Agradecer tú para mirando este presentación para el Europa Descubrimiento Cumbre Conferencia en línea. Mi nombre es Damián Perrito. I soy un I+D científico en EL en Francia. I soy con François Bergeret el estadístico y el fundador de Ippon Innovación en Francia. Con François, nosotros son muy feliz a ser aquí hoy y nosotros quería como a agradecer el gobierno comité OMS dio a nosotros el oportunidad a hablar acerca de este trabajar cual es acerca de innovador aproches usando JMP.
Nosotros voluntad dar tú dos caso estudios. François voluntad presente el primero caso y I voluntad presente el segundo caso. Justo comenzar con a pocos palabras acerca de EL. EL es a Francés gobierno organización para investigación, desarrollo, y innovación en cuatro áreas; bajo carbón energías, tecnológico investigación, fundamental investigación, y defensa y seguridad. El EL cuenta acerca de 20.000 gente y nosotros son situado en nueve diferente sitios en Francia. Nosotros tener fuerte relaciones con el académico mundo y muchos colaboraciones con universidades y fogonadura, ambos en Francia y todo alrededor el mundo.
Algunos palabras acerca de Ippon Innovación. De curso, nosotros son a menor compañía comparado a el EL. Él era creado 15 años atrás. Nosotros son basado en el Sur de Francia, Toulouse. Nosotros son a equipo de estadístico, solo estadísticos con habilidad en industrial estadística, ejemplo, CEP, medición sistema análisis, y de curso, máquina aprendiendo y entonces en.
Soy a JMP usuario desde 1995, entonces a largo tiempo atrás. I comenzó con JMP 3. De curso, Ippon es JMP Pareja porque nosotros usado a lote de JMP. Para ejemplo, para producir mejoramiento, nosotros tener a herramienta llamado Yeti, automático producir mejoramiento en complejo fabricación sistemas. Nosotros también desarrollado solución basado en a cliente pedido, qué nosotros llamar software en demanda, para ejemplo, a lleno solución para parte aislada detección o estadístico proceso control.
Usando JMP y GSL, nosotros tener varios GSL experto aquí, incluido Carole Soual, cual es co- autor de este hablar hoy. Nosotros también tener a clásico consultante y capacitación pericia basado en JMP en industrial estadística. El contenido de el presentación hoy, nosotros voluntad presente dos real caso estudios con Damián. El primero uno es basado en simulación y a computadora diseño de experimento, y el segundo uno voluntad ser presentado por Damián en a máquina aprendiendo herramienta para predicción.
I voluntad presente el caso estudiar número 1 basado en mezcla. Él es bueno. Tú poder ir en el próximo deslizar. El contexto es a riesgo evaluación y a probabilidad cálculo. A explicar él a pequeño poco, mezcla diseño de experimento era creado por el EL a evaluar el actuación de a material para nuclear desperdiciar. El acondicionamiento es hecho con sales en a matriz. El actuación es determinado por a límite en el energía. El energía tiene a ser más alto que el límite.
Él es no entonces fácil a estimar el probabilidad a ser abajo este límite. Nosotros voluntad usar todo el herramientas y todo el datos eso nosotros tener a hacer este tarea. De curso, el probabilidad tiene a ser como pequeño como posible. Damián, el EL experto, voluntad evaluar si este probabilidad es bueno. Ahora, qué metodología nosotros usar a estimar este el peor caso ¿probabilidad?
Primero de todo, basado en el datos de el mezcla diseño de experimento, nosotros tener estimado varios modelos. Básicamente, alguno clásico lineal modelos, también clasificación y decisión árboles, y también neural redes son el principal modelos usado. Para cada modelo, nosotros tener hecho tres análisis.
Primero, el Monte Carlos simulación en el factor, entonces clásico aleatorio simulación con Monte Carlos. También, qué nosotros llamar espacio relleno diseño, a computadora diseño con JMP, dónde nosotros intentar a explorar el diseño espacio pero por computadora simulaciones, añadiendo a ruido en el respuesta. Este es hecho con JMP Pro. Último cosa nosotros hizo es a mezcla de Monte Carlos y espacio relleno diseño. Nosotros voluntad detalle este, pero este es muy útil como nosotros desear a estimar a el peor caso probabilidad. Nosotros poder ir a próximo deslizar.
Caso estudiar número 1, clásico JMP simulación para el mezcla GAMA. Primero de todo, nosotros tener a seleccionar el mejor modelo. Antes haciendo la simulación, nosotros necesidad a encontrar el mejor modelo. Allá es a muy lindo característica en JMP Pro, cual es llamado modelo comparación. Muy rápidamente, tú poder comparar el modelos basado en criterios, RS ¿Por qué oro? el AISC. Nosotros tener hecho este y I voluntad hacer el manifestación bien ahora. I compartir mi pantalla ahora. I tener a compartir mi pantalla. Nosotros tener a usar JMP. Aquí, I abierto el datos colocar. Este es a datos colocar de mezcla diseño de experimento. Allá es ocho factores, X 1- X8, y el respuesta es el energía.
A espectáculo tú un ejemplo de el modelo eso nosotros hizo, nosotros llevar a cabo aquí, para ejemplo, a profético modelado neural red. El respuesta es el energía. El X factores son aquí. Nosotros hacer clic aquí. Para información, nosotros decidir aquí no a dividir el lleno muestra en aprendiendo muestra, validación muestra, prueba muestra, porque datos son de diseño de experimentos, entonces nosotros tener no a lote de datos. Treinta y uno experimento máximo aquí.
Nosotros usar a KFold validación a ahorrar muestras, I quería decir. A muy simple neural neto aquí, uno capa, y nosotros hacer clic en Ir. Allá es bastante a bien modelo con a correcto, Vamos decir, RS por qué para eso. Cómo es laboral el comparación de el modelo en ¿JMP? Tú necesidad a ahorrar el predicción fórmula. Tú hacer clic en el lugar y I ahorrar el fórmula. Haciendo este, tú tener fórmulas aquí de el neural neto con oculto capas. Tú ver el fórmula, hiperbólico tangente aquí de el lineal vaticinador. Segunda n euro aquí de el oculto capas, otro fórmula, y entonces en. En el fin, para el neural neto, el final fórmula para el predicción es a lineal combinación de el oculto neuronas. I mantener este fórmula para el momento, y Soy yendo a hacer el mismo con a lineal modelo.
El lineal modelo era salvado aquí a ahorrar tiempo. Nosotros decidir a tener a lineal modelo. Para mezcla diseño, nosotros tener alguno cruz efecto aquí y a lineal modelo. De curso, nosotros necesidad a limpio el modelo. Nosotros necesidad a eliminar qué es no significativo aquí y entonces en. Cuando el trabajo es hecho, nosotros también tener a ahorrar el fórmula. I salvado qué I llamar el predicción fórmula. Aquí, una vez de nuevo, en el JMP mesa en algún lugar, tú voluntad tener el predicción fórmula para el energía, común el menos cuadrado. Tú tener a clásico lineal fórmula para el lineal modelo.
A resumir, aquí I tener dos modelos, neural red y común el menos cuadrado, y I tener a fórmula para el dos modelos. Entonces con estos fórmulas, I ir a Analizar, Profético Modelado, y Modelo Comparación. Este es el lindo JMP plataforma para máquina aprendiendo. Aquí qué tú tener a ingresar es justo el fórmula de el vaticinador. Aquí, para el ejemplo, I justo ingresar dos fórmula, común el menos cuadrado y red neuronal, y eso es todo. Tú justo hacer clic Bueno. Aquí tú tener a comparación modelo con alguno criterios y tú seleccionar el mejor modelo h también. Primero de todo, I agregar ruido en el datos, entonces RS por qué son no entonces bien.
En suma, nosotros poder comparar el ambos modelo. En eso caso, para el el peor caso análisis, nosotros decidido decidido a llevar a cabo el simulación ambos en lineal modelo y también en neural redes. Ahora, nosotros son yendo a hacer eso trabajar. L Y a mí espectáculo tú qué nosotros hizo. Tal vez Soy yendo a compartir este deslizar, Damián, porque I necesidad a espectáculo algo aquí. Él voluntad ser más fácil con mi ORDENADOR PERSONAL. Así que el vivir manifestación es hecho. Aquí Soy yendo a usar a Monte Carlos simulación. Muy fácil con a JMP predicción perfilador.
Primero de todo, este es mi primero manifestación. Después eso, I voluntad hacer el mezcla diseño de experimento espacio relleno diseño. I tener a decir eso ambos para Monte Carlos y también para espacio relleno diseño, nosotros tener alguno mezcla restricciones. Él medio eso el suma de el componente tiene a ser igual a uno. Es no a real espacio relleno diseño. Es no a real Monte Carlos porque tú tener este restricción. J Diputado tiene a elegante algoritmo, iterativo algoritmo a llevar en cuenta el restricciones. Nosotros son yendo a simular Monte Carlos con el primero factores y entonces con el segundo factores tomando en cuenta el primero uno y entonces en.
En el fin, I voluntad presente el lleno simulación con ambos Monte Carlos y espacio relleno diseño. Este es nuevo porque qué nosotros tener hecho es para cada correr de el espacio relleno diseño, nosotros tener hecho 1.000 Monte Carlos simulaciones. Es en realidad a el peor caso aquí, pero él era el objetivo para el EL a tener el el peor caso. Gracias a este, nosotros voluntad conseguir a en realidad bien estimación de el el peor caso probabilidad.
Ahora, dejar a mí saltar a el manifestación. Primero de todo, Monte Carlos. Aquí I tener el resultado para el Monte Carlos. No, Lo siento, es no el bien uno. Aquí él es. Vamos usar el neural red. Aquí, para el red neuronal, tú poder preguntar para el perfilador. Si tú preguntar para el perfilador, aquí tú poder preguntar el simulador. I voluntad al azar mover el factores. Pero qué es importante aquí, Soy preguntando para uniforme distribución porque es más clásico para mezcla diseño. Aquí, Soy yendo a simular aleatorio datos para el factor X1 , pero entre este valor y este valor porque allá es a restricción aquí. I continuar con el segundo factor con uniforme simulación entre este valor y este valor, y entonces en.
A ahorrar tiempo, I voluntad automáticamente correr el simulación aquí. Aquí él es. Lo siento, I no tener el bien datos colocar. Lo siento acerca de eso. W aquí él es. Modelo comparación y simulación. Aquí él es. Bueno, aquí él es, Monte Carlos simulación. A ahorrar tiempo, Enfermo espectáculo tú directamente el resultado con a aleatorio simulación con a mezcla restricción.
W e tener hecho este Monte Carlos simulación y nosotros tener este resultado en el energía. Qué es lindo también es eso tú poder poner el resultado en a mesa. Este es el resultado, 10.000 Monte Carlos simulación. Para cada simulación y con el modelo, tú tener el energía. Ahora, a calcular el probabilidad a ser más bajo que el especulación límite, nosotros justo tener a hacer a distribución de el simulado energía. Este es a distribución, no exactamente Gaussiano, más cerca a a Laplace distribución. Pero de todos modos, él no asunto. Nosotros voluntad hacer el proceso capacidad y el especulación dado por el EL es menos 100. I justo hacer clic en este y nosotros tener qué nosotros llamar el capacidad análisis, en general capacidad. Ppk es bastante bien, más alto que 1.3 . Aquí, el esperado porcentaje de afuera de especulación es muy bajo porque este número es claramente muy bajo.
Nosotros poder tener a mirar en a científico notación. Nosotros son en a muy pequeño probabilidad y claramente él era aceptable para el [inaudible 00:15:13] . En este tiempo, basado en neural red modelo, basado en Monte Carlos simulación, nosotros tener estimado el primero probabilidad a ser afuera de especificación y este probabilidad es aquí. Próximo paso. Qué nosotros tener hecho aquí es eso nosotros son yendo atrás aquí. Lo siento, I no cerca este. I no cerca este. Soy yendo aquí a hacer otro simulación con qué nosotros llamar a simulación experimento. Simulación experimento es también llamado a veces a espacio relleno experimento. Tú intentar a explorar el diseño espacio.
Aquí, nosotros tener a recordar eso allá es a mezcla restricción, entonces nosotros voluntad no explorar, de curso, a lleno diseño espacio, pero nosotros voluntad explorar a parte de el diseño espacio aquí. Aquí es a resultado, 128 computadora corre con el simulación datos. Nosotros poder tener a mirar en el resultado de el simulación. Si nosotros hacer a diagrama de dispersión matriz en el simulado experimento en el factores, aquí es el exploración de el factor con a mezcla restricción. Con este, una vez de nuevo, nosotros tener simulado energía pero aquí, es no Monte Carlos simulación, es a computadora simulación experimento.
Mismo trabajo, nosotros poder poner el energía aquí. W aquí es el simulado ¿energía? Aquí él es. Una vez de nuevo, apenas normalmente repartido. Aquí Soy yendo a calcular, una vez de nuevo, el proceso capacidad con a especulación menos 100. Aquí él es. Aquí I debería tener el proceso capacidad cual es bien. Una vez de nuevo, tú tener a probabilidad a ser afuera de el especulación, cual es cerca a 7 por 1.000. Él es también aceptable como a resultado. Pero tú poder ver eso en eso caso, el probabilidad es más alto que el anterior uno porque el cálculo era diferente y porque él era a simulación experimento explorador el espacio y es diferente de Monte Carlos simulación.
Último cosa eso nosotros hizo, y Soy yendo a abierto el d minutos archivo. Aquí él es, Simulado Monte Carlos. Aquí él es. No el bien uno, Lo siento. I tener a lote de cosas abierto. Aquí él es. Qué es este ¿archivo? Qué nosotros hizo aquí. Nosotros hizo ambos a espacio relleno diseño y para cada correr de el espacio relleno diseño, nosotros tener hecho 1.000 Monte Carlos simulaciones. El total número de agujas aquí es 128.000 pauta. Ambos Monte Carlos y también a computadora diseño de experimento.
Aquí nosotros tener en realidad a bien datos colocar con todo el potencial variaciones. Alguno son forzado por el diseño de experimento, otros son claramente aleatorio con el Monte Carlos. Aquí, una vez de nuevo, nosotros son yendo a estimar el probabilidad. Tú tener el lindo distribución de el energía. Entonces nosotros voluntad una vez de nuevo, calcular el probabilidad a ser afuera de especulación. Entrando el especulación aquí, aquí él es. Aquí nosotros tener a probabilidad a ser afuera de especulación, cual es cerca a 1 por 1.000. Una vez de nuevo, él era bastante a bien resultado aquí. Este resultado es bastante innovador. Aquí, justo para información, nosotros tenía a crear a pequeño JMP guion aquí a hacer este, a mezcla el computadora diseño y el Monte Carlos simulación. Allá es a pequeño GSL código para eso. Eso es todo para mi parte. Damián, tal vez tú poder ir. I interrumpido el intercambio.
Está bien. Esto es ahora el caso estudiar número 2. Para este estudiar, nosotros tener desarrollado a costumbre herramienta para profético solicitud. El objetivo aquí era a crear a herramienta incluido estadístico modelos en JMP Pro en orden a predecir a específico propiedad cual es el vaso visco ciudad como a función de composición y temperatura. A hacer eso, experimental datos son próximo de ambos comercial base de datos y de nuestro propio base de datos en EL . A s nosotros voluntad ver, el originalidad de el acercarse llega de el metodología para datos sub muestreo.
Nosotros buscado el algoritmos a ser codificado en GSL y implementado en JMP Pro. El respuesta de el modelo es el vaso viscosidad, de curso, y el factores son el peso por ciento de el vaso componentes. Aquí son alguno fondo información. Tú tener a saber eso vaso material es a no- cristalino sólido y él es obtenido por a rápido aplacar de a vaso derretir. De a material punto de vista, vaso es a mezcla de diferente óxidos.
El número de óxidos es variable de dos o tres en a muy simple vaso a acerca de 30 y incluso más en el mayoría complejo composiciones. T aquí es a largo tradición en el cálculo de vaso propiedades, y nosotros pensar eso el primero modelos eran creado en Alemania en el fin de el siglo XIX siglo. Desde entonces, el cantidad de publicado literatura en el campo de vaso propiedad predicción tiene aumentó a lote. Entonces eso hoy, nosotros tener a enorme cantidad de vaso datos disponible en comercial base de datos.
Varios desafíos permanecer para el predicción de el vaso v iscosidad porque el vaso v iscosidad es a propiedad eso es muy difícil a predecir. Primero, v iscosidad tiene a enorme rango de variación arriba a cierto órdenes de magnitud. A También, v iscosidad es muy dependiente en físico y mecanismos químicos eso poder ocurrir en el vaso derretir, dependiente en el vaso composición, como rápido separación o cristalización, para ejemplo.
Aquí es justo a corto ejemplo eso espectáculos este dificultad. Nosotros tener seleccionado tres composiciones de qué nosotros llamar SBN vaso, cual es muy simple vaso con solo 3 óxidos. W e aplicado el mejor conocido modelos de el literatura a calcular el visco ciudad. T gallina nosotros comparar el previsto valores con el experimental valor nosotros tener mesurado con nuestro propio dispositivo. Tú poder ver eso incluso para a muy simple vaso, él es no fácil a obtener uno confiable valor para el previsto v iscosidad. Aquí es a bien imagen nosotros como a usar a dar a vista de el base de datos dónde cada punto es uno vaso en a multi dimensional vista de el dominio de composiciones.
Datos puede venir de diferente aislado estudios, o nosotros poder tener datos próximo de estudios usando experimental diseño, o datos obtenido de paramétrico estudios con variación de uno componente en a tiempo. W e gastado a lote de tiempo en el pasado a aplicar diferente método de máquina aprendiendo. A clásico acercarse era usado para partición el datos en a capacitación colocar y a validación colocar. Pero en el fin, No estadístico modelo con aceptable profético capacidad era encontró a predecir el v iscosidad. T sombrero por qué nosotros tener decidido a usar a diferente acercarse.
En cambio de usando todo el datos, nosotros pensar él es mejor a crear a modelo por usando datos cerca a el composición dónde nosotros desear a predecir el v iscosidad. Entonces para ejemplo, si nosotros desear a predecir aquí, uno modelo voluntad ser creado de el datos nosotros tener en este área, y a diferente modelo voluntad ser creado si nosotros desear a predecir el propiedad aquí, para ejemplo. T sombrero por qué nosotros decir eso este técnica es dinámica porque el modelo depende en el composición y él es relacionado y equipado dónde nosotros desear a predecir. W e decir eso el modelo es automático porque nosotros no tener a hacer este a mano.
Cada paso es hecho por a algoritmo implementado en el herramienta. O es de el mayoría importante punto es ciertamente el determinación de el óptimo datos colocar a crear el modelo. F o eso, nosotros tener implementado dos métodos de sub muestreo. En el primero método, a teorético o virtual diseño de experimento es generado alrededor el composición de intereses. Entonces cada correr de el diseño es reemplazado por el mayoría similar experimental datos presente en el base de datos, principal a el final capacitación datos colocar.
En el segundo método, nosotros tener implementado en el herramienta. La es es basado en diferente tamaño de datos conjuntos creado alrededor el composición de interés. A pequeño datos colocar es generado por el herramienta y modelo son creado en este pequeño subconjunto a predecir el visco ciudad. T gallina más grande y más grande datos conjuntos son generado automáticamente y el óptimo tamaño es evaluado por varios estadístico criterios asociado a cada subconjuntos.
Finalmente, el construcción de el modelos es basado en tres diferente algoritmos implementado en el herramienta. Primero es a polinomio modelo obtenido por a multi- lineal regresión. Segundo es a género modelo y neural neto modelo. A t el fin, nosotros tener seis diferente calculado valores cual marcas el predicción muy robusto.
Vamos ir a JMP a ver cómo él obras. L Y a mí primero espectáculo tú el código. T él guion, como tú poder ver, es bastante largo, acerca de 700 filas, cual es un lugar tranquilo complicado GSL código. El primero cosa tú tener a hacer es a ingresar el composición de el vaso tú desear a predecir el viscosidad. T o hacer eso, tú poder usar un interfaz nosotros tener creado. Tú justo tener a seleccionar el óxido entrando el composición. F o cada óxido, tú justo tener a ingresar el peso por ciento. O si tú desear, tú poder directamente ingresar el composición en el guion, cual es a pequeño poco más rápido, I quería decir.
Entonces tú lanzamiento el guion. I no hacer eso ahora porque él acepta acerca de uno o dos minutos. Es no muy largo. Pero para este manifestación, I tener ya correr el guion. Dejar a mí espectáculo tú el resultados. En el fin de el cálculo, tú tener este ventana dónde tú poder conseguir a estadístico informe. Muy interesante. Primero, aquí tú tener el composición tú tener entró, es justo a recordatorio. W e tener el gráfico demostración el previsto valor. O n el Y eje, nosotros tener el previsto valores de el viscosidad calculado por el tres algoritmo y para el dos métodos.
En el X eje, nosotros tener el número de ampliación para el segundo método I tener descrito. I n rojo, cual es el mayoría importante valor, I quería decir, es el promedio de todo el diferente predicciones. I t es el mejor predicción, I quería decir, de el vaso viscosidad . I f nosotros necesidad a tener más estadístico detalles, nosotros tener a lote de información en este informe a estudiar el calidad de cada modelo. Para ejemplo, nosotros poder controlar el valores de el PRENSA estadística para el multi- lineal BIC F modelo.
Para ejemplo, aquí nosotros poder ver eso el PRENSA valores decir a nosotros eso el predicción usando el método número 1 es a pequeño poco mejor que para el segundo método. W e también ver eso el modelo degradación con el ampliación de el capacitación colocar. Nosotros poder también controlar el RS por qué valores para el dos diferente método y para el diferente algoritmo, y nosotros poder comparar a ellos. W e poder tener incluso más detalles en el diseño de experimentos eso eran creado y todo el fórmula de predicción. T su es a lote de información, pero allá es el mayoría importante parte aquí, cual es el previsto valor de el viscosidad.
Vamos ir atrás a el PowerPoint. T su es el resultado obtenido para el simple SBN vaso, cual es, como I dicho más temprano, a simple vaso con solo 3 óxidos. Pero nosotros tener calculado el visco ciudad para tres diferente composición de SBN vaso. W e comparar el resultados obtenido de nuestro herramienta aquí con el resultados de el modelos disponible en el literatura. En término de el relativo error de predicción, él tiene a ser como bajo como posible. W e poder ver eso el mejor resultados de predicción son obtenido con nuestro herramienta, cual es en realidad excelente.
H también, nosotros tener el resultados obtenido en más complejo anteojos. T él herramienta profético capacidad era evaluado por extrayendo 230 filas de el global base de datos. En este mesa, nosotros tener el relativo error de el visco ciudad predicción para diferente tipo de vaso y para el global subconjunto de datos. Tres cuantiles son dado, el mediana, significado eso 50 % de el previsto valores tener a relativo error eso es abajo el valor indicado aquí. W e también dar el 75 % y el 90 % cuantiles. W gallina nosotros hablar acerca de vaso v iscosidad, tradicionalmente, nosotros considerar eso el profético error, alrededor 30 % es muy bien.
W e ver eso para el mayoría de el datos, el modelo capacidad es bien y nosotros eran muy feliz con el resultados nosotros obtenido. Aquí son alguno muy importante llave parámetros. Él es muy importante a llevar en cuenta como muchos entradas de el vaso expertos como posible. Para ejemplo, nosotros tenía a crear específico algoritmos a manejar el naturaleza y el muro de óxidos y viscosas este. Otro punto de importante importancia es relacionado a el origen y a el fiabilidad de el datos.
Para este, a significativo cantidad de tiempo en este proyecto tiene estado gastado a el constitución de a confiable base de datos. W e tenía a implementar maneras y nosotros tenía a estudiar diferente maneras de calculador el distancias entre el vaso composición. I es tiempo a concluir ahora. Nosotros tener presentado dos diferente caso estudios. En el primero caso estudios, nosotros tener creado varios modelos y nosotros tener comparado a ellos para el riesgo evaluación. Nosotros tener visto eso él era fácil con JMP a llevar a cabo Monte Carlos simulaciones, incluso para mezcla diseños con restricciones. Nosotros tener visto eso él era fácil también a llevar a cabo espacio relleno diseño, y de nuevo, incluso para mezcla diseños.
Por combinatorio Monte Carlos y espacio relleno diseños, el peor caso probabilidad tiene estado estimado. I n el segundo estudiar, nosotros tener presentado el herramienta nosotros tener creado con un original método de submuestreo el datos. Para cada composición de interés, a específico modelo de viscosidad era construido alrededor este composición, y nosotros tener visto eso el predicción exactitud en el visco ciudad era muy prometedor y mucho mejor que modelos disponible en el literatura. Agradecer tú para su atención.
