感谢 你 为了 观看 这 推介会 为了 这 欧洲 发现 首脑 会议 在线的。 我的 姓名 是 达米安 佩雷特。 I 我是 研发 科学家 在 这 在 法国。 I 是 和 弗朗索瓦 贝尔热雷特 这 统计学家 和 这 创始人 的 一本 创新 在 法国。 和 弗朗索瓦， 我们 是 非常 快乐的 到 是 这里 今天 和 我们 会 喜欢 到 感谢 这 转向 委员会 WHO 给了 我们 这 机会 到 讲话 关于 这 工作 哪个 是 关于 创新的 方法 使用 跳转。
我们 将要 给 你 二 案件 研究。 弗朗索瓦 将要 展示 这 第一的 案件 和 I 将要 展示 这 第二 案件。 只是 开始 和 a 很少 字 关于 这。 这 是 a 法语 政府 组织 为了 研究， 发展， 和 创新 在 四 区域； 低的 碳 能量， 技术 研究， 基本的 研究， 和 防御 和 安全。 这 这 计数 关于 2万 人们 和 我们 是 位于 在 九 不同的 站点 在 法国。 我们 有 强的 关系 和 这 学术的 世界 和 许多 合作 和 大学 和 合作伙伴， 两个都 在 法国 和 全部 大约 这 世界。
几个 字 关于 一本 创新。 的 课程， 我们 是 a 更小 公司 比较的 到 这 这。 它 曾是 创建 15 年 前。 我们 是 基于 在 这 南 的 法国， 图卢兹。 我们 是 a 团队 的 统计学家， 仅有的 统计学家 和 技能 在 工业的 统计数据， 例子， 统计过程控制（SPC）， 测量 系统 分析， 和 的 课程， 机器 学习 和 所以 在。
我是 a 跳转 用户 自从 1995年， 所以 a 长的 时间 前。 I 开始 和 跳转 3. 的 课程， 一本 是 跳转 伙伴 因为 我们 用过的 a 很多 的 跳转。 为了 例子， 为了 屈服 优化， 我们 有 a 工具 称为 雪人， 自动的 屈服 优化 在 复杂的 制造业 系統。 我们 还 发达 解决方案 基于 在 a 顾客 要求， 什么 我们 称呼 软件 在 要求， 为了 例子， a 满的 解决方案 为了 异常值 检测 或者 统计 过程 控制。
使用 跳转 和 普通手语， 我们 有 一些 普通话 专家 这里， 包括 卡罗尔 苏阿阿尔， 哪个 是 共同 作者 的 这 讲话 今天。 我们 还 有 a 古典 咨询 和 训练 专业知识 基于 在 跳转 在 工业的 统计数据。 这 内容 的 这 推介会 今天， 我们 将要 展示 二 真实的 案件 研究 和 达米安。 这 第一的 一 是 基于 在 模拟 和 a 电脑 设计 的 实验， 和 这 第二 一 将要 是 呈现 经过 达米安 在 a 机器 学习 工具 为了 预言。
I 将要 展示 这 案件 学习 数字 1 基于 在 混合物。 它 是 好的。 你 能 去 在 这 下一个 滑动。 这 语境 是 a 风险 评估 和 a 可能性 计算。 到 解释 它 a 小的 少量， 混合物 设计 的 实验 曾是 创建 经过 这 这 到 评价 这 表现 的 a 材料 为了 核 浪费。 这 调理 是 完毕 和 盐 在 a 矩阵。 这 表现 是 决定 经过 a 临界点 在 这 活力。 这 活力 有 到 是 更高 比 这 临界点。
它 是 不是 所以 简单的 到 估计 这 可能性 到 是 以下 这 临界点。 我们 将要 使用 全部 这 工具 和 全部 这 数据 那 我们 有 到 做 这 任务。 的 课程， 这 可能性 有 到 是 作为 小的 作为 可能的。 达米安， 这 这 专家， 将要 评估 如果 这 可能性 是 好的。 现在， 什么 方法论 我们 使用 到 估计 这 最差 案件 可能性？
第一的 的 全部， 基于 在 这 数据 从 这 混合物 设计 的 实验， 我们 有 估计的 一些 模型。 基本上， 一些 古典 线性 模型， 还 分类 和 决定 树木， 和 还 神经 网络 是 这 主要的 模型 用过的。 为了 每个 模型， 我们 有 完毕 三 分析。
第一的， 这 蒙特 卡洛 模拟 在 这 因素， 所以 古典 随机的 模拟 和 蒙特 卡洛。 还， 什么 我们 称呼 空间 填充 设计， a 电脑 设计 和 跳转， 在哪里 我们 尝试 到 探索 这 设计 空间 但 经过 电脑 模拟， 添加 a 噪音 在 这 回复。 这 是 完毕 和 跳转 赞成。 最后的 事物 我们 做过 是 a 混合 的 蒙特 卡洛 和 空间 填充 设计。 我们 将要 细节 这， 但 这 是 非常 有用 作为 我们 想 到 估计 a 最差 案件 可能性。 我们 能 去 到 下一个 滑动。
案件 学习 数字 1、 古典 跳转 模拟 为了 这 混合物 美国能源部。 第一的 的 全部， 我们 有 到 选择 这 最好的 模型。 前 正在做 模拟， 我们 需要 到 寻找 这 最好的 模型。 那里 是 a 非常 好的 特征 在 跳转 亲， 哪个 是 称为 模型 比较。 非常 迅速地， 你 能 比较 这 模型 基于 在 标准， 遥感 我为什么要祈祷？ 这 人工智能服务公司。 我们 有 完毕 这 和 I 将要 做 这 演示 正确的 现在。 I 分享 我的 屏幕 现在。 I 有 到 分享 我的 屏幕。 我们 有 到 使用 跳转。 这里， I 打开 这 数据 放。 这 是 a 数据 放 从 混合物 设计 的 实验。 那里 是 八 因素， X 1- X8， 和 这 回复 是 这 活力。
到 展示 你 一个 例子 的 这 模型 那 我们 做过， 我们 履行 这里， 为了 例子， a 预测 造型 神经 网络。 这 回复 是 这 活力。 这 X的 因素 是 这里。 我们 点击 这里。 为了 信息， 我们 决定 这里 不是 到 划分 这 满的 样本 在 学习 样本， 验证 样本， 测试 样本， 因为 数据 是 从 设计 的 实验， 所以 我们 有 不是 a 很多 的 数据。 三十一 实验 最大限度 这里。
我们 使用 a K折叠 验证 到 节省 样品， I 会 说。 A 非常 简单的 神经 网 这里， 一 层， 和 我们 点击 在 去。 那里 是 相当 a 好的 模型 和 a 正确的， 让我们 说， 遥感 为什么 为了 那。 如何 是 在职的 这 比较 的 这 模型 在 跳转？ 你 需要 到 节省 这 预言 公式。 你 点击 在 这 点 和 I 节省 这 公式。 正在做 这， 你 有 公式 这里 的 这 神经 网 和 隐 層。 你 看 这 公式， 双曲线 切线 这里 的 这 线性 預測器。 第二个 n 欧元 这里 的 这 隐 层， 其他 公式， 和 所以 在。 在 这 结尾， 为了 这 神经 网， 这 最终的 公式 为了 这 预言 是 a 线性 组合 的 这 隐 神经元。 I 保持 这 公式 为了 这 片刻， 和 我是 去 到 做 这 相同的 和 a 线性 模型。
这 线性 模型 曾是 已保存 这里 到 节省 时间。 我们 决定 到 有 a 线性 模型。 为了 混合物 设计， 我们 有 一些 叉 影响 这里 和 a 线性 模型。 的 课程， 我们 需要 到 干净的 这 模型。 我们 需要 到 消除 什么 是 不是 重要的 这里 和 所以 在。 什么时候 这 工作 是 完毕， 我们 还 有 到 节省 这 公式。 I 已保存 什么 I 称呼 这 预言 公式。 这里， 一次 再次， 在 这 跳转 桌子 某处， 你 将要 有 这 预言 公式 为了 这 活力， 普通的 至少 正方形。 你 有 a 古典 线性 公式 为了 这 线性 模型。
到 总结， 这里 I 有 二 模型， 神经 网络 和 普通的 至少 正方形， 和 I 有 a 公式 为了 这 二 模型。 然后 和 这些 公式， I 去 到 分析， 预测 造型， 和 模型 比较。 这 是 这 好的 跳转 平台 为了 机器 学习。 这里 什么 你 有 到 进入 是 只是 这 公式 的 这 預測器。 这里， 为了 这 例子， I 只是 进入 二 公式， 普通的 至少 正方形 和 神经网络， 和 那是 全部。 你 只是 点击 好的。 这里 你 有 a 比较 模型 和 一些 标准 和 你 选择 这 最好的 模型 h 也。 第一的 的 全部， I 添加 噪音 在 这 数据， 所以 遥感 为什么 是 不是 所以 好的。
在 添加， 我们 能 比较 这 两个都 模型。 在 那 案件， 为了 这 最差 案件 分析， 我们 决定 决定 到 履行 这 模拟 两个都 在 线性 模型 和 还 在 神经 网。 现在， 我们 是 去 到 做 那 工作。 L 和 我 展示 你 什么 我们 做过。 或许 我是 去 到 分享 这 滑动， 达米安， 因为 I 需要 到 展示 某物 这里。 它 将要 是 更轻松 和 我的 个人电脑。 因此 居住 演示 是 完毕。 这里 我是 去 到 使用 a 蒙特 卡洛 模拟。 非常 简单的 和 a 跳转 预言 分析器。
第一的 的 全部， 这 是 我的 第一的 演示。 后 那， I 将要 做 这 混合物 设计 的 实验 空间 填充 设计。 I 有 到 说 那 两个都 为了 蒙特 卡洛 和 还 为了 空间 填充 设计， 我们 有 一些 混合物 限制。 它 方法 那 这 和 的 这 成分 有 到 是 平等的 到 一。 它是 不是 a 真实的 空间 填充 设计。 它是 不是 a 真实的 蒙特 卡洛 因为 你 有 这 约束。 J 议员 有 a 聪明的 算法， 迭代 算法 到 拿 进入 帐户 这 限制。 我们 是 去 到 模拟 蒙特 卡洛 和 这 第一的 因素 和 然后 和 这 第二 因素 服用 进入 帐户 这 第一的 一 和 所以 在。
在 这 结尾， I 将要 展示 这 满的 模拟 和 两个都 蒙特 卡洛 和 空间 填充 设计。 这 是 新的 因为 什么 我们 有 完毕 是 为了 每个 跑步 的 这 空间 填充 设计， 我们 有 完毕 1,000 蒙特 卡洛 模拟。 它是 真的 a 最差 案件 这里， 但 它 曾是 这 客观的 为了 这 这 到 有 这 最差 案件。 谢谢 到 这， 我们 将要 得到 a 真的 好的 估计 的 这 最差 案件 可能性。
现在， 让 我 跳 到 这 演示。 第一的 的 全部， 蒙特 卡洛。 这里 I 有 这 结果 为了 这 蒙特 卡洛。 不， 对不起， 它是 不是 这 正确的 一。 这里 它 是。 让我们 使用 这 神经 网络。 这里， 为了 这 神经网络， 你 能 问 为了 这 分析器。 如果 你 问 为了 这 分析器， 这里 你 能 问 这 模拟器。 I 将要 随机 移动 这 因素。 但 什么 是 重要的 这里， 我是 询问 为了 制服 分配 因为 它是 更多的 古典 为了 混合物 设计。 这里， 我是 去 到 模拟 随机的 数据 为了 这 因素 X1 , 但 之间 这 价值 和 这 价值 因为 那里 是 a 约束 这里。 I 继续 和 这 第二 因素 和 制服 模拟 之间 这 价值 和 这 价值， 和 所以 在。
到 节省 时间， I 将要 自动地 跑步 这 模拟 这里。 这里 它 是。 对不起， I 不 有 这 正确的 数据 放。 对不起 关于 那。 W 这里 它 是。 模型 比较 和 模拟。 这里 它 是。 好的， 这里 它 是， 蒙特 卡洛 模拟。 到 节省 时间， 患病的 展示 你 直接地 这 结果 和 a 随机的 模拟 和 a 混合物 约束。
W e 有 完毕 这 蒙特 卡洛 模拟 和 我们 有 这 结果 在 这 活力。 什么 是 好的 还 是 那 你 能 放 这 结果 在 a 桌子。 这 是 这 结果， 10,000 蒙特 卡洛 模拟。 为了 每个 模拟 和 和 这 模型， 你 有 这 活力。 现在， 到 计算 这 可能性 到 是 降低 比 这 规格 限制， 我们 只是 有 到 做 a 分配 的 这 模拟 活力。 这 是 a 分配， 不是 确切地 高斯， 更多的 关闭 到 a 拉普拉斯 分配。 但 反正， 它 没有 事情。 我们 将要 做 这 过程 能力 和 这 规格 给定 经过 这 这 是 减 100. I 只是 点击 在 这 和 我们 有 什么 我们 称呼 这 能力 分析， 全面的 能力。 峰面积 是 相当 好的， 更高 比 1.3 . 这里， 这 预期的 百分比 的 出去 的 规格 是 非常 低的 因为 这 数字 是 清楚地 非常 低的。
我们 能 有 a 看 在 a 科学 符号。 我们 是 在 a 非常 小的 可能性 和 清楚地 它 曾是 可接受 为了 这 [听不清 00:15:13] . 在 这 时间， 基于 在 神经 网络 模型， 基于 在 蒙特 卡洛 模拟， 我们 有 估计的 这 第一的 可能性 到 是 出去 的 规格 和 这 可能性 是 这里。 下一个 步。 什么 我们 有 完毕 这里 是 那 我们 是 去 后退 这里。 对不起， I 不 关闭 这。 I 不 关闭 这。 我是 去 这里 到 做 其他 模拟 和 什么 我们 称呼 a 模拟 实验。 模拟 实验 是 还 称为 有时 a 空间 填充 实验。 你 尝试 到 探索 这 设计 空间。
这里， 我们 有 到 提醒 那 那里 是 a 混合物 约束， 所以 我们 将要 不是 探索， 的 课程， a 满的 设计 空间， 但 我们 将要 探索 a 部分 的 这 设计 空间 这里。 这里 是 a 结果， 128 电脑 运行 和 这 模拟 数据。 我们 能 有 a 看 在 这 结果 的 这 模拟。 如果 我们 做 a 散点图 矩阵 在 这 模拟 实验 在 这 因素， 这里 是 这 勘探 的 这 因素 和 a 混合物 约束。 和 这， 一次 再次， 我们 有 模拟 活力 但 这里， 它是 不是 蒙特 卡洛 模拟， 它是 a 电脑 模拟 实验。
相同的 工作， 我们 能 放 这 活力 这里。 W 这里 是 这 模拟 活力？ 这里 它 是。 一次 再次， 大致 通常情况下 分布式。 这里 我是 去 到 计算， 一次 再次， 这 过程 能力 和 a 规格 减 100. 这里 它 是。 这里 I 应该 有 这 过程 能力 哪个 是 好的。 一次 再次， 你 有 a 可能性 到 是 出去 的 这 规格， 哪个 是 关闭 到 7 每 1,000。 它 是 还 可接受 作为 a 结果。 但 你 能 看 那 在 那 案件， 这 可能性 是 更高 比 这 以前的 一 因为 这 计算 曾是 不同的 和 因为 它 曾是 a 模拟 实验 探索 这 空间 和 它是 不同的 从 蒙特 卡洛 模拟。
最后的 事物 那 我们 做过， 和 我是 去 到 打开 这 d 分钟 文件。 这里 它 是， 模拟 蒙特 卡洛。 这里 它 是。 不是 这 正确的 一， 对不起。 I 有 a 很多 的 事物 打开。 这里 它 是。 什么 是 这 文件？ 什么 我们 做过 这里。 我们 做过 两个都 a 空间 填充 设计 和 为了 每个 跑步 的 这 空间 填充 设计， 我们 有 完毕 1,000 蒙特 卡洛 模拟。 这 全部的 数字 的 点 这里 是 128,000 線。 两个都 蒙特 卡洛 和 还 a 电脑 设计 的 实验。
这里 我们 有 真的 a 好的 数据 放 和 全部 这 潜在的 變化。 一些 是 强迫 经过 这 设计 的 实验， 其他的 是 清楚地 随机的 和 这 蒙特 卡洛。 这里， 一次 再次， 我们 是 去 到 估计 这 可能性。 你 有 这 好的 分配 的 这 活力。 然后 我们 将要 一次 再次， 计算 这 可能性 到 是 出去 的 规格。 进入 这 规格 这里， 这里 它 是。 这里 我们 有 a 可能性 到 是 出去 的 规格， 哪个 是 关闭 到 1 每 1,000。 一次 再次， 它 曾是 相当 a 好的 结果 这里。 这 结果 是 相当 创新的。 这里， 只是 为了 信息， 我们 有 到 创造 a 小的 跳转 脚本 这里 到 做 这， 到 混合 这 电脑 设计 和 这 蒙特 卡洛 模拟。 那里 是 a 小的 普通话 代码 为了 那。 那是 全部 为了 我的 部分。 达米安， 或许 你 能 去。 I 停止 这 分享。
好的。这个 是 现在 这 案件 学习 数字 2. 为了 这 学习， 我们 有 发达 a 风俗 工具 为了 预测 应用。 这 客观的 这里 曾是 到 创造 a 工具 包括 统计 模型 在 跳转 专业版 在 命令 到 预测 a 具体的 财产 哪个 是 这 玻璃 粘性 城市 作为 a 功能 的 作品 和 温度。 到 做 那， 实验 数据 是 未来 从 两个都 商业的 数据库 和 从 我们的 自己的 数据库 在 这 . A s 我们 将要 看， 这 独创性 的 这 方法 来 从 这 方法论 为了 数据 潜艇 采样。
我们 通缉 这 算法 到 是 编码 在 普通话 和 实施的 在 跳转 赞成。 这 回复 的 这 模型 是 这 玻璃 粘度， 的 课程， 和 这 因素 是 这 重量 百分比 的 这 玻璃 成分。 这里 是 一些 背景 信息。 你 有 到 知道 那 玻璃 材料 是 a 非 结晶的 坚硬的 和 它 是 获得 经过 a 迅速的 淬火 的 a 玻璃 熔化。 从 a 材料 观点 的 看法， 玻璃 是 a 混合物 的 不同的 氧化物。
这 数字 的 氧化物 是 多变的 从 二 或者 三 在 a 非常 简单的 玻璃 到 关于 三十 和 甚至 更多的 在 这 最多 复杂的 作品。 T 这里 是 a 长的 传统 在 这 计算 的 玻璃 特性， 和 我们 思考 那 这 第一的 模型 是 创建 在 德国 在 这 结尾 的 这 第十九 世纪。 自从 然后， 这 数量 的 已发布 文学 在 这 场地 的 玻璃 财产 预言 有 增加 a 很多。 所以 那 今天， 我们 有 a 巨大的 数量 的 玻璃 数据 可用的 在 商业的 数据库。
一些 挑战 保持 为了 这 预言 的 这 玻璃 v 粘稠度 因为 这 玻璃 v 粘稠度 是 a 财产 那 是 非常 难的 到 预测。 第一的， v 粘稠度 有 a 巨大的 范围 的 变化 向上 到 肯定 订单 的 震级。 A 另外， v 粘稠度 是 非常 受抚养人 在 身体的 和 化学机制 那 能 发生 在 这 玻璃 熔化， 取决于 在 这 玻璃 作品， 喜欢 快速地 分离 或者 结晶， 为了 例子。
这里 是 只是 a 短的 例子 那 节目 这 困难。 我们 有 已选择 三 作品 的 什么 我们 称呼 国家核试验局 玻璃， 哪个 是 非常 简单的 玻璃 和 仅有的 3种氧化物。 W e 应用 这 最好的 已知 模型 从 这 文学 到 计算 这 粘性 城市。 T 母鸡 我们 比较 这 预测 价值观 和 这 实验 价值 我们 有 测量 和 我们的 自己的 设备。 你 能 看 那 甚至 为了 a 非常 简单的 玻璃， 它 是 不是 简单的 到 获得 一 可靠的 价值 为了 这 预测 v 粘度。 这里 是 a 好的 图片 我们 喜欢 到 使用 到 给 a 看法 的 这 数据库 在哪里 每个 点 是 一 玻璃 在 a 多 维度 看法 的 这 领域 的 作品。
数据 可能 来 从 不同的 孤立 研究， 或者 我们 能 有 数据 未来 从 研究 使用 实验 设计， 或者 数据 获得 从 参数 研究 和 变化 的 一 成分 在 a 时间。 W e 花费 a 很多 的 时间 在 这 过去的 到 申请 不同的 方法 的 机器 学习。 A 古典 方法 曾是 用过的 为了 分区 这 数据 进入 a 训练 放 和 a 验证 放。 但 在 这 结尾， 不 统计 模型 和 可接受 预测 能力 曾是 成立 到 预测 这 v 粘度。 T 帽子 为什么 我们 有 决定 到 使用 a 不同的 方法。
反而 的 使用 全部 这 数据， 我们 思考 它 是 更好的 到 创造 a 模型 经过 使用 数据 关闭 到 这 作品 在哪里 我们 想 到 预测 这 v 粘度。 所以 为了 例子， 如果 我们 想 到 预测 这里， 一 模型 将要 是 创建 从 这 数据 我们 有 在 这 区域， 和 a 不同的 模型 将要 是 创建 如果 我们 想 到 预测 这 财产 这里， 为了 例子。 T 帽子 为什么 我们 说 那 这 技术 是 动态的 因为 这 模型 取决于 在 这 作品 和 它 是 有关的 和 已安装 在哪里 我们 想 到 预测。 W e 说 那 这 模型 是 自动的 因为 我们 不 有 到 做 这 手动。
每一个 步 是 完毕 经过 a 算法 实施的 在 这 工具。 O 是 的 这 最多 重要的 观点 是 当然 这 决心 的 这 最佳的 数据 放 到 创造 这 模型。 F 或者 那， 我们 有 实施的 二 方法 的 潜艇 采样。 在 这 第一的 方法， a 理论 或者 虚拟的 设计 的 实验 是 生成 大约 这 作品 的 利益。 然后 每个 跑步 的 这 设计 是 被取代 经过 这 最多 相似的 实验 数据 展示 在 这 数据库， 领导 到 这 最终的 训练 数据 放。
在 这 第二 方法， 我们 有 实施的 在 这 工具。 是 是 基于 在 不同的 尺寸 的 数据 套 创建 大约 这 作品 的 兴趣。 A 小的 数据 放 是 生成 经过 这 工具 和 模型 是 创建 在 这 小的 子集 到 预测 这 粘性 城市。 T 母鸡 大 和 大 数据 套 是 生成 自动地 和 这 最佳的 尺寸 是 评估 经过 一些 统计 标准 联系 到 每个 子集。
最后， 这 建造 的 这 模型 是 基于 在 三 不同的 算法 实施的 在 这 工具。 第一的 是 a 多项式 模型 获得 经过 a 多- 线性 回归。 第二 是 a 性别 模型 和 神经 网 模型。 A t 这 结尾， 我们 有 六 不同的 计算 价值观 哪个 使 这 预言 非常 强壮的。
让我们 去 到 跳转 到 看 如何 它 作品。 L 和 我 第一的 展示 你 这 代码。 T 他 脚本， 作为 你 能 看， 是 相当 长的， 关于 700 行， 哪个 是一个相当 复杂的 普通话 代码。 这 第一的 事物 你 有 到 做 是 到 进入 这 作品 的 这 玻璃 你 想 到 预测 这 粘度。 T o 做 那， 你 能 使用 一个 界面 我们 有 创建。 你 只是 有 到 选择 这 氧化物 进入 这 作品。 F 或者 每个 氧化物， 你 只是 有 到 进入 这 重量 百分比。 或者 如果 你 想， 你 能 直接地 进入 这 作品 在 这 脚本， 哪个 是 a 小的 少量 更多的 快的， I 会 说。
然后 你 发射 这 脚本。 I 惯于 做 那 现在 因为 它 需要 关于 一 或者 二 分钟。 它是 不是 非常 长的。 但 为了 这 演示， I 有 已经 跑步 这 脚本。 让 我 展示 你 这 结果。 在 这 结尾 的 这 计算， 你 有 这 窗户 在哪里 你 能 得到 a 统计 报告。 非常 有趣的。 第一的， 这里 你 有 这 作品 你 有 输入， 它是 只是 a 提醒。 W e 有 这 图形 显示 这 预测 价值。 O n 这 Y 轴， 我们 有 这 预测 价值观 的 这 粘度 计算 经过 这 三 算法 和 为了 这 二 方法。
在 这 X 轴， 我们 有 这 数字 的 放大 为了 这 第二 方法 I 有 描述。 I n 红色的， 哪个 是 这 最多 重要的 价值， I 会 说， 是 这 平均的 的 全部 这 不同的 预测。 I t 是 这 最好的 预言， I 会 说， 的 这 玻璃 粘度 . I f 我们 需要 到 有 更多的 统计 细节， 我们 有 a 很多 的 信息 在 这 报告 到 学习 这 质量 的 每个 模型。 为了 例子， 我们 能 查看 这 价值观 的 这 按 统计数据 为了 这 多- 线性 比克 F 模型。
为了 例子， 这里 我们 能 看 那 这 按 价值观 告诉 我们 那 这 预言 使用 这 方法 数字 1 是 a 小的 少量 更好的 比 为了 这 第二 方法。 W e 还 看 那 这 模型 降解 和 这 放大 的 这 训练 放。 我们 能 还 查看 这 遥感 为什么 价值观 为了 这 二 不同的 方法 和 为了 这 不同的 算法， 和 我们 能 比较 他们。 W e 能 有 甚至 更多的 细节 在 这 设计 的 实验 那 是 创建 和 全部 这 公式 的 预言。 T 他的 是 a 很多 的 信息， 但 那里 是 这 最多 重要的 部分 这里， 哪个 是 这 预测 价值 的 这 粘度。
让我们 去 后退 到 这 微软幻灯片软件。 T 他的 是 这 结果 获得 这 简单的 国家核试验局 玻璃， 哪个 是， 作为 I 说 早些时候， a 简单的 玻璃 和 仅有的 3 氧化物。 但 我们 有 计算 这 粘性 城市 三 不同的 作品 的 国家核试验局 玻璃。 W e 比较 这 结果 获得 从 我们的 工具 这里 和 这 结果 从 这 模型 可用的 在 这 文学。 在 学期 的 这 相对的 错误 的 预言， 它 有 到 是 作为 低的 作为 可能的。 W e 能 看 那 这 最好的 结果 的 预言 是 获得 和 我们的 工具， 哪个 是 真的 伟大的。
H 还， 我们 有 这 结果 获得 在 更多的 复杂的 眼镜。 T 他 工具 预测 能力 曾是 评估 经过 提取 230 行 从 这 全球的 数据库。 在 这 桌子， 我们 有 这 相对的 错误 的 这 粘性 城市 预言 为了 不同的 类型 的 玻璃 和 为了 这 全球的 子集 的 数据。 三 分位数 是 鉴于， 这 中位数， 意义 那 50 % 的 这 预测 价值观 有 a 相对的 错误 那 是 以下 这 价值 表明的 这里。 W e 还 给 这 75 % 和 这 90 % 分位数。 W 母鸡 我们 讲话 关于 玻璃 v 粘稠度， 传统上， 我们 考虑 那 这 预测 错误， 大约 三十 % 是 非常 好的。
W e 看 那 为了 这 多数 的 这 数据， 这 模型 能力 是 美好的 和 我们 是 非常 快乐的 和 这 结果 我们 获得。 这里 是 一些 非常 重要的 钥匙 参数。 它 是 非常 重要的 到 拿 进入 帐户 作为 许多 输入 从 这 玻璃 专家 作为 可能的。 为了 例子， 我们 有 到 创造 具体的 算法 到 处理 这 自然 和 这 墙 的 氧化物 和 粘稠物 这。 其他 观点 的 主要的 重要性 是 有关的 到 这 起源 和 到 这 可靠性 的 这 数据。
为了 这， a 重要的 数量 的 时间 在 这 项目 有 到过 花费 到 这 宪法 的 a 可靠的 数据库。 W e 有 到 实施 方法 和 我们 有 到 学习 不同的 方法 的 计算 这 距离 之间 这 玻璃 作品。 I 的 时间 到 结论 现在。 我们 有 呈现 二 不同的 案件 研究。 在 这 第一的 案件 研究， 我们 有 创建 一些 模型 和 我们 有 比较的 他们 为了 这 风险 评估。 我们 有 见过 那 它 曾是 简单的 和 跳转 到 履行 蒙特 卡洛 模拟， 甚至 为了 混合物 设计 和 限制。 我们 有 见过 那 它 曾是 简单的 还 到 履行 空间 填充 设计， 和 再次， 甚至 为了 混合物 设计。
经过 结合 蒙特 卡洛 和 空间 填充 设计， 最差 案件 可能性 有 到过 估计的。 I n 这 第二 学习， 我们 有 呈现 这 工具 我们 有 创建 和 一个 原来的 方法 的 子采样 这 数据。 为了 每个 作品 的 兴趣， a 具体的 模型 的 粘度 曾是 建造 大约 这 作品， 和 我们 有 见过 那 这 预言 准确性 在 这 粘性 城市 曾是 非常 有前途 和 很多 更好的 比 模型 可用的 在 这 文学。 感谢 你 为了 你的 注意力。
