感謝 あなた のために 見ている これ プレゼンテーション のために その ヨーロッパ 発見 サミット 会議 オンライン。 私の 名前 は ダミアン ペレ。 I 私は 研究開発 科学者 で ザ で フランス。 I 午前 と フランソワ ベルジェレット その 統計学者 そして その 創設者 の 一本 革新 で フランス。 と フランソワ、 私たちは は とても ハッピー に なれ ここ 今日 そして 私たちは だろう のように に 感謝 その 操舵 委員会 誰が 与えた 私たち その 機会 に 話す について これ 仕事 どれの は について 革新的 アプローチ 使用して ジャンプ。
私たちは 意思 与える あなた 二 場合 研究。 フランソワ 意思 現在 その 初め 場合 そして I 意思 現在 その 2番 場合。 ただ 始める と a 少し 言葉 について ザ。 ザ は a フランス語 政府 組織 のために 研究、 発達、 そして 革新 で 4つ エリア; 低い 炭素 エネルギー、 技術的な 研究、 基本的 研究、 そして 防衛 そして 安全。 その ザ カウント について 2万 人々 そして 私たちは は 位置した の上 九 違う サイト で フランス。 私たちは 持っている 強い 関係 と その アカデミック 世界 そして 多くの コラボレーション と 大学 そして パートナー、 両方 で フランス そして 全て その周り その 世界。
いくつか 言葉 について 一本 革新。 の コース、 私たちは は a 小さい 会社 比較すると に その ザ。 それ だった 作成された 15 年 前。 私たちは は ベース で その 南 の フランス、 トゥールーズ。 私たちは は a チーム の 統計学者、 のみ 統計学者 と スキル で 工業用 統計、 例、 SPC、 測定 システム 分析、 そして の コース、 機械 学ぶ そして それで の上。
私は a ジャンプ ユーザー 以来 1995年、 それで a 長さ 時間 前。 I 開始 と ジャンプ 3. の コース、 一本 は ジャンプ パートナー なぜなら 私たちは 使用済み a 多く の ジャンプ。 のために 例、 のために 収率 最適化、 私たちは 持っている a 道具 と呼ばれる イエティ、 自動 収率 最適化 で 複雑な 製造業 システム。 私たちは また 発展した 解決 ベース の上 a お客様 リクエスト、 何 私たちは 電話 ソフトウェア の上 要求、 のために 例、 a 満杯 解決 のために 外れ値 検出 または 統計的 プロセス コントロール。
使用 ジャンプ そして GSL、 私たちは 持っている いくつかの 一般用医薬品 専門家 ここ、 含む キャロル ソウアル、 どれの は 共同 著者 の これ 話す 今日。 私たちは また 持っている a クラシック コンサルティング そして トレーニング 専門知識 ベース の上 ジャンプ の上 工業用 統計。 その コンテンツ の その プレゼンテーション 今日、 私たちは 意思 現在 二 本物 場合 研究 と ダミアン。 その 初め 1つ は ベース の上 シミュレーション そして a コンピューター デザイン の 実験、 そして その 2番 1つ 意思 なれ 提示された による ダミアン の上 a 機械 学ぶ 道具 のために 予測。
I 意思 現在 その 場合 勉強 番号 1 ベース の上 混合。 それ は わかった。 あなた できる 行く の上 その 次 スライド。 その コンテクスト は a リスク 評価 そして a 確率 計算。 に 説明する それ a 少し 少し、 混合 デザイン の 実験 だった 作成された による その ザ に 評価する その パフォーマンス の a 材料 のために 核 無駄。 その コンディショニング は 終わり と 塩 で a マトリックス。 その パフォーマンス は 決定した による a しきい値 の上 その エネルギー。 その エネルギー もっている に なれ より高い よりも その しきい値。
それ は ない それで 簡単 に 見積もり その 確率 に なれ 下に これ しきい値。 私たちは 意思 使用 全て その ツール そして 全て その データ それ 私たちは 持っている に する これ タスク。 の コース、 その 確率 もっている に なれ として 小さい として 可能。 ダミアン、 その ザ 専門家、 意思 評価 もし これ 確率 は わかった。 今、 何 方法論 私たちは 使用 に 見積もり これ 最悪 場合 確率？
初め の 全て、 ベース の上 その データ から その 混合 デザイン の 実験、 私たちは 持っている 推定 いくつかの モデル。 基本的に、 いくつかの クラシック リニア モデル、 また 分類 そして 決断 木々、 そして また ニューラル ネットワーク は その 主要 モデル 使用済み。 のために それぞれ モデル、 私たちは 持っている 終わり 三つ 分析。
初め、 その モンテ カルロ シミュレーション の上 その 要素、 それで クラシック ランダム シミュレーション と モンテ カルロ。 また、 何 私たちは 電話 空間 充填 デザイン、 a コンピューター デザイン と JMP、 どこ 私たちは 試す に 探検する その デザイン 空間 しかし による コンピューター シミュレーション、 追加する a ノイズ の上 その 応答。 これ は 終わり と ジャンプ プロ。 最後 もの 私たちは した は a ブレンド の モンテ カルロ そして 空間 充填 デザイン。 私たちは 意思 詳細 これ、 しかし これ は とても 役に立つ として 私たちは 欲しい に 見積もり a 最悪 場合 確率。 私たちは できる 行く に 次 スライド。
場合 勉強 番号 1、 クラシック ジャンプ シミュレーション のために その 混合 DOE。 初め の 全て、 私たちは 持っている に 選択 その 最高 モデル。 前に やっている シミュレーション、 私たちは 必要 に 探す その 最高 モデル。 そこには は a とても ニース 特徴 で ジャンプ プロ、 どれの は と呼ばれる モデル 比較。 とても 素早く、 あなた できる 比較する その モデル ベース の上 基準、 RS なぜ祈るのでしょうか？ その AISC。 私たちは 持っている 終わり これ そして I 意思 する その デモ 右 今。 I 共有 私の 画面 今。 I 持っている に 共有 私の 画面。 私たちは 持っている に 使用 ジャンプ。 ここ、 I 開ける その データ セット。 これ は a データ セット から 混合 デザイン の 実験。 そこには は 八 要因、 X 1- X8、 そして その 応答 は その エネルギー。
に 見せる あなた 一つの 例 の その モデル それ 私たちは した、 私たちは 実行する ここ、 のために 例、 a 予測的な モデリング ニューラル ネットワーク。 その 応答 は その エネルギー。 その Xの 要因 は ここ。 私たちは クリック ここ。 のために 情報、 私たちは 決める ここ ない に 分ける その 満杯 サンプル で 学ぶ サンプル、 検証 サンプル、 テスト サンプル、 なぜなら データ は から デザイン の 実験、 それで 私たちは 持っている ない a 多く の データ。 31 実験 最大 ここ。
私たちは 使用 a Kフォールド 検証 に 保存 サンプル、 I だろう 言う。 A とても 単純 ニューラル ネット ここ、 1つ 層、 そして 私たちは クリック の上 行く。 そこには は とても a 良い モデル と a 正しい、 さあ 言う、 RS なぜ のために それ。 どうやって は 働く その 比較 の その モデル で ジャンプ？ あなた 必要 に 保存 その 予測 式。 あなた クリック の上 その スポット そして I 保存 その 式。 やっている これ、 あなた 持っている 数式 ここ の その ニューラル ネット と 隠れた レイヤー。 あなた 見る その 式、 双曲線 正接 ここ の その リニア 予測子。 2番目のn ユーロ ここ の その 隠れた レイヤー、 別の 式、 そして それで の上。 で その 終わり、 のために その ニューラル ネット、 その ファイナル 式 のために その 予測 は a リニア 組み合わせ の その 隠れた ニューロン。 I 保つ これ 式 のために その 一瞬、 そして 私は 行く に する その 同じ と a リニア モデル。
その リニア モデル だった 保存された ここ に 保存 時間。 私たちは 決める に 持っている a リニア モデル。 のために 混合 デザイン、 私たちは 持っている いくつかの クロス 効果 ここ そして a リニア モデル。 の コース、 私たちは 必要 に クリーン その モデル。 私たちは 必要 に 取り除く 何 は ない 重要な ここ そして それで の上。 いつ その 仕事 は 終わり、 私たちは また 持っている に 保存 その 式。 I 保存された 何 I 電話 その 予測 式。 ここ、 一度 また、 で その ジャンプ テーブル どこかで、 あなた 意思 持っている その 予測 式 のために その エネルギー、 普通 少しでも 四角。 あなた 持っている a クラシック リニア 式 のために その リニア モデル。
に 要約すると、 ここ I 持っている 二 モデル、 ニューラル ネットワーク そして 普通 少しでも 四角、 そして I 持っている a 式 のために その 二 モデル。 それから と これら 数式、 I 行く に 分析、 予測的 モデリング、 そして モデル 比較。 これ は その ニース ジャンプ プラットフォーム のために 機械 学ぶ。 ここ 何 あなた 持っている に 入力 は ただ その 式 の その 予測子。 ここ、 のために その 例、 I ただ 入力 二 式、 普通 少しでも 四角 そして ニューラルネット、 そして それは 全て。 あなた ただ クリック わかった。 ここ あなた 持っている a 比較 モデル と いくつかの 基準 そして あなた 選択 その 最高 モデルH あまりにも。 初め の 全て、 I 追加 ノイズ で その データ、 それで RS なぜ は ない それで 良い。
で 追加、 私たちは できる 比較する その 両方 モデル。 で それ 場合、 のために その 最悪 場合 分析、 私たちは 決めた 決めた に 実行する その シミュレーション 両方 の上 リニア モデル そして また の上 ニューラル ネット。 今、 私たちは は 行く に する それ 仕事。 L そして 自分 見せる あなた 何 私たちは した。 多分 私は 行く に 共有 これ スライド、 ダミアン、 なぜなら I 必要 に 見せる 何か ここ。 それ 意思 なれ より簡単に と 私の パソコン。 だから ライブ デモ は 終わり。 ここ 私は 行く に 使用 a モンテ カルロ シミュレーション。 とても 簡単 と a ジャンプ 予測 プロファイラー。
初め の 全て、 これ は 私の 初め デモ。 後 それ、 I 意思 する その 混合 デザイン の 実験 空間 充填 デザイン。 I 持っている に 言う それ 両方 のために モンテ カルロ そして また のために 空間 充填 デザイン、 私たちは 持っている いくつかの 混合 制約。 それ 手段 それ その 和 の その 成分 もっている に なれ 等しい に 1つ。 その ない a 本物 空間 充填 デザイン。 その ない a 本物 モンテ カルロ なぜなら あなた 持っている これ 制約。 J 国会議員 もっている a 頭いい アルゴリズム、 反復的な アルゴリズム に 取る の中へ アカウント その 制約。 私たちは は 行く に シミュレーション モンテ カルロ と その 初め 要因 そして それから と その 2番 要因 服用 の中へ アカウント その 初め 1つ そして それで の上。
で その 終わり、 I 意思 現在 その 満杯 シミュレーション と 両方 モンテ カルロ そして 空間 充填 デザイン。 これ は 新しい なぜなら 何 私たちは 持っている 終わり は のために それぞれ 走る の その 空間 充填 デザイン、 私たちは 持っている 終わり 1,000 モンテ カルロ シミュレーション。 その 本当に a 最悪 場合 ここ、 しかし それ だった その 客観的 のために その ザ に 持っている その 最悪 場合。 ありがとう に これ、 私たちは 意思 得る a 本当に 良い 推定 の その 最悪 場合 確率。
今、 させて 自分 ジャンプ に その デモ。 初め の 全て、 モンテ カルロ。 ここ I 持っている その 結果 のために その モンテ カルロ。 いいえ、 ごめん、 その ない その 右 1つ。 ここ それ は。 さあ 使用 その ニューラル ネットワーク。 ここ、 のために その ニューラルネットワーク、 あなた できる 聞く のために その プロファイラー。 もし あなた 聞く のために その プロファイラー、 ここ あなた できる 聞く その シミュレーター。 I 意思 ランダムに 動く その 要因。 しかし 何 は 重要 ここ、 私は 尋ねる のために 制服 分布 なぜなら その もっと クラシック のために 混合 デザイン。 ここ、 私は 行く に シミュレーション ランダム データ のために その 要素 X1 , しかし 間 これ 価値 そして これ 価値 なぜなら そこには は a 制約 ここ。 I 続く と その 2番 要素 と 制服 シミュレーション 間 これ 価値 そして これ 価値、 そして それで の上。
に 保存 時間、 I 意思 自動的に 走る その シミュレーション ここ。 ここ それ は。 ごめん、 I しない 持っている その 右 データ セット。 ごめん について それ。 W ここ それ は。 モデル 比較 そして シミュレーション。 ここ それ は。 わかった、 ここ それ は、 モンテ カルロ シミュレーション。 に 保存 時間、 病気 見せる あなた 直接 その 結果 と a ランダム シミュレーション と a 混合 制約。
W e 持っている 終わり これ モンテ カルロ シミュレーション そして 私たちは 持っている これ 結果 の上 その エネルギー。 何 は ニース また は それ あなた できる 置く その 結果 で a テーブル。 これ は その 結果、 10,000 モンテ カルロ シミュレーション。 のために それぞれ シミュレーション そして と その モデル、 あなた 持っている その エネルギー。 今、 に 計算する その 確率 に なれ より低い よりも その スペック 制限、 私たちは ただ 持っている に する a 分布 の その シミュレーション エネルギー。 これ は a 分布、 ない その通り ガウス分布、 もっと 近い に a ラプラス 分布。 しかし ともかく、 それ しない 案件。 私たちは 意思 する その プロセス 能力 そして その スペック 与えられた による その ザ は マイナス 100。 I ただ クリック の上 これ そして 私たちは 持っている 何 私たちは 電話 その 能力 分析、 全体 能力。 Ppk は とても 良い、 より高い よりも 1.3 . ここ、 その 期待される パーセンテージ の 外 の スペック は とても 低い なぜなら これ 番号 は 明らかに とても 低い。
私たちは できる 持っている a 見て で a 科学的 表記法。 私たちは は で a とても 小さい 確率 そして 明らかに それ だった 許容できる のために その [聞き取れない 00:15:13] . で これ 時間、 ベース の上 ニューラル ネットワーク モデル、 ベース の上 モンテ カルロ シミュレーション、 私たちは 持っている 推定 その 初め 確率 に なれ 外 の 仕様 そして これ 確率 は ここ。 次 ステップ。 何 私たちは 持っている 終わり ここ は それ 私たちは は 行く 戻る ここ。 ごめん、 I しない 近い これ。 I しない 近い これ。 私は 行く ここ に する 別の シミュレーション と 何 私たちは 電話 a シミュレーション 実験。 シミュレーション 実験 は また と呼ばれる 時々 a 空間 充填 実験。 あなた 試す に 探検する その デザイン 空間。
ここ、 私たちは 持っている に 思い出させる それ そこには は a 混合 制約、 それで 私たちは 意思 ない 探検する、 の コース、 a 満杯 デザイン 空間、 しかし 私たちは 意思 探検する a 一部 の その デザイン 空間 ここ。 ここ は a 結果、 128 コンピューター 走る と その シミュレーション データ。 私たちは できる 持っている a 見て で その 結果 の その シミュレーション。 もし 私たちは する a 散布図 マトリックス の上 その シミュレーション 実験 の上 その 要因、 ここ は その 探検 の その 要素 と a 混合 制約。 と これ、 一度 また、 私たちは 持っている シミュレーション エネルギー しかし ここ、 その ない モンテ カルロ シミュレーション、 その a コンピューター シミュレーション 実験。
同じ 仕事、 私たちは できる 置く その エネルギー ここ。 W ここ は その シミュレーション エネルギー？ ここ それ は。 一度 また、 だいたい 通常 配布されます。 ここ 私は 行く に 計算する、 一度 また、 その プロセス 能力 と a スペック マイナス 100。 ここ それ は。 ここ I すべき 持っている その プロセス 能力 どれの は 良い。 一度 また、 あなた 持っている a 確率 に なれ 外 の その スペック、 どれの は 近い に 7 あたり 1,000。 それ は また 許容できる として a 結果。 しかし あなた できる 見る それ で それ 場合、 その 確率 は より高い よりも その 前の 1つ なぜなら その 計算 だった 違う そして なぜなら それ だった a シミュレーション 実験 探検する その 空間 そして その 違う から モンテ カルロ シミュレーション。
最後 もの それ 私たちは した、 そして 私は 行く に 開ける その d 分 ファイル。 ここ それ は、 シミュレーション モンテ カルロ。 ここ それ は。 ない その 右 1つ、 ごめん。 I 持っている a 多く の もの 開ける。 ここ それ は。 何 は これ ファイル？ 何 私たちは した ここ。 私たちは した 両方 a 空間 充填 デザイン そして のために それぞれ 走る の その 空間 充填 デザイン、 私たちは 持っている 終わり 1,000 モンテ カルロ シミュレーション。 その 合計 番号 の ポイント ここ は 12万8000 行。 両方 モンテ カルロ そして また a コンピューター デザイン の 実験。
ここ 私たちは 持っている 本当に a 良い データ セット と 全て その 潜在的 バリエーション。 いくつかの は 強制された による その デザイン の 実験、 その他 は 明らかに ランダム と その モンテ カルロ。 ここ、 一度 また、 私たちは は 行く に 見積もり その 確率。 あなた 持っている その ニース 分布 の その エネルギー。 それから 私たちは 意思 一度 また、 計算する その 確率 に なれ 外 の スペック 入場 その スペック ここ、 ここ それ は。 ここ 私たちは 持っている a 確率 に なれ 外 の スペック、 どれの は 近い に 1 あたり 1,000。 一度 また、 それ だった とても a 良い 結果 ここ。 これ 結果 は とても 革新的。 ここ、 ただ のために 情報、 私たちは 持っていた に 作成する a 少し ジャンプ スクリプト ここ に する これ、 に ミックス その コンピューター デザイン そして その モンテ カルロ シミュレーション。 そこには は a 少し 一般用医薬品 コード のために それ。 それは 全て のために 私の 一部。 ダミアン、 多分 あなた できる 行く。 I 停止した その 共有。
はい。これは は 今 その 場合 勉強 番号 2. のために これ 勉強、 私たちは 持っている 発展した a カスタム 道具 のために 予測的な 応用。 その 客観的 ここ だった に 作成する a 道具 含む 統計的 モデル で ジャンプ プロ で 注文 に 予測する a 特定の 財産 どれの は その ガラス 粘性 都市 として a 関数 の 構成 そして 温度。 に する それ、 実験的な データ は 来る から 両方 コマーシャル データベース そして から 私たちの 自分の データベース で ザ . A s 私たちは 意思 見る、 その 独創 の その アプローチ 来る から その 方法論 のために データ サブ サンプリング。
私たちは 望んでいた その アルゴリズム に なれ コード化された で 一般用医薬品 そして 実装された で ジャンプ プロ。 その 応答 の その モデル は その ガラス 粘度、 の コース、 そして その 要因 は その 重さ パーセント の その ガラス コンポーネント。 ここ は いくつかの 背景 情報。 あなた 持っている に 知る それ ガラス 材料 は a 非 結晶質 固体 そして それ は 得られた による a 急速な 急冷する の a ガラス 溶ける。 から a 材料 ポイント の ビュー、 ガラス は a 混合 の 違う 酸化物。
その 番号 の 酸化物 は 変数 から 二 または 三つ で a とても 単純 ガラス に について 30 そして 平 もっと で その ほとんど 複雑な 作曲。 T ここ は a 長さ 伝統 で その 計算 の ガラス プロパティ、 そして 私たちは 考える それ その 初め モデル だった 作成された で ドイツ で その 終わり の その 19日 世紀。 以来 それから、 その 額 の 出版された 文学 で その 分野 の ガラス 財産 予測 もっている 増加した a 多く。 それで それ 今日、 私たちは 持っている a 巨大な 額 の ガラス データ 利用可能 で コマーシャル データベース。
いくつかの 課題 残る のために その 予測 の その ガラス v 粘性 なぜなら その ガラス v 粘性 は a 財産 それ は とても 難しい に 予測する。 初め、 v 粘性 もっている a 巨大な 範囲 の 変化 上 に ある 注文 の 大きさ。 A また、 v 粘性 は とても 依存 の上 物理的な そして 化学メカニズム それ できる 起こる で その ガラス 溶ける、 依存する の上 その ガラス 構成、 のように 速い 分離 または 結晶、 のために 例。
ここ は ただ a 短い 例 それ ショー これ 困難。 私たちは 持っている 選択された 三つ 作曲 の 何 私たちは 電話 SBN ガラス、 どれの は とても 単純 ガラス と のみ 3つの酸化物。 W e 適用済み その 最高 知られている モデル から その 文学 に 計算する その 粘性 都市。 T めんどり 私たちは 比較する その 予測された 価値観 と その 実験的な 価値 私たちは 持っている 測定された と 私たちの 自分の デバイス。 あなた できる 見る それ 平 のために a とても 単純 ガラス、 それ は ない 簡単 に 得る 1つ 信頼性のある 価値 のために その 予測された v 粘性。 ここ は a 良い 写真 私たちは のように に 使用 に 与える a ビュー の その データベース どこ それぞれ ドット は 1つ ガラス で a マルチ 次元 ビュー の その ドメイン の 作曲。
データ 5月 来る から 違う 孤立した 研究、 または 私たちは できる 持っている データ 来る から 研究 使用して 実験的な デザイン、 または データ 得られた から パラメトリック 研究 と 変化 の 1つ 成分 で a 時間。 W e 過ごした a 多く の 時間 で その 過去 に 適用する 違う 方法 の 機械 学ぶ。 A クラシック アプローチ だった 使用済み のために パーティショニング その データ の中へ a トレーニング セット そして a 検証 セット。 しかし で その 終わり、 いいえ 統計的 モデル と 許容できる 予測的な 能力 だった 見つかった に 予測する その v 粘性。 T 帽子の なぜ 私たちは 持っている 決めた に 使用 a 違う アプローチ。
その代わり の 使用して 全て その データ、 私たちは 考える それ は より良い に 作成する a モデル による 使用して データ 近い に その 構成 どこ 私たちは 欲しい に 予測する その v 粘性。 それで のために 例、 もし 私たちは 欲しい に 予測する ここ、 1つ モデル 意思 なれ 作成された から その データ 私たちは 持っている で これ エリア、 そして a 違う モデル 意思 なれ 作成された もし 私たちは 欲しい に 予測する その 財産 ここ、 のために 例。 T 帽子の なぜ 私たちは 言う それ これ 技術 は 動的 なぜなら その モデル 依存する の上 その 構成 そして それ は 関連している そして フィット どこ 私たちは 欲しい に 予測する。 W e 言う それ その モデル は 自動 なぜなら 私たちは しない 持っている に する これ 手動で。
毎 ステップ は 終わり による a アルゴリズム 実装された で その 道具。 O は の その ほとんど 重要 ポイント は 確かに その 決定 の その 最適 データ セット に 作成する その モデル。 F または それ、 私たちは 持っている 実装された 二 方法 の サブ サンプリング。 で その 初め 方法、 a 理論的な または バーチャル デザイン の 実験 は 生成された その周り その 構成 の 興味。 それから それぞれ 走る の その デザイン は 交換された による その ほとんど 似ている 実験的な データ 現在 で その データベース、 リードする に その ファイナル トレーニング データ セット。
で その 2番 方法、 私たちは 持っている 実装された で その ツール。 は は ベース の上 違う サイズ の データ セット 作成された その周り その 構成 の 興味。 A 小さい データ セット は 生成された による その 道具 そして モデル は 作成された の上 これ 小さい サブセット に 予測する その 粘性 都市。 T めんどり 大きい そして 大きい データ セット は 生成された 自動的に そして その 最適 サイズ は 評価された による いくつかの 統計的 基準 関連する に それぞれ サブセット。
ついに、 その 工事 の その モデル は ベース の上 三つ 違う アルゴリズム 実装された で その 道具。 初め は a 多項式 モデル 得られた による a マルチ リニア 回帰。 2番 は a 性別 モデル そして ニューラル ネット モデル。 A t その 終わり、 私たちは 持っている 六 違う 計算された 価値観 どれの 作る その 予測 とても 屈強。
さあ 行く に ジャンプ に 見る どうやって それ 動作します。 L そして 自分 初め 見せる あなた その コード。 T 彼 スクリプト、 として あなた できる 見る、 は とても 長さ、 について 700 行、 どれの かなり 複雑 一般用医薬品 コード。 その 初め もの あなた 持っている に する は に 入力 その 構成 の その ガラス あなた 欲しい に 予測する その 粘度。 T o する それ、 あなた できる 使用 一つの インタフェース 私たちは 持っている 作成されました。 あなた ただ 持っている に 選択 その 酸化物 入る その 構成。 F または それぞれ 酸化物、 あなた ただ 持っている に 入力 その 重さ パーセント。 または もし あなた 欲しい、 あなた できる 直接 入力 その 構成 で その スクリプト、 どれの は a 少し 少し もっと 素早い、 I だろう 言う。
それから あなた 打ち上げ その スクリプト。 I しません する それ 今 なぜなら それ かかる について 1つ または 二 分。 その ない とても 長さ。 しかし のために これ デモ、 I 持っている すでに 走る その スクリプト。 させて 自分 見せる あなた その 結果。 で その 終わり の その 計算、 あなた 持っている これ ウィンドウ どこ あなた できる 得る a 統計的 報告。 とても 面白い。 初め、 ここ あなた 持っている その 構成 あなた 持っている 入力された、 その ただ a リマインダー。 W e 持っている その グラフ 表示中 その 予測された 価値。 O n その Y 軸、 私たちは 持っている その 予測された 価値観 の その 粘度 計算された による その 三つ アルゴリズム そして のために その 二 方法。
の上 その X 軸、 私たちは 持っている その 番号 の 拡大 のために その 2番 方法 I 持っている 説明された。 I n 赤、 どれの は その ほとんど 重要 価値、 I だろう 言う、 は その 平均 の 全て その 違う 予測。 I t は その 最高 予測、 I だろう 言う、 の その ガラス 粘度 . I f 私たちは 必要 に 持っている もっと 統計的 詳細、 私たちは 持っている a 多く の 情報 で これ 報告 に 勉強 その 品質 の それぞれ モデル。 のために 例、 私たちは できる チェック その 価値観 の その プレス 統計 のために その マルチ リニア ビック F モデル。
のために 例、 ここ 私たちは できる 見る それ その プレス 価値観 教えて 私たち それ その 予測 使用して その 方法 番号 1 は a 少し 少し より良い よりも のために その 2番 方法。 W e また 見る それ その モデル 劣化 と その 拡大 の その トレーニング セット。 私たちは できる また チェック その RS なぜ 価値観 のために その 二 違う 方法 そして のために その 違う アルゴリズム、 そして 私たちは できる 比較する 彼ら。 W e できる 持っている 平 もっと 詳細 の上 その デザイン の 実験 それ だった 作成された そして 全て その 式 の 予測。 T 彼の は a 多く の 情報、 しかし そこには は その ほとんど 重要 一部 ここ、 どれの は その 予測された 価値 の その 粘度。
さあ 行く 戻る に その パワーポイント。 T 彼の は その 結果 取得 その 単純 SBN ガラス、 どれの は、 として I 言った 以前、 a 単純 ガラス と のみ 3 酸化物。 しかし 私たちは 持っている 計算された その 粘性 のための都市 三つ 違う 構成 の SBN ガラス。 W e 比較する その 結果 得られた から 私たちの 道具 ここ と その 結果 から その モデル 利用可能 で その 文学。 で 学期 の その 相対的 エラー の 予測、 それ もっている に なれ として 低い として 可能。 W e できる 見る それ その 最高 結果 の 予測 は 得られた と 私たちの 道具、 どれの は 本当に 素晴らしい。
H また、 私たちは 持っている その 結果 得られた の上 もっと 複雑な 眼鏡。 T 彼 道具 予測的な 能力 だった 評価された による 抽出 230 行 から その グローバル データベース。 で これ テーブル、 私たちは 持っている その 相対的 エラー の その 粘性 都市 予測 のために 違う タイプ の ガラス そして のために その グローバル サブセット の データ。 三つ 四分位数 は 与えられた、 その 中央値、 意味 それ 50 % の その 予測された 価値観 持っている a 相対的 エラー それ は 下に その 価値 示された ここ。 W e また 与える その 75 % そして その 90 % 四分位数。 W めんどり 私たちは 話す について ガラス v 粘性、 伝統的に、 私たちは 考慮する それ その 予測的な エラー、 その周り 30 % は とても 良い。
W e 見る それ のために その 過半数 の その データ、 その モデル 能力 は 大丈夫 そして 私たちは だった とても ハッピー と その 結果 私たちは 取得しました。 ここ は いくつかの とても 重要 鍵 パラメータ。 それ は とても 重要 に 取る の中へ アカウント として 多くの 入力 から その ガラス 専門家 として 可能。 のために 例、 私たちは 持っていた に 作成する 特定の アルゴリズム に ハンドル その 自然 そして その 壁 の 酸化物 そして 粘性物質 これ。 別の ポイント の 選考科目 重要性 は 関連している に その 起源 そして に その 信頼性 の その データ。
のために これ、 a 重要な 額 の 時間 で これ プロジェクト もっている された 過ごした に その 憲法 の a 信頼性のある データベース。 W e 持っていた に 埋め込む 方法 そして 私たちは 持っていた に 勉強 違う 方法 の 計算する その 距離 間 その ガラス 構成。 I tの 時間 に 結論する 今。 私たちは 持っている 提示された 二 違う 場合 研究。 で その 初め 場合 研究、 私たちは 持っている 作成された いくつかの モデル そして 私たちは 持っている 比較すると 彼ら のために その リスク 評価。 私たちは 持っている 見た それ それ だった 簡単 と ジャンプ に 実行する モンテ カルロ シミュレーション、 平 のために 混合 デザイン と 制約。 私たちは 持っている 見た それ それ だった 簡単 また に 実行する 空間 充填 デザイン、 そして また、 平 のために 混合 デザイン。
による 組み合わせる モンテ カルロ そして 空間 充填 デザイン、 最悪 場合 確率 もっている された 推定。 I n その 2番 勉強、 私たちは 持っている 提示された その 道具 私たちは 持っている 作成された と 一つの オリジナル 方法 の サブサンプリング その データ。 のために それぞれ 構成 の 興味、 a 特定の モデル の 粘度 だった 建設された その周り これ 構成、 そして 私たちは 持っている 見た それ その 予測 正確さ の上 その 粘性 都市 だった とても 有望な そして 多くの より良い よりも モデル 利用可能 で その 文学。 感謝 あなた のために あなたの 注意。
