I
想
到
感谢
这
跳转
转向
委员会
和
这
跳转
组织者
为了 邀请 菲尔 和 我 到 来 和 展示 我们的 令人兴奋的 讲话
在 羧甲基纤维素钠 , 一切 , 美国能源部 , 和 复杂 : 它 的 全部 关于 预言 .
想 到 开始 经过 感谢 博士 . 蒂芙尼 饶 , 她 的 到过 涉及 和 这 规划
和 很多的 对话 为了 这 工作 那 我们 '关于 去 到 展示 今天 .
去 到 做 一个 概述 , 告诉 你 WHO 灵北 是 , WHO I 工作 为了 ,
和 然后 提供 这 背景
为了 这 美国能源部 那 我们 '关于 去 到 讲话 关于 ,
哪个 是 过程 发展 为了 a 生物制剂 药品 .
我们的 案件 学习 和 什么 I 'm 正在做 在 传统的
为了 什么 I 已经 开始 到 做 为了 发展
是 开始 和 这 第一的 步 的 正在做 渠务署 为了 中 -晚的 阶段 发展 ,
然后 跟随 那 和 a 第二 步
的 正在做 增强 和 a 空间 -填充 设计 .
然后 我们 是 希望 到 证明 到 你 今天 那 为了 分析 那 一切
允许 我们 到 有 更好的 预言 为了 全部 的 这 工作 和 允许 我们 到 有
更好的 时间线 为了 我们的 工作 那 我们 '关于 正在做 .
灵北 是 位于 …
我们 '关于 总部 在 哥本哈根 ,
我们 '关于 超过 6 ,000 雇员 在 超过 50 国家 ,
和 我们 是 奋斗 到 是 这 数字 一 在 脑 健康 .
这 部分 的 这 公司 那 I 工作 和 是 这 羧甲基纤维素钠 生物制剂
和 我们 '关于 基本上 位于 在 这 哥本哈根 区域
和 在 这 西雅图 区域 在哪里 I 'm 位于 .
让 的 讲话 关于 这 背景 为了 这 美国能源部 那 我们 '关于 去 到 展示 今天 .
这 过程 那 我们 想 到 发展 为了 药品 物质 , 为了 这些 生物制剂 ,
我们 开始 和 a 细胞 的 小瓶 , 我们 拿 那些 出去 的 这 冰箱 ,
我们 然后 扩张 在 摇 烧瓶 , 去 大 进入 文化 包 ,
或许 a 种子 生物反应器 , 然后 到 a 生产 生物反应器 .
那 生产 生物反应器 去 大约 二 周 .
我们 有 复杂的 养分 提要 ,
我们 有 PH 控制 , 温度 控制 , 那里 的 这 根据 那 我们 '关于 添加 .
一次 我们 结束 那 14 -天 生产 , 我们 需要 到 数字 出去 a 方式
到 得到 这 细胞 那 是 分泌 我们的 分子 进入 这 上清液 .
如何 做 我们 分离 这 细胞 从 这 产品 ?
那 收成 能 是 a 离心机 , 它 能 是 深度 过滤 .
然后 我们 经过 它 在 到 我们的 下游 同事 .
他们 第一的 通常 做 a 捕获 步 在哪里 他们 '关于 得到 摆脱
的 最多 的 这 主持人 细胞 蛋白质 , 这 主持人 细胞 脱氧核糖核酸 .
但 然后 我们 需要 到 做 二 抛光 步骤 在哪里 我们 '关于 然后 说 ,
“好的 , 什么 是 这 产品 -有关的 杂质 ?
或许 那里 的 不是 这 满的 分子 那里 , 所以 我们 有 到 得到 摆脱 的 那些 “
然后 最后 , 我们 有 到 制作 当然 , 通过 极端主义者 过滤 和 渗滤
那 我们 能 转移 进入 这 缓冲
那 它 的 去 到 是 什么时候 它 是 已转移 为了 这 病人 的 使用
和 它 的 还 在 这 正确的 专注 .
你 能 想象 , 每一个 步 沿着 这 方式 ,
那里 是 许多 因素 ,
那里 是 许多 旋钮 那 我们 能 转动 到 控制 这 过程 ,
制作 当然 那 它 的 强壮的
和 我们 '关于 制作 这 相同的 产品 每一个 时间 .
什么时候 我们 '关于 专注 在 治疗 这 病人 ,
我们 还 想 到 重点 在 这 商业 .
我们 能 不 放 全部 的 我们的 发展 资源 为了 每一个 分子 .
我们 想 到 正确的 -尺寸 这 研究 那 我们 '关于 正在做
在 这 正确的 阶段 的 这 产品 .
那里 的 许多 事物 那 可以 杀 a 产品 ,
但 如果 我们 能 发展 这 在 这 正确的 时间 和 这 正确的 空间
使用 这些 工具 从 跳转 ,
我们 能 转移 这 发展 时间线 到 这 左边
和 我们 能 还 减少 这 数量 的 资源
和 这 成本 到 这 公司 .
如果 我们 '关于 第一的 得到 a 分子 ,
那 的 什么时候 你 '关于 去 到 开始 寻找 在 你的 分类 因素 .
我们 可能 是 正在做 这 细胞 线 筛查 .
我们 想 到 制作 当然 那 我们 有 这 正确的 细胞 线
那 的 去 到 最后的 全部 这 方式 通过 商业化 .
为了 这 下游 团体 , 他们 可能 是 寻找 在 树脂
为了 两个都 上游 和 下游 ,
寻找 在 袜子 和 缓冲 成分 和 这 配方 的 那些 .
那 的 什么时候 你 '关于 制作 当然 那 你 有 这 正确的 事物 ,
那 的 去 到 保持 你 去 通过 你的 发展 通路 .
但 然后 一次 你 '关于 在 这 诊所 ,
现在 你 想 到 真的 开始 到 获得 理解 的 这 过程 参数 .
我们的 战略 是 到 开始 和 a 发展 筛查 设计
和 我们 想 到 是 大胆的 在 我们的 等级 设置 在 这 阶段
和 I '二 讲话 a 小的 少量 更多的 关于 那 之后 ,
为了 这 晚的 阶段 发展 .
然后 我们 能 建造 在 什么 我们 学到了 从 这 权威 筛查 设计
经过 增强 那些 设计 和 空间 -填充 或者 其他 设计
所以 那 我们 真的 理解 那 设计 空间 .
什么 的 不同的 那 我们 '关于 希望 到 展示 现在
比 传统的 散步 通过 这 通路
是 那 在 这 过去的 , 我们 已经 到过 投掷 出去
这 因素 那 我们 已经 说 艾伦 不 重要的 .
但 和 现代的 设计 和 现代的 方法 的 正在做 分析 ,
我们 能 保持 全部 的 这 因素 和 全部 的 这 工作 那 我们 已经 完毕 所以 远的
和 获得 更好的 理解 的 这 所有的 过程 ,
尤其 和 生物制剂 那 是 相当 复杂的 .
前 I 经过 这 指挥棒 到 菲尔 , I 只是 通缉 到 讲话 一 更多的 关于 …
让 的 看 如果 I 能 …
I 'm 去 到 最小化 这 屏幕 只是 为了 a 分钟 所以 I 能 展示 你 这 .
这 是 一个 实验 那 I 做过 到 证明 这 力量 的 美国能源部 为了 我的 老板 .
这 满的 数据 放 曾是 一个 灾难 为了 PH , 和 这 回复 曾是 更紧 .
我们 通缉 到 做 非常 许多 不同的 级别
在 a 宽的 范围 因为 他 不是 不 当然 在 这 时间
那 我们 是 去 到 是 有能力的 到 挑选 什么 这 优化 等级 曾是 .
但 什么 I 通缉 到 展示 他 曾是 那 ,
“好的 , 我们 做过 这 实验 , 我们 有 全部 的 这 数据 .
我们 是 有能力的 到 模型 在哪里 这 优化 状况 曾是 ”
和 那 的 显示 在 蓝色的 ,
和 那 转身 出去 到 是 这 正确的 案件 .
什么时候 我们 经过测试 这 模型 , 那 曾是 这 优化 状况 .
让 的 假装 现在 那 我们 '关于 开始 , 我们 大学教师 不 知道 那 数据 .
如果 我们 有 挑选 a 保守的 范围 环境 为了 我们的 实验 ,
我们的 噪音 到 信号 会 是 相当 高的
和 所以 我们 会 有 错过 发现 这 优化 点 .
但 如果 我们 有 挑选 a 更宽 范围 在 我们的 设置
和 仍然 和 仅有的 三 点 ,
这 模型 仍然 会 有 选择 这 优化 点 .
什么 I 'm 去 到 挑战 这 主题 事情 专家
什么时候 你 '关于 设计 你的 DSD 是 真的 是 大胆的 在 你的 范围 环境 .
你 将要 仍然 寻找 这 优化 点
和 你 有 到 有 一些 知识 的 你的 过程 所以 那 你 能 完全的
这 设计 的 实验
和 有 全部 的 这 运行 在 至少 有 足够的 信号
那 你 能 措施 和 然后 随后 模型 .
一次 你 学习 从 你的 权威 筛查 设计
更多的 关于 你的 设计 空间 , 你 能 来 后退
和 然后 你 能 是 内部的 到 那 空间 .
那 的 什么时候 你 增强 和 a 空间 -填充 设计 .
现在 I 'm 去 到 经过 这 指挥棒 到 菲尔
和 他 的 去 到 拿 你 通过 这 分析 .
好的 , 感谢 你 . 感谢 你 , 帕蒂 .
我们 '关于 去 到 讲话 关于 a 非常 好的
和 有些 复杂的 实验 那 帕蒂 和 她 团队 跑步 .
他们 做 a 很多 的 伟大的 工作 和 他们 '关于 大的 倡导者 的 美国能源部 和 跳转
和 I 'm 非常 快乐的 他们 让 我 得到 到 玩 和 他们 有时 .
它 的 迷人 工作 .
但 前 I 得到 进入 这 实际的 分析 ,
I 通缉 到 讲话 关于 a 很少 相关的 概念
那 成员 的 这 观众 可能
或者 可能 不是 是 熟悉的 和 , 和 那 包括 复杂 .
它 的 a 真的 热的 话题 出去 那里 .
讲话 关于 什么 是 实际上 预言 .
那 是 a 混乱 概念 到 许多 人们 .
然后 从 那里 , I '二 发射 进入 说 关于
如何 我们 分析 预言 和 如何 我们 做过 和 帕蒂 的 实验 .
复杂， a 同伴 命名 丹尼尔 饰面
从 伦敦 学校 的 经济学， 书面 很多 关于 这
和 他 调用 它 “这 大象 在 这 房间 " 那 统计数据 和 许多 ,
什么 他 调用 “元科学 ” 是 忽略 和 他们 '关于 忽略 它 在 他们的 危险 .
I 韩元 不 得到 进入 a 很多 的 细节 .
你 能 看 他 向上 在 这 互联网 , 他 有 a 很多 的 视频 和 文件 .
但 复杂 是 a 巨大的 问题 .
它 是 凝视 科学 和 统计数据
和 数据 科学 和 机器 学习 在 这 脸 和 它 需求 到 是 处理 和 .
在 展示 , 我们 '关于 不是 真的 处理 和 它 直接地 在 统计数据 .
经过 这 方式 , 那里 是 现在 所有的 应用 数学 程序
基于 在 学习 复杂的 系统 .
我的 底部 线 是 , 复杂 是 真实的 .
复杂 需要 新的 思维 .
我们 真的 有 到 重新思考 美国能源部 和 分析 .
你 '关于 去 到 看 那 为了 复杂的 系统，
和 我们 还 有 到 理解 某物 别的 , 系统 理论 101 是
复杂的 系统 是 定义 经过 他们的 交互的 行为 .
在 观点 的 事实 , 主要的 效果 是 实际上 甚至 误导 .
你 有 到 不知何故 是 实验
在 a 方式 那 你 能 捕获 这 交互的 行为 ,
和 你 '关于 去 到 看 当前的 策略 落下 短的 的 那 目标 .
帕蒂 的 已经 提及 这 羧甲基纤维素钠 通路 .
无处 是 这 问题 的 复杂 更多的 明显的 比 在 生物过程 .
你 有 复杂的 组合 的 生物学 和 化学 ,
和 互动 是 到处 .
什么时候 I 讲话 到 科学家 在 生物技术 ,
他们 知道 正确的 向上 正面 我们 '关于 处理 和 真的 复杂的 交互的 系统 .
但 第一的 , I 需要 到 观点 出去 预言 .
如果 你 '关于 在职的 在 羧甲基纤维素钠 发展 工作 , 它 的 全部 关于 预言 .
这 我 指导方针 那 是 用过的 经过 科学家 在 这 羧甲基纤维素钠 发展 工作
大学教师 不 具体来说 说 预言 ,
但 如果 你 读 什么 他们 说 , 它 的 全部 关于 预言 .
基本上 , 你 '关于 建筑 流程 到 生产 生物制剂 ,
和 和 这 新的 细胞 和 基因 疗法 ,
这些 流程 是 成为 无望地 复杂的 .
I 亲自 依靠 沉重 在 这 科学家 到 解释 它 到 我 ,
和 他们 '关于 这 人们 WHO 真的 制作 全部 这 决策 .
I 'm 这 帮手 , 和 I 'm 非常 快乐的 到 是 那里 作为 部分 的 它 .
但 它 的 全部 关于 预言 .
那 是 不是 如何 许多 科学家 和 甚至 统计学家 ,
有 已查看 羧甲基纤维素钠 工作 .
经过 这 方式 , 这 适用 到 全部 区域 的 科学 .
I 'm 专注 和 帕蒂 在 这 羧甲基纤维素钠 发展 通路 ,
但 预言 是 重要的 .
什么 是 预言 ?
它 的 混乱 . 它 的 不是 清楚地 定义 在 学科 .
这里 的 什么 它 真的 是 和 如何 I 定义 它 .
它 的 a 措施 的 如何 出色地
模型 那 你 发展 插 超过 a 设计 地区 .
在 其他 字 , 我们 '关于 去 到 合身 a 模型 到 什么 我们 称呼 a 训练 放 ,
和 然后 我们 需要 一些 方式 的 会心 如何 那 模型 会 申请
超过 这 所有的 设计 地区 .
在 羧甲基纤维素钠 工作 , 尤其 晚的 阶段 , 那 是 非常 重要的 .
你 是 有能力的 到 做 那 , 作为 许多 的 你 知道 .
你 真的 有 a 训练 放 到 合身 这 模型 .
那 训练 放 在 不 方式 能 评价 预言 .
I 知道 那里 的 a 常见的 信仰
你 能 评价 预言 在 训练 套 .
你 简单地 能 不是 .
你 必须 有 a 测试 放 .
还 I '二 讲话 a 小的 少量 关于 这 事实 在 处理 和 科学家 ,
和 a 很多 的 它 在 化学 和 生物制剂 .
再次 , I 做 a 很多 的 它 在 生物技术 ,
但 还 在 其他 区域 喜欢 电池 技术 , 材料 科学 .
它 是 成为 非常 明显的 .
这 动力学 是 复杂的 .
他们 '关于 不断地 改变 超过 设计 区域 .
这 动能 行为 那 你 看 大约 这 边界
是 经常 非常 不同的 从 什么 的 正在发生 在 这 内部的 .
为什么 做 这 事情 ?
出色地 , 这 经典的 方法 到 回复 表面 ,
甚至 包括 最佳的 设计 , 依赖 之上 什么 I 称呼 边界 设计 .
几乎 全部 的 你的 观察 是 大约 这 边界 的 这 设计 地区 .
在 观点 的 事实 , 无论 人们 想 到 听到 它 或者 不是 ,
这 中央 合成的 设计 ,
通常 用过的 在 回复 表面 ,
是 关于 这 最差 设计 你 可以 思考 的 为了 预言 .
这 内部的 的 这 空间 是 空的 .
如果 你 合身 这些 模型 在 这 边界 ,
和 然后 你 预测 什么 的 正在发生 在 这 内部的 ,
它 的 不是 预言 , 它 的 猜测 .
你 大学教师 不 知道 . 你 有 不 数据 .
I 'm 去 到 展示 你 在 这 案件 学习 ,
你 '关于 大概 去 到 抵达 一些 错误的 结论 .
这 边界 区域 , 的确 , 经常 表现 非常 不同地 ,
和 我们 有 a 需要 到 重新考虑 我们的 方法 到 设计 .
其他 问题
在 回复 表面 和 统计数据
是 这 无处不在 使用 的 满的 二次函数 模型 .
他们 是 不是 充足的 到 模型 复杂的 回复 表面 .
在 事实 , 他们 '关于 远的 从 它 .
很遗憾 , I 得到 a 很多 的 反击
从 统计学家 WHO 宣称 它 是 好的 足够的 .
我的 回答 是 , “出色地 , 如果 你 实际上 使用 设计
那 有 充足的 内部的 点 ,
你 'd 迅速地 发现 他们 大学教师 不 合身 出色地 在 全部 .
再次 , 尝试 到 措施 预言
在 这 内部的 的 a 设计 地区 使用 边界 设计 是 徒劳无功 .
经过 这 方式 , 我的 好的 朋友 , 这 晚的 约翰 康奈尔大学 和 道格 蒙哥马利 ,
已发布 a 纸 在 这 在 1998 , 和 I '二 是 有礼貌的 , 他们 是 被忽略 .
它 曾是 实际上 有些 更糟糕 比 被忽略 经过 这 统计数据 社区 .
他们 显示 在 这 纸 那 满的 二次函数 模型
是 只是 不是 充足的 到 覆盖 a 设计 地区 .
帕蒂 提及 一切 , 自己 -验证 合奏 造型 .
它 的 一个 算法 .
I 'm 一 的 这 公司 -开发人员 和 博士 . 克里斯 哥特瓦尔德 的 跳转 ,
a 人 I 抓住 在 非常 高的 看待 .
I 韩元 不 得到 进入 这 算法 经过 这 方式 ,
那里 是 参考 在 这 结尾 在哪里 你 能 去 和 学习 更多的 关于 它 .
它 有 到过 谈论 关于 在 发现 会议 实际上 ,
去 全部 这 方式 后退 到 法兰克福 在 2017 .
但 一切 是 一个 算法 那 允许 你 到 申请 机器 学习 方法 .
机器 学习 方法 是 全部 关于 预测 造型 .
相信 我 , 人们 在 那 场地 知道 a 很多 更多的 比 你 可能 思考
关于 预言 和 申请 他们 到 数据 从 小的 套 喜欢 美国能源部 的 .
I 韩元 不 得到 进入 一切 .
它 的 a 所有的 新的 方式 的 思维 关于 建筑 预测 模型 ,
和 I 思考 它 的 在 它是 婴儿期 ,
但 它 的 已经 证明 非常 强大的 和 有用 在 生物技术 .
让 的 得到 到 这 实验 .
这 是 实际上 a 杂交种 实验 那 帕蒂 和 她 团队 创建 .
那里 是 七 因素 和 那里 是 十三 回应 .
但 到期的 到 时间 约束 , I 'm 仅有的 去 到 重点 在 四 ,
和 甚至 那 的 去 到 是 难的 到 得到 它 全部 在 .
这 数据 和 这 实验 是 高度 所有权 .
I 做 感谢 灵北 和 帕蒂 为了 实际上 允许 我们 到 使用
一个 匿名 版本 的 这 设计 .
I 有 a 很多 的 案件 研究 , 一些 的 他们 相似的 到 这 ,
和 这 人们 WHO 自己的 这 数据
不会 不 甚至 让 我 讨论 它 如果 I 匿名 它 .
那 曾是 非常 好的 的 他们 .
I 思考 我们 有 a 真的 重要的 故事 到 告诉 这里 .
这 是 a 杂交种 设计 .
它 的 包括 的 a 19 -跑步 权威 筛查 设计
大约 这 边界 .
然后 它 有 16 空间 -填充 设计 在 这 内部的 .
那里 是 中心 点 在 两个都 部分 的 这 设计 .
如何 会 我们 分析 这 ?
出色地 , 什么 I 想 到 做 是 讨论 这 策略 的 分析 那 是 用过的 ,
这 算法 那 是 用过的 , 和 制作 比较 到 一切 .
I '二 告诉 你 在 进步 , 一切 是 去 到 做 非常 出色地 .
然后 我们 '二 讲话 关于 一些 的 这 问题 和 这 模型 他们自己
和 如何 我们 使用 他们 .
I 'm 去 到 做 什么 最多 人们 现在 做 .
I 'm 去 到 拿 这 边界 点 , 这 DSD ,
合身 模型 , 和 然后 申请 他们 到 这 空间 -填充 设计 作为 a 测试 放
和 看 如何 出色地 我的 模型 插值 .
步 二 , I '二 撤销 这 过程 .
I '二 合身 模型 到 这 空间 -填充 点 ,
和 然后 I '二 使用 这 渠务署 作为 a 测试 放 和 看 如何 出色地 我的 模型
实际上 推断 a 小的 少量 到 这 边界 .
三 是 a 常见的 战略 用过的 在 机器 学习 .
I 'm 去 到 使用 a 阻碍 测试 放 .
I 'm 去 到 拿 这 三十五 运行 和 休息 他们 向上 .
I 做过 这 在 a 方式 到 制作 他们 两个都 相等的 作为 很多 作为 I 可以
进入 a 训练 放 包含 两个都 扫描流体动力学 (SFD) 和 渠务署 点 ,
和 然后 还 a 所有的 后退 测试 放 那 有 a 表示 的 两个都 .
然后 最后 , 步 四 , 什么 许多 人们 会 自动地 做 .
I '二 只是 合身 模型 到 这 所有的 数据 放 .
在 一般的 , I 大学教师 不 推荐 这 因为 那里 的 不 方式 到 测试 这 模型 .
I 将要 说 向上 正面 ,
因为 我们 做 有 a 很多 的 空间 -填充 点 在 这 内部的 ,
I 'm 更多的 舒服的 和 这 方法 比 I 是 在 实践 .
但 这些 , I 寻找 , 是 这 四 基本的 策略 那 会 是 用过的 .
如何 做 I 分析 它 ?
出色地 , 如果 你 有 a 渠务署 ,
人们 喜欢 到 使用 合身 权威 筛查 ,
I '二 看 在 它 , 它 仅有的 适用 到 DSD .
诚实地 , 它 的 不是 真的 a 预测 造型 战略 ,
也不 做 他们 宣称 它 是 .
但 I 寻找 人们 似乎 到 使用 它 那 方式 .
I '二 使用 向前 选择 .
如果 你 知道 什么 这 人工智能 统计 是 , 我们 '二 做 那 在 通用注册 , 在 跳转 17 .
然后 我们 '二 看 在 某物 他们 有 在 通用注册 那 的 非常 好的 .
那 是 这 一切 算法 .
I 'm 去 到 使用 那 和 向前 选择 .
然后 I 'm 去 到 看 在 某物 人们 可能 不是 知道 .
它 的 a 隐 宝石 在 跳转 .
某物 称为 移动 平均的 在 这 逐步 平台 .
约翰 扫罗 放 它 那里 许多 年 前 .
I 思考 他 曾是 存在 非常 有洞察力 .
然后 我们 '关于 去 到 讲话 关于 一切 和 神经 网络 .
基本上 , 不 软件 做 这 .
I 有 工作 和 这 预言 ,
一些 的 你 知道 韦恩 莱文 和 预言 到 发展 一个 添加 -在 到 做 这 .
它 的 现在 这 仅有的 软件 可用的 那 做 这 .
这 一切 添加 -在 曾是 用过的 到 做 这 神经 网络 .
I 韩元 不 得到 进入 这 添加 -在 特别 ,
I '二 只是 迅速地 展示 人们 在哪里 这些 事物 是 .
然后 最后 I 说 这 第四 战略 曾是 用过的 到 抓住 数据 放
因为 I 得到 问 关于 这 全部 这 时间 .
I 只是 扔了 在 一些 K -叉 折叠 验证 到 使用
和 这 一切 方法 和 一些 的 这 其他 方法 .
那些 是 这 方法 我们 '二 使用
和 为了 方法 喜欢 合身 权威 ,
向前 选择 和 移动 平均的 方法 ,
我们 '二 认为 a 满的 二次函数 模型 作为 那 是 这 传统 .
这 其他 方法 , 再次 , 我们 '关于 去 到 使用 a 神经 网络
哪个 是 更多的 灵活的 .
那里 是 四 回复 和 这 是 真的 重要的 .
I 没有 不 随机 选择 他们 .
那里 是 四 的 他们 和 他们 各不相同 在 复杂 .
再次 , I '二 承认 这 是 主观 .
那里 是 不 国际上 得到正式认可的 措施 的 复杂
和 这 是 基于 之上 这 能力 到 模型 这 回应 .
再次 , 那里 是 十三 回应 .
通常 , 在 羧甲基纤维素钠 通路 工作 , 那里 是 10 -20 , 或许 更多的 ,
最多 的 他们 批判的 质量 属性 .
他们 是 重要的
和 他们 各不相同 之内 这 实验 从 一些 是 相当 低的 在 复杂 ,
一些 是 非常 高的 , 非常 难的 到 模型 .
坦白说 , 在 那些 案例 ,
神经 网络 是 基本上 你的 仅有的 选项 .
所以 支付 注意力 到 这 因为 这 复杂
转弯 出去 到 是 非常 重要的 在 如何 你 会 去 关于 造型 .
然后 这 问题 是 如果 I 'm 去 到 评价 预言 ,
出色地 , 如何 做 I 做 那 ?
记住 , I 更喜欢 预言 是 在 一个 独立的 测试 放
和 新的 设置 的 这 因素 .
那 的 如何 我们 法官 插值 .
出色地 , 某物 称为 这 根 平均的 正方形 错误
或者 拉塞 分数 是 非常 常见的 .
这 是 这 标准 偏差 的 预言 错误 .
再次 , 它 的 通常 用过的 到 法官 如何 出色地 你 预测 .
较小 是 更好的 , 明显地 ,
但 那里 是 a 问题 和 它 那 我们 已经 特别 裸露 ,
尤其 在 模拟 .
模型 和 低的 拉塞 分数 经常 有 重大的 预言 偏见 在 他们 .
在 预言 , 那里 真的 是 仍然 a 偏见 -方差 贸易 -离开 .
所以 如何 做 我们 评价 偏见 ?
出色地 , 那里 的 不 同意 之上 方法 到 那 任何一个 .
但 这 最容易 方式 和 这 最多 视觉的 方式
是 实际的 经过 预测 情节 在 a 测试 放 .
理想情况下 , 如果 你 是 到 合身 a 坡
到 这 实际的 与 -预测 阴谋 , I '二 展示 一个 例子 .
这 理想的 预言 方程 那 a 坡 会 是 一 和 一个 截距 的 零 .
这 更远 这 坡 是 从 一 , 这 更大 这 偏见 .
为了 目的 的 示范 , I 'm 去 到 放
a 规格 的 0 .85 -1 .15 和 a 目标 的 1 为了 这 坡 .
如果 你 能 停留 之内 那 范围 ,
然后 I 'd 说 你 大概 有 可接受 金额 的 偏见 .
在 现实 那 发生 到 是 更多的 的 a 主题 事情 问题 .
然后 最后 I 说 , “出色地 , 你 能 合身 a 坡 到 这 实际的 与 -预测 阴谋 .
那里 的 一个 额外的 问题 “
这 预测器 是 这 预测 价值观 .
他们 有 a 很多 的 错误 在 他们 .
所以 这 是 实际上 一个 错误 和 变量 问题 ,
哪个 是 不是 通常 认可 .
但 跳转 17 有 a 真的 好的 解决方案 .
它 的 称为 这 通过 —巴布洛克 造型 算法
和 它 的 到过 出色地 -已确立的 , 尤其 在 生物制药 .
这 适合 a 坡 , 服用 进入 帐户 错误 在 X , 这 预测器 .
所以 如何 做 它 工作 ?
出色地 , 它 适合 a 坡 .
如果 你 看 在 这 左边 ,
你 '二 看 这 坡 是 关于 0 .5 . 我们 有 强的 偏见 .
那里 的 a 很多 的 预言 偏见 .
什么 I 真的 喜欢 在 这 应用 在 跳转 , 他们 给 你 这 参考 线 .
这 虚线 蓝色的 线 是 这 理想的 线 坡 的 一 , 截距 的 零 .
在 这 左边 , 我们的 预测 模型 是 显示 a 很多 的 偏见 .
它 的 系统地 不是 预测 这 回复 .
到 这 正确的 , 是 a 案件 在哪里 那里 的 实际上 a 小的 数量 的 偏见
在 一般的 , 那 会 是 可接受 .
经过 这 方式 , 这些 是 挑选 作为 一 的 模型
那 有 相对地 低的 全面的 拉塞 分数 .
这些 是 称为 这 通过 —巴布洛克 连续下坡
和 他们 是 不可缺少的 到 如何 I 评价 预言 ,
这 全面的 拉塞 和 这 连续下坡 .
什么 I 'm 去 到 做 在 这 观点 ,
I 'm 去 到 实际上 去 超过 到 跳转 , 如果 你 大学教师 不 头脑 .
I '二 制作 a 快的 改变 在 这 屏幕 这里
和 I '二 制作 这 作为 大的 作为 I 能 为了 每个人 .
全面的 在 这 锻炼 ,
I 合身 关闭 到 140 模型 和 I 做过 他们 全部 单独地 和 评估 他们 .
是的 , 它 拿了 相当 a 尽管
和 I 'm 去 到 展示 a 形象的 到 尝试 到 总结 这 结果
为了 这 不同的 方法 .
I 'm 去 到 打开 a 图形 建造者 脚本 .
I '二 制作 这 作为 大的 作为 I 可能 能 为了 每个人 .
I 'm 使用 一些 当地的 数据 过滤器 , 到 定义 这 展示 .
注意 我们 有 四 训练 场景 .
I '二 开始 和 在哪里 这 渠务署 是 这 训练 放 .
我们 合身 模型 到 这 边界
和 然后 我们 评价 他们 和 如何 他们 预测
这 空间 -填充 设计 点 .
Y2 是 这 简单的 回复 .
I 预期的 全部 方法 到 做 出色地 , 他们 做过 .
注意 I 放 这些 规格 限制 和 那 的 0 .85 -1 .15
全部 下跌 之内 那 允许 地区 .
二 的 这 方法 那 做过 出色地 ,
I 特别 喜欢 这 移动 平均的 ,
所以 它 做过 漂亮的 出色地 .
没有任何 的 他们 有 a 坡 的 确切地 一 .
这 渠务署 点 大学教师 不 确切地 预测 什么 的 去 在
在 这 空间 -填充 设计 点 , 但 他们 全部 做过 相对地 出色地 .
现在 我们 '二 去 到 缓和 复杂 .
现在 你 开始 到 看 一些 分离 .
它 的 得到 更难 到 模型 这 表面 .
再次 , I 'm 使用 这 间隔 的 0 .85 -1 .1 .
I 'm 寻找 在 这 y -轴 在 这 拉塞 分数 标准 偏差 的 预言 .
在 这 x -轴 , I 'm 寻找 在 坡 .
为了 Y1 , 使用 这 DSD 到 预测
这 空间 -填充 设计 点 作为 这 测试 放 .
这 仅有的 模型 那 真的 执行 出色地 是 这 神经 网络 和 一切 .
经过 这 方式 , 这 代码 是 神经网络 是 神经 网络 ,
H 是 数字 的 隐 节点 .
我们 有 模型 和 变化 级别 的 隐 节点
和 I 简单地 评估 拉塞 分数 和 坡 .
我们 去 到 更多的 复杂 .
现在 Y3 有 高的 复杂 .
它 是 难的 到 模型 .
这 最低 拉塞 分数 是 这 方法 你 看 在 这 降低 正确的 ,
但 你 能 看 那里 的 重大的 预言 偏见 .
I 毛毡 全面的 这 最好的 组合 的 低的 -偏见
和 拉塞 分数 是 神经 网络 , 特别 一 和 二十七 隐 节点 .
然后 最后 数字 四 是 高的 复杂 .
我们 合身 这 模型 到 这 DSD 和 应用 它 到 这 空间 -填充 点 .
I 没有 不 思考 任何 的 这 模型 做过 伟大的 .
全部 的 他们 显示 一些 预言 偏见 .
或许 这 最好的 表现 曾是 a 神经 网络 和 12 隐 节点 .
它 有 这 最低 拉塞 分数 , 但 仍然 , 那里 是 一些 问题 和 偏见 .
所以 那 的 一 战略 .
出色地 , 什么 如果 I 是 到 做 这 对面的 ?
I 合身 这 模型 到 这 空间 -填充 点
和 然后 申请 他们 到 这 边界 渠务署 点 .
再次 , 让 的 开始 和 这 最容易 案件 .
Y2 真的 做 . 它 的 a 漂亮的 简单的 回复 .
实际上 , 这 一切 方法 在 通用注册 使用 一切 和 向前 做过 非常 出色地 .
这 下一个 最好的 I 想法 曾是 a 神经 网络 和 10 .
记住， 那里 的 a 小的 少量 的 外推 去 在 这里 .
最后 , Y1 和 缓和 复杂 .
再次 , 仅有的 这 神经 网络 做过 出色地 .
作为 我们 去 向上 在 复杂 , 日益 只是 这 神经 网络 是 在职的。
你 '二 寻找 相似的 结果 为了 这 其他 方法 .
I 韩元 不 展示 全部 的 他们 , 他们 '关于 覆盖 在 这 笔记 .
但 这 一般的 结论 经过 这 方式 , 是
那 什么时候 你 使用 这 边界 点 作为 a 测试 放
或者 你 使用 这 空间 -填充 设计 作为 a 测试 放 和 尝试 到 预测 这 其他 ,
他们 '关于 只是 不是 正在做 作为 出色地 作为 他们 应该 .
在 其他 字 , 作为 I 说 早些时候 , 这 边界 点 ,
这 渠务署 点 和 这 空间 -填充 设计 点 ,
那里 是 差异 在 他们的 动能 行为 那 我们 '关于 不是 采摘 向上 .
这 仅有的 方式 我们 '关于 去 到 挑选 它 向上
是 到 实际上 合身 模型 超过 这 所有的 设计 空间 .
我们 做过 做 那 经过 这 方式 .
I 应该 只是 迅速地 展示 你 .
I 用过的 这 所有的 数据 和 我们 合身 模型 和 我们 实际上 做过 漂亮的 出色地 .
I 没有 不 展示 这 通过 —巴布洛克 连续下坡 .
I 将要 只是 迅速地 做 a 小的 更多的 工作 和 跳转 为了 那些 WHO 是 感兴趣的 .
这 通过 —巴布洛克 连续下坡 能 是 完毕 在 合身 Y 经过 X .
I 将要 承认 我们 写道 a 脚本
和 额外 它 到 这 预测 添加 -在 到 做 这 在 合身 Y 经过 X ,
但 你 能 容易地 做 它 你自己 .
这里 , 和 I '二 挑选 一 的 这 案例 , 是 这 渠务署 数据 和 I '二 挑选 Y1 .
如何 做过 我们 做 配件 模型 ?
如果 你 看 在 这 菜单 , 那里 的 这 通过 —巴布洛克 .
I 强烈 建议 你 看 在 它 .
A 很多 的 回归 问题 是 错误 在 变量 .
如何 做过 这 方法 做 它 全面的 ?
I 想 到 解释 某物 别的 .
这 橙子 点 是 这 DSD , 这 边界 .
这 蓝色的 点 是 这 空间 -填充 设计 点 .
这里 I 合身 模型 到 这 渠务署
和 这 通过 —巴布洛克 连续下坡 是 存在 合身 到 这 空间 -填充 设计 点 .
全面的 , 这 最好的 表现 曾是 转身 在 经过 这 DSD .
那里 的 一 的 他们 这里 .
它 的 塞伍德 6 .
其他 一 那 有 … I 忘记了 什么 它 曾是 .
让 我 扩大 这 出去 为了 你 .
十九 .
注意 这 坡 是 关闭 到 一 ,
但 你 能 清楚地 看 那里 是 一些 偏见 .
在 其他 字 , 你 能 看 一个 抵消 之间 这 已安装 坡
和 这 理想的 坡 , 这 虚线 蓝色的 线 .
这 是 漂亮的 典型的 全面的 .
I '二 只是 非常 迅速地 展示 你 .
如果 你 有 跳转 专业版 和 你 想 到 做 一切 使用 线性 模型 ,
只是 去 到 合身 模型 , 记起 .
这 是 a 满的 二次函数 模型 .
你 可以 做 其他的 .
去 到 通用注册 和 然后 在下面 估计 方法 .
那里 的 一切 向前 .
那里 的 全部 套索 .
这些 工作 非常 出色地 .
从 a 很多 的 工作 在 这些 方法 ,
I 仍然 寻找 全部 向前 给出 你 这 最好的 结果 .
这 套索 倾向 到 给 你 a 很多 的 有偏见 结果
在 测试 套 在 特别的 .
如果 你 '关于 感兴趣的 在 模型 平均 , 如果 你 有 跳转 标准 ,
只是 去 到 打 记起 再次 , 只是 去 到 这 逐步 平台 .
没有 不 做 它 . 逐步 .
I 韩元 不 跑步 它 .
它 将要 拿 也 长的 因为 模型 平均 用途 最好的 子集 回归 .
它 的 时间 -消耗 , 但 它 的 那里 .
再次 , 神经 网络 和 一切 ,
你 有 到 有 这 预言 添加- 在 到 做 那 .
那里 的 a 关联 到 它 如果 你 '关于 感兴趣的 .
在 这 观点 ,
I 'm 去 到 不是 做 也 很多 更多的 分析 .
再次 , 你 能 去 通过 和 看 在 这 各种各样的 连续下坡
为了 这 各种各样的 回应
和 你 能 看 许多 的 这些 方法 导致 在 高度 有偏见 连续下坡 .
在 其他 字 , 这 渠务署 点 和 这 空间 -填充 设计 是 也 不同的 .
我们 已经 真的 得到 到 理解 我们 需要 到 合身 模型
超过 这 全部的 设计 地区 .
在 这 观点 , I 'm 去 到 只是 结束 向上 .
经过 这 方式 , 那里 是 足够的 材料 这里，
和 I 做 有 基本上 许多 会谈 那 是 合并 进入 这里 .
I 道歉 , 但 I 思考 那里 的 一个 重要的 信息 这里 .
经过 这 方式 , I 'm 只是 显示 幻灯片 和 这 通过 —巴布洛克 连续下坡 .
然后 最后 , I 想 到 只是 给 你 一些 最终的 想法 .
I 思考 我们 真的 需要 一些 新的 思维 在 统计数据 .
我们 大学教师 不 有 到 扔 出去 一切 我们 已经 到过 正在做 .
I 'm 不是 说 那 .
这 最多 重要的 是 我们 是 在 这 时代 的 数字的 科学 .
数字的 化学 , 数字的 生物学 , 数字的 生物技术 是 这里 .
他们 '关于 不是 明天 . 我们 已经 得到 远的 更多的 自动化 .
很多 的 伟大的 ,
尤其 在 生物技术 , 飞行员 和 长椅 规模
设备 那 规模 很好 , 在哪里 我们 能 做 很多 的 实验 .
这 问题 是 复杂 .
我们 需要 到 思考 不同地 .
机器 学习 方法 通过 一切
是 非常 重要的 为了 配件 这些 复杂的 系统 .
我们 需要 到 得到 离开 从 这 回复 表面 方法
那 真的 避风港 不 改变 .
或许 我们 已经 得到 电脑 和 一些 新的 设计 .
I 思考 DSD 是 真的 非常 聪明的 .
我们 有 最佳的 设计 , 但 他们 遭受 从 这 事实 他们 '关于 边界 设计
和 人们 保持 坚持 在 满的 二次函数 模型 .
那 的 a 错误 , 作为 I 已经 尝试过 到 展示 简要地 在 这 讲话 ,
和 你 将要 是 有能力的 到 下载 这 讲话 ,
你 能 看 如何 很差 这些 方法 一般来说 做过 和 这 复杂的 回应 .
作为 远的 作为 I 'm 担心的 , 我们 需要 新的 类型 的 最佳的 设计 .
在 a 最低限度 , 这些 需要 到 容纳 a 很多 的 因素 .
帕蒂 , 经过 这 方式 , 没有 得到 进入 细节 , 有 跑步 a 渠务署 …
不是 a 渠务署 . 你 做过 空间 -填充 设计 和 18 运行 .
鉴于 他们 有 琥珀色 技术 可用的 ,
如果 你 知道 什么 那 是 , 他们 能 做 它 .
为什么 做 我们 需要 那 ?
因为 这些 系统 是 交互的 .
我们 需要 到 停止 思维 他们 '关于 a 次要的 部分 的 这 方程 .
主要的 效果 做 不是 描述 这 行为 的 a 复杂的 系统 .
它是 互动性 是 什么 驱动器 这 行为 .
我们 需要 到 覆盖 这 内部的 的 这 设计 地区 .
是的 , 我们 会 喜欢 到 覆盖 这 边界 也 .
我们 大学教师 不 想 到 是 指定 a 模型 .
最佳的 设计 要求 你 指定 什么 是 通常 a 满的 二次函数 模型 .
我们 需要 到 得到 离开 从 那 .
空间 -填充 设计 , 经过 这 方式 ,
是 最佳的 设计 那 做 不是 要求 a 模型 是 指定的 .
但 他们 '关于 不是 这 全部的 回答 .
我们 需要 到 覆盖 这 设计 空间 .
我们 需要 到 给 这 用户 a 很多 的 输入
那 会 是 科学家 在 如何 他们 分发 这 点 .
这 工作 的 周一 周一 和 安德森 -厨师 观点 这 方式 .
I 韩元 不 有 时间 到 得到 进入 那 .
那 的 其他 话题 .
我们 需要 到 是 有能力的 到 容易地 结合 我们的 设计 和 其他 数据 .
那 包括 工程 运行 , 良好生产规范 运行 ,
甚至 模型 从 部分的 微分 方程式 和 模拟 .
尤其 如果 你 想 到 得到 进入 数字的 双胞胎 ,
你 已经 得到 到 是 有能力的 到 做 那 使用 什么 I 称呼 元 模型 .
然后 最后 , 帕蒂 提及 这 , 所以 I 通缉 到 带来 它 向上 .
这 标准 实践 在 设计 的 实验 , 假设
那 不知何故 你 已经 得到 到 屏幕 出去 因素
是 实际上 a 真的 高的 -风险 , 不 -报酬 战略 在 复杂的 系统 .
你 将要 后悔 它 .
你 将要 有一天 , 在 a 之后 阶段 , 来 后退 和 有 到 重做 实验 工作 .
I 已经 见过 这 时间 和 再次 .
在 复杂的 系统 ,
这 主意 那 那里 是 积极的 和 不活跃 因素 是 简单地 错误的 .
他们 全部 事情 在 一些 等级 某处 在 这 设计 空间 .
坦白说 , 和 我们的 现代的 工具 , 你 大学教师 不 需要 到 做 它 反正 .
还 , 某物 别的 人们 做 反射性地 减少 线性 模型 .
我们 已经 显示 在 我们的 研究 在 一切 .
还 , a 好的 纸 经过 斯马克 , 爱德华兹 ,
和 我们 显示 减少 模型 降低 预言 .
为什么 ? 因为 你 '关于 制作 你的 模型 更硬 和 更硬 ,
它 的 不是 去 到 插 出色地 .
I 将要 停止 在 这 观点 和 那里 是 一些 参考 在 这 结尾 .
