Dank Du für Aufpassen Das Präsentation für Die Europa Entdeckung Gipfel Konferenz online. Mein Name Ist Damien Perret. I bin ein Forschung und Entwicklung Wissenschaftler bei DER In Frankreich. I Bin mit Francois Bergeret Die Statistiker Und Die Gründer von Ippon Innovation In Frankreich. Mit Francois, Wir Sind sehr Glücklich Zu Sei Hier Heute Und Wir würde wie Zu Dank Die Lenkung Ausschuss WHO gab uns Die Gelegenheit Zu sprechen um Das arbeiten welche Ist um innovativ Ansätze mit JMP.
Wir Wille geben Du zwei Fall Studien. Francois Wille gegenwärtig Die Erste Fall Und I Wille gegenwärtig Die zweite Fall. Nur Start mit a wenige Wörter um DER. DER Ist a Französisch Regierung Organisation für Forschung, Entwicklung, Und Innovation In vier Bereiche; niedrig Kohlenstoff Energien, technologisch Forschung, grundlegend Forschung, Und Verteidigung Und Sicherheit. Der DER zählt um 20.000 Menschen Und Wir Sind gelegen An neun anders Standorte In Frankreich. Wir haben stark Beziehungen mit Die akademisch Welt Und viele Kooperationen mit Universitäten Und Partner, beide In Frankreich Und alle um Die Welt.
Ein paar Wörter um Ippon Innovation. Von Kurs, Wir Sind a kleiner Unternehmen verglichen Zu Die DER. Es War erstellt 15 Jahre vor. Wir Sind basierend In Die Süden von Frankreich, Toulouse. Wir Sind a Team von Statistiker, nur Statistiker mit Fähigkeit In Industrie Statistiken, Beispiel, SPC, Messung System Analyse, Und von Kurs, Maschine Lernen Und Also An.
Ich bin a JMP Benutzer seit 1995, Also a lang Zeit vor. I gestartet mit JMP 3. Von Kurs, Ippon Ist JMP Partner Weil Wir gebraucht a viel von JMP. Für Beispiel, für Ertrag Optimierung, Wir haben a Werkzeug angerufen Yeti, automatisch Ertrag Optimierung In Komplex Herstellung Systeme. Wir Auch entwickelt Lösung basierend An a Kunde Anfrage, Was Wir Anruf Software An Nachfrage, für Beispiel, a voll Lösung für Ausreißer Erkennung oder statistische Verfahren Kontrolle.
Verwenden JMP Und GSL, Wir haben mehrere GSL Experte Hier, einschließlich Carole Seele, welche Ist Mit- Autor von Das sprechen Heute. Wir Auch haben a klassisch Beratung Und Ausbildung Sachverstand basierend An JMP An Industrie Statistiken. Der Inhalt von Die Präsentation Heute, Wir Wille gegenwärtig zwei real Fall Studien mit Damien. Der Erste eins Ist basierend An Simulation Und a Computer Design von Experiment, Und Die zweite eins Wille Sei präsentiert von Damien An a Maschine Lernen Werkzeug für Vorhersage.
I Wille gegenwärtig Die Fall Studie Nummer 1 basierend An Mischung. Es Ist Okay. Du dürfen gehen An Die nächste gleiten. Der Kontext Ist a Risiko Bewertung Und a Wahrscheinlichkeit Berechnung. Zu erklären Es a wenig bisschen, Mischung Design von Experiment War erstellt von Die DER Zu auswerten Die Leistung von a Material für nuklear Abfall. Der Konditionierung Ist Erledigt mit Salze In a Matrix. Der Leistung Ist bestimmt von a Schwelle An Die Energie. Der Energie hat Zu Sei höher als Die Schwelle.
Es Ist nicht Also einfach Zu schätzen Die Wahrscheinlichkeit Zu Sei unten Das Schwelle. Wir Wille verwenden alle Die Werkzeuge Und alle Die Daten Das Wir haben Zu Tun Das Aufgabe. Von Kurs, Die Wahrscheinlichkeit hat Zu Sei als klein als möglich. Damien, Die DER Experte, Wille bewerten Wenn Das Wahrscheinlichkeit Ist Okay. Jetzt, Was Methodik Wir verwenden Zu schätzen Das am schlimmsten Fall Wahrscheinlichkeit?
Erste von alle, basierend An Die Daten aus Die Mischung Design von Experiment, Wir haben geschätzt mehrere Modelle. Grundsätzlich, manche klassisch linear Modelle, Auch Einstufung Und Entscheidung Bäume, Und Auch neuronalen Netzwerke Sind Die hauptsächlich Modelle gebraucht. Für jede Modell, Wir haben Erledigt drei Analyse.
Erste, Die Monte Carlo Simulation An Die Faktor, Also klassisch zufällig Simulation mit Monte Carlo. Auch, Was Wir Anruf Raum Füllung Design, a Computer Design mit JMP, Wo Wir versuchen Zu erkunden Die Design Raum Aber von Computer Simulationen, Hinzufügen a Lärm An Die Antwort. Das Ist Erledigt mit JMP Pro. Zuletzt Ding Wir tat Ist a Mischen von Monte Carlo Und Raum Füllung Design. Wir Wille Detail Das, Aber Das Ist sehr nützlich als Wir wollen Zu schätzen a am schlimmsten Fall Wahrscheinlichkeit. Wir dürfen gehen Zu nächste gleiten.
Fall Studie Nummer 1, klassisch JMP Simulation für Die Mischung DAMHIRSCHKUH. Erste von alle, Wir haben Zu wählen Die am besten Modell. Vor tun die Simulation, Wir brauchen Zu finden Die am besten Modell. Dort Ist a sehr Hübsch Besonderheit In JMP Pro, welche Ist angerufen Modell Vergleich. Sehr schnell, Du dürfen vergleichen Die Modelle basierend An Kriterien, RS Warum bete ich? Die AISC. Wir haben Erledigt Das Und I Wille Tun Die Demo Rechts Jetzt. I Aktie Mein Bildschirm Jetzt. I haben Zu Aktie Mein Bildschirm. Wir haben Zu verwenden JMP. Hier, I offen Die Daten Satz. Das Ist a Daten Satz aus Mischung Design von Experiment. Dort Ist acht Faktoren, X 1- X8, Und Die Antwort Ist Die Energie.
Zu zeigen Du ein Beispiel von Die Modell Das Wir tat, Wir durchführen Hier, für Beispiel, a prädiktiv Modellieren neuronalen Netzwerk. Der Antwort Ist Die Energie. Der X Faktoren Sind Hier. Wir klicken Hier. Für Information, Wir entscheiden Hier nicht Zu teilen Die voll Probe In Lernen Probe, Validierung Probe, prüfen Probe, Weil Daten Sind aus Design von Experimente, Also Wir haben nicht a viel von Daten. Einunddreißig Experiment maximal Hier.
Wir verwenden a KFold Validierung Zu speichern Proben, I würde sagen. A sehr einfach neuronalen netto Hier, eins Schicht, Und Wir klicken An Gehen. Dort Ist ganz a Gut Modell mit a richtig, lasst uns sagen, RS Warum für Das. Wie Ist Arbeiten Die Vergleich von Die Modell In JMP? Du brauchen Zu speichern Die Vorhersage Formel. Du klicken An Die Stelle Und I speichern Die Formel. Tun Das, Du haben Formeln Hier von Die neuronalen netto mit versteckt Schichten. Du sehen Die Formel, hyperbolisch Tangente Hier von Die linear Prädiktor. Zweites n Euro Hier von Die versteckt Schichten, ein anderer Formel, Und Also An. Bei Die Ende, für Die neuronalen netto, Die Finale Formel für Die Vorhersage Ist a linear Kombination von Die versteckt Neuronen. I halten Das Formel für Die Moment, Und Ich bin gehen Zu Tun Die Dasselbe mit a linear Modell.
Der linear Modell War gespeichert Hier Zu speichern Zeit. Wir entscheiden Zu haben a linear Modell. Für Mischung Design, Wir haben manche kreuzen Wirkung Hier Und a linear Modell. Von Kurs, Wir brauchen Zu sauber Die Modell. Wir brauchen Zu entfernen Was Ist nicht bedeutsam Hier Und Also An. Wann Die Arbeit Ist Erledigt, Wir Auch haben Zu speichern Die Formel. I gespeichert Was I Anruf Die Vorhersage Formel. Hier, einmal wieder, In Die JMP Tisch irgendwo, Du Wille haben Die Vorhersage Formel für Die Energie, normal am wenigsten Quadrat. Du haben a klassisch linear Formel für Die linear Modell.
Zu zusammenfassen, Hier I haben zwei Modelle, neuronalen Netzwerk Und normal am wenigsten Quadrat, Und I haben a Formel für Die zwei Modelle. Dann mit diese Formeln, I gehen Zu Analysieren, Prädiktiv Modellieren, Und Modell Vergleich. Das Ist Die Hübsch JMP Plattform für Maschine Lernen. Hier Was Du haben Zu eingeben Ist Nur Die Formel von Die Prädiktor. Hier, für Die Beispiel, I Nur eingeben zwei Formel, normal am wenigsten Quadrat Und neuronales Netz, Und das ist alle. Du Nur klicken Okay. Hier Du haben a Vergleich Modell mit manche Kriterien Und Du wählen Die am besten Modell H zu. Erste von alle, I hinzufügen Lärm In Die Daten, Also RS Warum Sind nicht Also Gut.
In Zusatz, Wir dürfen vergleichen Die beide Modell. In Das Fall, für Die am schlimmsten Fall Analyse, Wir entschieden entschieden Zu durchführen Die Simulation beide An linear Modell Und Auch An neuronalen Netze. Jetzt, Wir Sind gehen Zu Tun Das arbeiten. L Und Mich zeigen Du Was Wir tat. Vielleicht Ich bin gehen Zu Aktie Das gleiten, Damien, Weil I brauchen Zu zeigen etwas Hier. Es Wille Sei Einfacher mit Mein PC. Also die live Demo Ist Erledigt. Hier Ich bin gehen Zu verwenden a Monte Carlo Simulation. Sehr einfach mit a JMP Vorhersage Profiler.
Erste von alle, Das Ist Mein Erste Demo. Nach Das, I Wille Tun Die Mischung Design von Experiment Raum Füllung Design. I haben Zu sagen Das beide für Monte Carlo Und Auch für Raum Füllung Design, Wir haben manche Mischung Einschränkungen. Es bedeutet Das Die Summe von Die Komponente hat Zu Sei gleich Zu eins. Es ist nicht a real Raum Füllung Design. Es ist nicht a real Monte Carlo Weil Du haben Das Zwang. J Abgeordneter hat a schlau Algorithmus, iterativ Algorithmus Zu nehmen hinein Konto Die Einschränkungen. Wir Sind gehen Zu simulieren Monte Carlo mit Die Erste Faktoren Und Dann mit Die zweite Faktoren Einnahme hinein Konto Die Erste eins Und Also An.
Bei Die Ende, I Wille gegenwärtig Die voll Simulation mit beide Monte Carlo Und Raum Füllung Design. Das Ist neu Weil Was Wir haben Erledigt Ist für jede laufen von Die Raum Füllung Design, Wir haben Erledigt 1.000 Monte Carlo Simulationen. Es ist Wirklich a am schlimmsten Fall Hier, Aber Es War Die Objektiv für Die DER Zu haben Die am schlimmsten Fall. Danke Zu Das, Wir Wille erhalten a Wirklich Gut Schätzung von Die am schlimmsten Fall Wahrscheinlichkeit.
Jetzt, lassen Mich springen Zu Die Demo. Erste von alle, Monte Carlo. Hier I haben Die Ergebnis für Die Monte Carlo. NEIN, Entschuldigung, es ist nicht Die Rechts eins. Hier Es Ist. Lasst uns verwenden Die neuronalen Netzwerk. Hier, für Die neuronales Netzwerk, Du dürfen fragen für Die Profiler. Wenn Du fragen für Die Profiler, Hier Du dürfen fragen Die Simulator. I Wille zufällig bewegen Die Faktoren. Aber Was Ist wichtig Hier, Ich bin fragen für Uniform Verteilung Weil es ist mehr klassisch für Mischung Design. Hier, Ich bin gehen Zu simulieren zufällig Daten für Die Faktor X1 , Aber zwischen Das Wert Und Das Wert Weil Dort Ist a Zwang Hier. I weitermachen mit Die zweite Faktor mit Uniform Simulation zwischen Das Wert Und Das Wert, Und Also An.
Zu speichern Zeit, I Wille automatisch laufen Die Simulation Hier. Hier Es Ist. Entschuldigung, I nicht haben Die Rechts Daten Satz. Entschuldigung um Das. W Hier Es Ist. Modell Vergleich Und Simulation. Hier Es Ist. Okay, Hier Es Ist, Monte Carlo Simulation. Zu speichern Zeit, Krank zeigen Du direkt Die Ergebnis mit a zufällig Simulation mit a Mischung Zwang.
W e haben Erledigt Das Monte Carlo Simulation Und Wir haben Das Ergebnis An Die Energie. Was Ist Hübsch Auch Ist Das Du dürfen setzen Die Ergebnis In a Tisch. Das Ist Die Ergebnis, 10.000 Monte Carlo Simulation. Für jede Simulation Und mit Die Modell, Du haben Die Energie. Jetzt, Zu berechnen Die Wahrscheinlichkeit Zu Sei untere als Die Spezifikation Limit, Wir Nur haben Zu Tun a Verteilung von Die simuliert Energie. Das Ist a Verteilung, nicht genau Gaußsche Verteilung, mehr schließen Zu a Laplace Verteilung. Aber Trotzdem, Es nicht Gegenstand. Wir Wille Tun Die Verfahren Fähigkeit Und Die Spezifikation gegeben von Die DER Ist Minus 100. I Nur klicken An Das Und Wir haben Was Wir Anruf Die Fähigkeit Analyse, gesamt Fähigkeit. Ppk Ist ganz Gut, höher als 1.3 . Hier, Die erwartet Prozentsatz von aus von Spezifikation Ist sehr niedrig Weil Das Nummer Ist deutlich sehr niedrig.
Wir dürfen haben a sehen In a wissenschaftlich Notation. Wir Sind bei a sehr klein Wahrscheinlichkeit Und deutlich Es War akzeptabel für Die [unverständlich 00:15:13] . Bei Das Zeit, basierend An neuronalen Netzwerk Modell, basierend An Monte Carlo Simulation, Wir haben geschätzt Die Erste Wahrscheinlichkeit Zu Sei aus von Spezifikation Und Das Wahrscheinlichkeit Ist Hier. Nächste Schritt. Was Wir haben Erledigt Hier Ist Das Wir Sind gehen zurück Hier. Entschuldigung, I nicht schließen Das. I nicht schließen Das. Ich bin gehen Hier Zu Tun ein anderer Simulation mit Was Wir Anruf a Simulation Experiment. Simulation Experiment Ist Auch angerufen Manchmal a Raum Füllung Experiment. Du versuchen Zu erkunden Die Design Raum.
Hier, Wir haben Zu erinnern Das Dort Ist a Mischung Zwang, Also Wir Wille nicht erkunden, von Kurs, a voll Design Raum, Aber Wir Wille erkunden a Teil von Die Design Raum Hier. Hier Ist a Ergebnis, 128 Computer Läufe mit Die Simulation Daten. Wir dürfen haben a sehen bei Die Ergebnis von Die Simulation. Wenn Wir Tun a Streudiagramm Matrix An Die simuliert Experiment An Die Faktoren, Hier Ist Die Erforschung von Die Faktor mit a Mischung Zwang. Mit Das, einmal wieder, Wir haben simuliert Energie Aber Hier, es ist nicht Monte Carlo Simulation, es ist a Computer Simulation Experiment.
Dasselbe Arbeit, Wir dürfen setzen Die Energie Hier. W Hier Ist Die simuliert Energie? Hier Es Ist. Einmal wieder, rund normalerweise verteilt. Hier Ich bin gehen Zu berechnen, einmal wieder, Die Verfahren Fähigkeit mit a Spezifikation Minus 100. Hier Es Ist. Hier I sollen haben Die Verfahren Fähigkeit welche Ist Gut. Einmal wieder, Du haben a Wahrscheinlichkeit Zu Sei aus von Die Spezifikation, welche Ist schließen Zu 7 pro 1.000. Es Ist Auch akzeptabel als a Ergebnis. Aber Du dürfen sehen Das In Das Fall, Die Wahrscheinlichkeit Ist höher als Die vorherige eins Weil Die Berechnung War anders Und Weil Es War a Simulation Experiment erkunden Die Raum Und es ist anders aus Monte Carlo Simulation.
Zuletzt Ding Das Wir tat, Und Ich bin gehen Zu offen Die d Minuten Datei. Hier Es Ist, Simuliert Monte Carlo. Hier Es Ist. Nicht Die Rechts eins, Entschuldigung. I haben a viel von Dinge offen. Hier Es Ist. Was Ist Das Datei? Was Wir tat Hier. Wir tat beide a Raum Füllung Design Und für jede laufen von Die Raum Füllung Design, Wir haben Erledigt 1.000 Monte Carlo Simulationen. Der gesamt Nummer von Punkte Hier Ist 128.000 Linien. Beide Monte Carlo Und Auch a Computer Design von Experiment.
Hier Wir haben Wirklich a Gut Daten Satz mit alle Die Potenzial Variationen. Manche Sind gezwungen von Die Design von Experiment, andere Sind deutlich zufällig mit Die Monte Carlo. Hier, einmal wieder, Wir Sind gehen Zu schätzen Die Wahrscheinlichkeit. Du haben Die Hübsch Verteilung von Die Energie. Dann Wir Wille einmal wieder, berechnen Die Wahrscheinlichkeit Zu Sei aus von Spez. Eingabe Die Spezifikation Hier, Hier Es Ist. Hier Wir haben a Wahrscheinlichkeit Zu Sei aus von Spezifikation, welche Ist schließen Zu 1 pro 1.000. Einmal wieder, Es War ganz a Gut Ergebnis Hier. Das Ergebnis Ist ganz innovativ. Hier, Nur für Information, Wir hatte Zu erstellen a wenig JMP Skript Hier Zu Tun Das, Zu mischen Die Computer Design Und Die Monte Carlo Simulation. Dort Ist a wenig GSL Code für Das. Das ist alle für Mein Teil. Damien, Vielleicht Du dürfen gehen. I gestoppt Die Teilen.
Okay. Das Ist Jetzt Die Fall Studie Nummer 2. Für Das Studie, Wir haben entwickelt a Brauch Werkzeug für prädiktiv Anwendung. Der Objektiv Hier War Zu erstellen a Werkzeug einschließlich statistische Modelle In JMP Pro In Befehl Zu vorhersagen a spezifisch Eigentum welche Ist Die Glas visko Stadt als a Funktion von Zusammensetzung Und Temperatur. Zu Tun Das, Experimental- Daten Sind Kommen aus beide kommerziell Datenbank Und aus unser eigen Datenbank bei DER . A s Wir Wille sehen, Die Originalität von Die Ansatz kommt aus Die Methodik für Daten Unter Probenahme.
Wir gesucht Die Algorithmen Zu Sei codiert In GSL Und umgesetzt In JMP Pro. Der Antwort von Die Modell Ist Die Glas Viskosität, von Kurs, Und Die Faktoren Sind Die Gewicht Prozent von Die Glas Komponenten. Hier Sind manche Hintergrund Information. Du haben Zu wissen Das Glas Material Ist a nicht- kristallin solide Und Es Ist erhalten von a schnell löschen von a Glas schmelzen. Aus a Material Punkt von Sicht, Glas Ist a Mischung von anders Oxide.
Der Nummer von Oxide Ist Variable aus zwei oder drei In a sehr einfach Glas Zu um 30 Und sogar mehr In Die am meisten Komplex Kompositionen. T Hier Ist a lang Tradition In Die Berechnung von Glas Eigenschaften, Und Wir denken Das Die Erste Modelle war erstellt In Deutschland bei Die Ende von Die 19. Jahrhundert. Seit Dann, Die Menge von veröffentlicht Literatur In Die Feld von Glas Eigentum Vorhersage hat erhöht a viel. Also Das Heute, Wir haben a riesig Menge von Glas Daten verfügbar In kommerziell Datenbank.
Mehrere Herausforderungen bleiben für Die Vorhersage von Die Glas v iscosity Weil Die Glas v iscosity Ist a Eigentum Das Ist sehr schwierig Zu vorhersagen. Erste, v iscosity hat a riesig Reichweite von Variation hoch Zu bestimmt Bestellungen von Größe. A außerdem, v iscosity Ist sehr abhängig An physisch Und chemische Mechanismen Das dürfen geschehen In Die Glas schmelzen, abhängig An Die Glas Zusammensetzung, wie schnell Trennung oder Kristallisation, für Beispiel.
Hier Ist Nur a kurz Beispiel Das zeigt Das Schwierigkeit. Wir haben ausgewählt drei Kompositionen von Was Wir Anruf SBN Glas, welche Ist sehr einfach Glas mit nur 3 Oxide. W e angewandt Die am besten bekannt Modelle aus Die Literatur Zu berechnen Die visko Stadt. T Henne Wir vergleichen Die vorhergesagt Werte mit Die Experimental- Wert Wir haben gemessen mit unser eigen Gerät. Du dürfen sehen Das sogar für a sehr einfach Glas, Es Ist nicht einfach Zu erhalten eins zuverlässig Wert für Die vorhergesagt v Iskosität. Hier Ist a Gut Bild Wir wie Zu verwenden Zu geben a Sicht von Die Datenbank Wo jede Punkt Ist eins Glas In a Multi dimensional Sicht von Die Domain von Kompositionen.
Daten Mai kommen aus anders isoliert Studium, oder Wir dürfen haben Daten Kommen aus Studien mit Experimental- Design, oder Daten erhalten aus parametrisch Studien mit Variation von eins Komponente bei a Zeit. W e ausgegeben a viel von Zeit In Die Vergangenheit Zu anwenden anders Verfahren von Maschine Lernen. A klassisch Ansatz War gebraucht für Partitionierung Die Daten hinein a Ausbildung Satz Und a Validierung Satz. Aber bei Die Ende, NEIN statistische Modell mit akzeptabel prädiktiv Fähigkeit War gefunden Zu vorhersagen Die v Iskosität. T Hut Warum Wir haben entschieden Zu verwenden a anders Ansatz.
Stattdessen von mit alle Die Daten, Wir denken Es Ist besser Zu erstellen a Modell von mit Daten schließen Zu Die Zusammensetzung Wo Wir wollen Zu vorhersagen Die v Iskosität. Also für Beispiel, Wenn Wir wollen Zu vorhersagen Hier, eins Modell Wille Sei erstellt aus Die Daten Wir haben In Das Bereich, Und a anders Modell Wille Sei erstellt Wenn Wir wollen Zu vorhersagen Die Eigentum Hier, für Beispiel. T Hut Warum Wir sagen Das Das Technik Ist dynamisch Weil Die Modell kommt darauf an An Die Zusammensetzung Und Es Ist verwandt Und tailliert Wo Wir wollen Zu vorhersagen. W e sagen Das Die Modell Ist automatisch Weil Wir nicht haben Zu Tun Das manuell.
Jeder Schritt Ist Erledigt von a Algorithmus umgesetzt In Die Werkzeug. O Ist von Die am meisten wichtig Punkt Ist sicherlich Die Bestimmung von Die optimal Daten Satz Zu erstellen Die Modell. F oder Das, Wir haben umgesetzt zwei Methoden von Unter Probenahme. In Die Erste Verfahren, a theoretisch oder virtuell Design von Experiment Ist generiert um Die Zusammensetzung von Interessen. Dann jede laufen von Die Design Ist ersetzt von Die am meisten ähnlich Experimental- Daten gegenwärtig In Die Datenbank, führend Zu Die Finale Ausbildung Daten Satz.
In Die zweite Verfahren, Wir haben umgesetzt In Die Werkzeug. Th Ist Ist basierend An anders Größe von Daten Sätze erstellt um Die Zusammensetzung von Interesse. A klein Daten Satz Ist generiert von Die Werkzeug Und Modell Sind erstellt An Das klein Teilmenge Zu vorhersagen Die visko Stadt. T Henne größer Und größer Daten Sätze Sind generiert automatisch Und Die optimal Größe Ist ausgewertet von mehrere statistische Kriterien verbunden Zu jede Teilmengen.
Endlich, Die Konstruktion von Die Modelle Ist basierend An drei anders Algorithmen umgesetzt In Die Werkzeug. Erste Ist a Polynom Modell erhalten von a Mehr- linear Regression. Zweite Ist a Geschlecht Modell Und neuronalen netto Modell. A t Die Ende, Wir haben sechs anders berechnet Werte welche macht Die Vorhersage sehr robust.
Lasst uns gehen Zu JMP Zu sehen Wie Es funktioniert. L Und Mich Erste zeigen Du Die Code. T Er Skript, als Du dürfen sehen, Ist ganz lang, um 700 Reihen, welche ist ein ziemlich kompliziert GSL Code. Der Erste Ding Du haben Zu Tun Ist Zu eingeben Die Zusammensetzung von Die Glas Du wollen Zu vorhersagen Die Viskosität. T o Tun Das, Du dürfen verwenden ein Schnittstelle Wir haben erstellt. Du Nur haben Zu wählen Die Oxid Eingabe Die Zusammensetzung. F oder jede Oxid, Du Nur haben Zu eingeben Die Gewicht Prozent. Oder Wenn Du wollen, Du dürfen direkt eingeben Die Zusammensetzung In Die Skript, welche Ist a wenig bisschen mehr schnell, I würde sagen.
Dann Du Start Die Skript. I Gewohnheit Tun Das Jetzt Weil Es dauert um eins oder zwei Minuten. Es ist nicht sehr lang. Aber für Das Demo, I haben bereits laufen Die Skript. Lassen Mich zeigen Du Die Ergebnisse. Bei Die Ende von Die Berechnung, Du haben Das Fenster Wo Du dürfen erhalten a statistische Bericht. Sehr interessant. Erste, Hier Du haben Die Zusammensetzung Du haben eingegeben, es ist Nur a Erinnerung. W e haben Die Graph zeigt Die vorhergesagt Wert. O n Die Y Achse, Wir haben Die vorhergesagt Werte von Die Viskosität berechnet von Die drei Algorithmus Und für Die zwei Methoden.
An Die X Achse, Wir haben Die Nummer von Erweiterung für Die zweite Verfahren I haben beschrieben. I n Rot, welche Ist Die am meisten wichtig Wert, I würde sagen, Ist Die Durchschnitt von alle Die anders Vorhersagen. I t Ist Die am besten Vorhersage, I würde sagen, von Die Glas Viskosität . I f Wir brauchen Zu haben mehr statistische Einzelheiten, Wir haben a viel von Information In Das Bericht Zu Studie Die Qualität von jede Modell. Für Beispiel, Wir dürfen überprüfen Die Werte von Die DRÜCKEN Statistiken für Die Mehr- linear Bankleitzahl F Modell.
Für Beispiel, Hier Wir dürfen sehen Das Die DRÜCKEN Werte erzählen uns Das Die Vorhersage mit Die Verfahren Nummer 1 Ist a wenig bisschen besser als für Die zweite Verfahren. W e Auch sehen Das Die Modell Degradierung mit Die Erweiterung von Die Ausbildung Satz. Wir dürfen Auch überprüfen Die RS Warum Werte für Die zwei anders Verfahren Und für Die anders Algorithmus, Und Wir dürfen vergleichen ihnen. W e dürfen haben sogar mehr Details An Die Design von Experimente Das war erstellt Und alle Die Formel von Vorhersage. T sein Ist a viel von Information, Aber Dort Ist Die am meisten wichtig Teil Hier, welche Ist Die vorhergesagt Wert von Die Viskosität.
Lasst uns gehen zurück Zu Die Steckdose. T sein Ist Die Ergebnis erhalten für Die einfach SBN Glas, welche Ist, als I sagte früher, a einfach Glas mit nur 3 Oxide. Aber Wir haben berechnet Die visko Stadt für drei anders Zusammensetzung von SBN Glas. W e vergleichen Die Ergebnisse erhalten aus unser Werkzeug Hier mit Die Ergebnisse aus Die Modelle verfügbar In Die Literatur. In Begriff von Die relativ Fehler von Vorhersage, Es hat Zu Sei als niedrig als möglich. W e dürfen sehen Das Die am besten Ergebnisse von Vorhersage Sind erhalten mit unser Werkzeug, welche Ist Wirklich Großartig.
H Auch, Wir haben Die Ergebnisse erhalten An mehr Komplex Gläser. T Er Werkzeug prädiktiv Fähigkeit War ausgewertet von Extrahieren 230 Reihen aus Die global Datenbank. In Das Tisch, Wir haben Die relativ Fehler von Die visko Stadt Vorhersage für anders Typ von Glas Und für Die global Teilmenge von Daten. Drei Quantile Sind gegeben, Die mittlere, Bedeutung Das 50 % von Die vorhergesagt Werte haben a relativ Fehler Das Ist unten Die Wert angegeben Hier. W e Auch geben Die 75 % Und Die 90 % Quantile. W Henne Wir sprechen um Glas v Iskosität, traditionell, Wir halten Das Die prädiktiv Fehler, um 30 % Ist sehr Gut.
W e sehen Das für Die mehrheitlich von Die Daten, Die Modell Fähigkeit Ist Bußgeld Und Wir war sehr Glücklich mit Die Ergebnisse Wir erhalten. Hier Sind manche sehr wichtig Schlüssel Parameter. Es Ist sehr wichtig Zu nehmen hinein Konto als viele Eingänge aus Die Glas Experten als möglich. Für Beispiel, Wir hatte Zu erstellen spezifisch Algorithmen Zu handhaben Die Natur Und Die Wand von Oxide Und viskos Das. Ein anderer Punkt von wesentlich Bedeutung Ist verwandt Zu Die Herkunft Und Zu Die Zuverlässigkeit von Die Daten.
Für Das, a bedeutsam Menge von Zeit In Das Projekt hat gewesen ausgegeben Zu Die Verfassung von a zuverlässig Datenbank. W e hatte Zu implementieren Wege Und Wir hatte Zu Studie anders Wege von Berechnung Die Entfernungen zwischen Die Glas Zusammensetzung. I es ist Zeit Zu abschließen Jetzt. Wir haben präsentiert zwei anders Fall Studien. In Die Erste Fall Studium, Wir haben erstellt mehrere Modelle Und Wir haben verglichen ihnen für Die Risiko Bewertung. Wir haben gesehen Das Es War einfach mit JMP Zu durchführen Monte Carlo Simulationen, sogar für Mischung Entwürfe mit Einschränkungen. Wir haben gesehen Das Es War einfach Auch Zu durchführen Raum Füllung Design, Und wieder, sogar für Mischung Designs.
Von Kombinieren Monte Carlo Und Raum Füllung Entwürfe, am schlimmsten Fall Wahrscheinlichkeit hat gewesen geschätzt. I n Die zweite Studie, Wir haben präsentiert Die Werkzeug Wir haben erstellt mit ein Original Verfahren von Unterabtastung Die Daten. Für jede Zusammensetzung von Interesse, a spezifisch Modell von Viskosität War konstruiert um Das Zusammensetzung, Und Wir haben gesehen Das Die Vorhersage Genauigkeit An Die visko Stadt War sehr vielversprechend Und viel besser als Modelle verfügbar In Die Literatur. Dank Du für dein Aufmerksamkeit.
