一。
我們能工作透過那數據桌子這裡，所以它是互動的。
什麼你第一的看向上這裡是圖形建設者報告。
時間他的節目你全部的你的不同的參數，
所以這不同的啟用設定功能作為出色地作為這數位的節點
是這規模，和如何這驗證R-平方變化
和尊重到每個的那些個人參數。
在這案件的絕對的參數，你g等A盒子陰謀顯示這不同之處
在這價值觀這方式。
我們能看在這案件或許為了強壯的合身，
它是得到A更寬的範圍，但在平均的這是g奧因到是更好的。
這中位數價值是更好的。
是更高R-平方。
我們能也看向下這裡在這數據表，
它是去到種類這數據桌子經過這驗證R-平方
和它只是色調那些A更深紫色的取決於在這價值。
讓我們看。
我們可以用...
一原因我只是保留這數據桌子作為它是，
是我們能探索它只是喜歡我們探索任何數據桌子在傑普,
所以你能看在柱子標頭或者你能發射圖形建設者
或者做各種各樣的分析在這數據桌子作為它是正確的這裡。
那裡區域很少額外的數據列或者列那是添加
到這數據桌子。
一，它記錄這隨機的種子。
如果你想到複製這，你知道什麼隨機的種子被使用
在產生這n歐洲的網路楷模，節目你這資訊豐富的遺失的，
節目你這過去時間為了每個的這楷模。
如果你是大樓大的楷模或者你可能想到最小化的r不定時，
然後你能得到一個估計o F如何長的它可能拿為了你到跑步
額外的楷模。
能源部只是記錄什麼美國能源部曾是跑步。
這曾是這第一的，所以它得到A 1.
作為你會看我們能跑步A第二和第三，和你能然後使用那些
作為一些繪圖工具。
也告訴你這類型的神經的網路那曾是跑步。
無論它曾是單身的-分層，雙倍的-層，
或者A單身的-層和助推。
有A夫妻的其他
列那是添加。
這因素柱子只是讓我們你追蹤的這因素
那是用過的在這設計在案件你想到比較楷模
那有不同的因素那是用過的反而的只是參數，
進而也A排柱子。
這下一個腳步所以我們能繼續大樓出去。
或許在這案件是探索這參數。
現在我們已經得到A基線的A單身的神經的網路
和或許我們想到看如何這比較到A二-層神經的網路。
我們能去後退到這調音發射哪個曾是只是最小化。
你能看那全部的這報告，這圖形建設者報告
作為出色地作為這桌子是只是一個附加的到這調音發射。
我們能去後退向上到 t他的調音發射和或許我想到看在
二隱層。
出色地去到二，和現在患病的放在A範圍的
那些結果或者那些參數和保持一切別的這相同的。
你能看它是去到預載這隨機的種子那我產生的
在這第一的美國能源部只是到製作當然一切的使用這相同的隨機的種子。
出色地保持它在60、甚至儘管我們可能想到增加它
經過A小的位元自從我們是一個頂客一些更多的因素，
但保持它簡單的，出色地去吧和60.
另一個事物只是到提到是，在這案件它是大概漂亮的
低的似然度t帽子全部的這些會是放到零在A設計，
但如果他們是它會只是去到這預設和傑普,
哪個是A單身的10小時層。
你不有到擔心關於擁有A神經的網路和零層數
或者零節點。
如果是使滿意和這，是只是去到點選跑步。
儘管這是跑步，我是只是去到帶來向上這家窗戶。
你能看什麼它是正在做。
我們已經得到我們的原來的調音結果桌子這裡，
和它是建成A第二個t烏寧結果桌子，
什麼時候它是完成了，我t只是追加那到我們的原來的桌子。
現在我能看在橘子,是全部的那些第二-層楷模。
我們能看在這案件，或許擁有二層數
曾是不是非常有利在這案件。
看起來喜歡在漂亮的很多全部案例，那些神經的網路是不是作為好的。
然後或許只是到圓形的這個出來，是去到去
並建立一些神經網路和助推。
提升是A真的好的方式到增加這預言力量的我們的模型。
是去到指定一些提升等級從1-10,作為出色地作為
這學習速度從0.1到1.
一次再次我們的隨機的種子是相同，和這些是去到拿
A小的位元更長，所以我是只是去到減少數位的運行
只是在這興趣的時間。
我們能點選跑步這裡，我們得到我們的對話盒子那告訴我們
我們的全面的進步，和我們能看這些在這案例
在哪裡我們已經大概得到地段的提升，他們可能是採取A小的位元的時間。
在這案件提升神經的網路，或者神經的網路那有提升
是現在這紫色的，和我們能看在漂亮的很多全部這案例
紫色的是更高，尤其什麼時候它看起來喜歡
我們能看經過這些盒子地塊作為出色地。
然後我們能也看在 t他的案件超過這裡我們的助推。
或許我們沒有成立這最大限度數位的提升，
它看起來喜歡它繼續去向上，
所以我們可能想到添加一些額外的提升層數或者或許
我們的學習速度是最好的在這中間到高的價值
反而的在這最低學習速度價值觀。
這下一個事物我們可能會螞蟻到做一次我們有這最初的看法
的我們的系統，是到跑步A很少的這些神經的網路和比較他們。
我們能做那A很少方法。
我們能看在我們的桌子這裡有一個ND跑步或者和選擇一些神經的網路
基於在這圖形，和你能看他們是突出顯示向下以下
在我們的數據桌子作為出色地。
或許什麼我們想到做是跑步這頂部四或者五。
我想到跑步這頂部五。
我不有到去後退進入這神經的網路平台到做這，
我能只是跑步它經過點選這按鈕，跑步已選擇楷模。
現在它是去到跑步那些後退進入這神經的網路平台
和給我們A小的輸出那節目我們這排在我們的數據桌子那曾是跑步。
這是只是這標準神經的網路輸出現在。
我們經過透過這相同的隨機的種子，所以如果我們拿A看在 R 平方值下，
是去到得到這相同的神經的網路那曾是發達
因為是使用那，透過透過那相同的種子。
然後我們能來透過和我們能拿A看在更多...
任何一個這更多的概括統計價值觀或者這實際的相對預料到的，
或者得到這分析器。
任何我們可能想到做比較這些神經的網路。
一其他事物我們可能想到做在這階段
是創造一些額外的可視化。
我們能去透過和我們能展示這調音桌子。
如果我們不想到工作在我上t這裡，我們能只是取消隱藏它，
和現在我們已經得到A數據桌子那我們能使用，
和我們能去進入圖形建設者和或許我們想到
拿A看在驗證相對訓練R-平方
只是到看如何那是看著，或者我們能去通過。
因為我們已經得到這數位的美國能源部，我們可以追蹤如何我們的神經的網路
有改進的和我們的調整。
我能去進入圖形建設者和我能使用那能源部，
和或許我們想到看在訓練和驗證 R 平方，
我們能轉動在盒子地塊和我們能看如何我們的調音有進步了超過時間
和每個隨後的設計那我們跑了。
其他選項是如果你想到做一些更多的分析性的類型分析這裡，
我們能去進入篩選和我們能跑步預測器篩選。
我們能拿全部的那些參數，載入他們在作為預測因子，
和看著我們的訓練和驗證R-平方。
點選好的，和現在我們能看哪個因素可能是最多有影響
在裡面訓練或者驗證。
不是出奇，那些學習費率和提升一個關於好的在這驗證。
有不結尾到什麼分析你可能想到做，
在這裡它是只是什麼你的目標的這神經的網路曾是
和在哪裡你想到去和它。
但你能做那全部在 t他的數據桌子哪個現在有160神經的網路楷模。
或許這些神經的網路楷模拿A小的位元的時間，
所以另一個事物你能做是我們能只是節省這。
我想到去文件，和我能節省這。
我是只是g奧因到節省它到我的桌面作為T烏寧結果。
我能來後退到這之後。
現在那我有得到它已儲存，我是去到關閉這。
一事物那你會得到A警告，什麼時候你關閉它。
你應該只是隱藏這數據桌子。
如果你關閉它，它是去到拿它出去的這神經的網路平台
和你慣於是有能力的到繼續你的工作，
但你能隱藏它。
什麼時候你得到後退到這添加-在，什麼時候你關閉這窗戶，
它是只是去到提醒你。
你可以關閉它沒有儲存或者你能取消到去後退和節省它。
是只是去到點選好的。
什麼時候我節省這調音桌子為了之後，所以什麼我能做是，
是現在我能重新啟動那添加-在和我能去進入這調音添加-在，
點選好的。
但反而的重置任何參數和點選跑步，我能去到載入.
什麼我能做是我能載入A之前已儲存調音桌子，
和什麼這做是讓我在這案件的神經的網路
那拿A長的時間，你不有到開始超過從刮痕。
你能只是保持大樓在這桌子那你通緝，或者或許你做
一些額外的分析離線和想到來後退在
和建造一些更多的楷模，所以你能去透過和什麼時候你指定
全部這不同的參數和數位的調音運行你想到有，
它是只是去到繼續追加它到這桌子。
和那讓我們最小化這。
那是快的跑步透過的一個二這不同的選項
在這調音桌子。
它是真的A野蠻的力量方式。
你能看有不汽車調。 正確的現在它是只是跑步
全部那些不同的範圍組合給予你一個主意
哪裡的你的最佳的模型可能是。
如何你可能工作這進入你的工作流程所以你能探索那些參數，
這是本質上什麼我們做過今天。
我們看起來在單身的-層楷模，我們看起來在楷模和二層。
單身的-層和助推。
其他事物你可能做是去後退和說，
“W嗯，在哪裡是我的最佳的楷模？”
他們是這裡。
我能去後退到這調音發射和或許我想到重新創造那些楷模
和去更多的向這範圍。
它看起來喜歡算我一個這中間範圍這裡，是最佳的，
所以反而的去從0-9,或許我去從5-7 。
線性楷模也可能是最好的在這中間，
和或許這高斯，有一些好的那些在這左邊，
所以出色地去從1-8或者某物喜歡那，七或者八。
然後我們能看在哪個... 在這案件，那裡不是一個優勢
到擁有它在或者離開，所以我們可以只是有那些離開，
或者離開或者在。
但它看起來喜歡或許在這案件這重量衰變曾是這最好的方法，
所以我們可以只是包括那一和然後去透過
和建造一些更多的楷模和A狹窄的範圍的那些參數。
我們能也查看範圍靈敏度到A隨機的種子。
在這案件我們能經過透過任何一個持續的價值觀
哦r A狹窄的範圍。
你能經過透過A持續的放的參數
只是經過環境每個範圍平等的到每個其他，
和它會經過那透過這神經的網路作為五每一個時間，
或者你能只是指定這分分鐘價值，和那將要經過它透過
作為A持續的價值。
如果我們通緝到我們可以看在
也許這個曾是A神經的網路那曾是一那我們已確定作為最佳的，
但我想到看如何強壯的它是到這隨機的種子。
什麼我們能做是我們能只是說只是跑步它一次，
但讓我們複製它和20隨機的種子。
那可能實際上拿A小的位元的時間，
所以讓我們去向下到10.
然後我們能...
實際上，我不想到做那在這一，
因為我有得到全部那些其他的，但出色地只是跑步這。
你可能想到做這在A乾淨的數據桌子
在哪裡你是不是添加它到這設計，但我們能使用b因為我們有
這數位的做我們可以尋找在哪裡那隨機的種子曾是。
我們能看這裡，全部這不同的隨機的種子
和我能去進入圖形建設者和我可以只是放在
這訓練和驗證R-平方，和然後我能使用當地的數據篩選現在
在我的隨機的種子到展示一切除了這一在哪裡我們有全部那些。
現在我能看如何強壯的我的模型是到那隨機的種子。
那是這相同的設計現在跑步10次，
和所以在平均的我們能看什麼這中位數價值是
或者這範圍的預期的結果。
然後最後，w e能載入那些已儲存數據表。
那些是真的有利為了神經的可能有的網絡
真的長的計算次，所以你能節省它離開
和來後退到它之後。
那些是一些工作流程那可能 b e有幫助的到你作為你建造
你的神經的網路楷模。
我只是想到裹向上和A很少教訓學到了。
這曾是這第一的腳本編寫專案那我去透過
那發達一個應用，
和所以我思考這是漂亮的明顯的到任何人那是發達任何 JSL
或者建成任何應用程式,這聯合管理計劃社群是真的
一個無價資源。
我會說95%的全部我的問題，我會只是去到這社群
和某人別的有A相似的問題。
真的推薦如果你是有興趣的在大樓添加-插入，
大樓應用程式,這社群是真的這第一的地方到去。
真的嗎，你的想像力和你的目標是這限制因素
在發展這些應用程式.
A對齊的和那是因為有所以許多可能性，
那裡曾是A需要到保持這專注。
在這案件，我只是有... 我思考在一迭代
我有許多不同的輸出，不同的圖表，
但他們不是真的這心的這應用。
因為有所以許多可能性，我真的嘗試過到保持這專注的
在只是給予一些圖形化的輸出到導航這不同的楷模
和跑步他們和確認哪個可能是最多合適的。
什麼是下一個？
我真的想回饋.
它是自私，但它是什麼我真的想。
我會愛到聽到如何人們能使用這，如何它是受益他們。
你能尋找這在這社區，在這添加-在部分的這社區。
請感覺自由的到製作A郵政這裡，告訴我如何你是使用它。
我做有A很少已知的問題，和作為我收集更多的，
我是當然它是不是100%漏洞-證明，但這將要是這地方到去
到得到這目前的版本的這加入作為出色地作為理解任何已知的問題。
但ID愛到聽到如何你是使用它，
和這社群是A偉大的地方到做那。
我會也喜歡到聽到想法在額外的報告。
我保留這漂亮的簡單的，但如果你尋找那有A報告
那你是產生每一個時間你跑步這，
ID喜歡到知道什麼那是一個ND或許我們能建造那進入這添加-在。
我是也去到繼續偵錯.
那裡是A很少已知的問題那我是在職的透過正確的現在，
和然後或許A更大目標是到嘗試到做那汽車調。
反而的正在做這野蠻的力量方法，或許開始出去和
一個小的號碼 o F參數，數位出去哪個那些
區域影響這回覆這最多，和然後擁有A指導的調整。
和那， ID喜歡到謝謝為了傾聽到這推介會。
這是A真的樂趣專案和我希望你尋找它有用，
和會愛到聽到關於它。
謝謝。
