I
想
到
感謝
這
跳轉
轉向
委員會
和
這
跳轉
主辦單位
為了 邀請 菲爾 和 我 到 來 和 展示 我們的 令人興奮的 演講
在 羧甲基纖維素鈉 , 一切 , 美國能源部 , 和 複雜 : 它 的 全部 關於 預言 .
想 到 開始 經過 感謝 博士 . 蒂芙尼 饒 , 她 的 到過 涉及 和 這 規劃
和 很多的 對話 為了 這 工作 那 我們 '關於 去 到 展示 今天 .
去 到 做 一個 概述 , 告訴 你 世界衛生組織 靈北 是 , 世界衛生組織 I 工作 為了 ,
和 然後 提供 這 背景
為了 這 美國能源部 那 我們 '關於 去 到 演講 關於 ,
哪個 是 過程 發展 為了 a 生物製劑 藥物 .
我們的 案件 學習 和 什麼 I 'm 正在做 在 傳統的
為了 什麼 I 已經 開始 到 做 為了 發展
是 開始 和 這 第一的 步 的 正在做 渠務署 為了 中 -晚的 階段 發展 ,
然後 跟隨 那 和 a 第二 步
的 正在做 增強 和 a 空間 -填充 設計 .
然後 我們 是 希望 到 證明 到 你 今天 那 為了 分析 那 一切
允許 我們 到 有 更好的 預言 為了 全部 的 這 工作 和 允許 我們 到 有
更好的 時間軸 為了 我們的 工作 那 我們 '關於 正在做 .
靈北 是 位於 …
我們 '關於 總部 在 哥本哈根 ,
我們 '關於 超過 6 ,000 僱員 在 超過 50 國家 ,
和 我們 是 奮鬥 到 是 這 數位 一 在 腦 健康 .
這 部分 的 這 公司 那 I 工作 和 是 這 羧甲基纖維素鈉 生物製劑
和 我們 '關於 基本上 位於 在 這 哥本哈根 區域
和 在 這 西雅圖 區域 在哪裡 I 'm 位於 .
讓 的 演講 關於 這 背景 為了 這 美國能源部 那 我們 '關於 去 到 展示 今天 .
這 過程 那 我們 想 到 發展 為了 藥物 物質 , 為了 這些 生物製劑 ,
我們 開始 和 a 細胞 的 小瓶 , 我們 拿 那些 出去 的 這 冰箱 ,
我們 然後 擴張 在 搖 燒瓶 , 去 大 進入 文化 包包 ,
或許 a 種子 生物反應器 , 然後 到 a 生產 生物反應器 .
那 生產 生物反應器 去 大約 二 週 .
我們 有 複雜的 養分 動態 ,
我們 有 PH 控制 , 溫度 控制 , 那裡 的 這 根據 那 我們 '關於 添加 .
一次 我們 結束 那 14 -天 生產 , 我們 需要 到 數位 出去 a 方式
到 得到 這 細胞 那 是 分泌 我們的 分子 進入 這 上清液 .
如何 做 我們 分離 這 細胞 從 這 產品 ?
那 收成 能 是 a 離心機 , 它 能 是 深度 濾 .
然後 我們 經過 它 在 到 我們的 下游 同事 .
他們 第一的 通常 做 a 捕獲 步 在哪裡 他們 '關於 得到 擺脫
的 最多 的 這 主持人 細胞 蛋白質 , 這 主持人 細胞 脫氧核糖核酸 .
但 然後 我們 需要 到 做 二 拋光 步驟 在哪裡 我們 '關於 然後 說 ,
「好的 , 什麼 是 這 產品 -有關的 雜質 ?
或許 那裡 的 不是 這 滿的 分子 那裡 , 所以 我們 有 到 得到 擺脫 的 那些 “
然後 最後 , 我們 有 到 製作 當然 , 透過 極端主義者 濾 和 滲濾
那 我們 能 轉移 進入 這 緩衝
那 它 的 去 到 是 什麼時候 它 是 已轉移 為了 這 病人 的 使用
和 它 的 也 在 這 正確的 專注 .
你 能 想像 , 每一個 步 沿著 這 方式 ,
那裡 是 許多 因素 ,
那裡 是 許多 旋鈕 那 我們 能 轉動 到 控制 這 過程 ,
製作 當然 那 它 的 強壯的
和 我們 '關於 製作 這 相同的 產品 每一個 時間 .
什麼時候 我們 '關於 專注 在 治療 這 病人 ,
我們 也 想 到 重點 在 這 商業 .
我們 能 不 放 全部 的 我們的 發展 資源 為了 每一個 分子 .
我們 想 到 正確的 -尺寸 這 研究 那 我們 '關於 正在做
在 這 正確的 階段 的 這 產品 .
那裡 的 許多 事物 那 可以 殺 a 產品 ,
但 如果 我們 能 發展 這 在 這 正確的 時間 和 這 正確的 空間
使用 這些 工具 從 跳轉 ,
我們 能 轉移 這 發展 時間軸 到 這 左邊
和 我們 能 也 減少 這 數量 的 資源
和 這 成本 到 這 公司 .
如果 我們 '關於 第一的 得到 a 分子 ,
那 的 什麼時候 你 '關於 去 到 開始 尋找 在 你的 分類 因素 .
我們 可能 是 正在做 這 細胞 線 篩檢 .
我們 想 到 製作 當然 那 我們 有 這 正確的 細胞 線
那 的 去 到 最後的 全部 這 方式 透過 商業化 .
為了 這 下游 團體 , 他們 可能 是 尋找 在 樹脂
為了 兩個都 上游 和 下游 ,
尋找 在 襪子 和 緩衝 成分 和 這 配方 的 那些 .
那 的 什麼時候 你 '關於 製作 當然 那 你 有 這 正確的 事物 ,
那 的 去 到 保持 你 去 透過 你的 發展 通路 .
但 然後 一次 你 '關於 在 這 診所 ,
現在 你 想 到 真的 開始 到 獲得 理解 的 這 過程 參數 .
我們的 策略 是 到 開始 和 a 發展 篩檢 設計
和 我們 想 到 是 大膽的 在 我們的 等級 設定 在 這 階段
和 I '二 演講 a 小的 位元 更多的 關於 那 之後 ,
為了 這 晚的 階段 發展 .
然後 我們 能 建造 在 什麼 我們 學到了 從 這 權威 篩檢 設計
經過 增強 那些 設計 和 空間 -填充 或者 其他 設計
所以 那 我們 真的 理解 那 設計 空間 .
什麼 的 不同的 那 我們 '關於 希望 到 展示 現在
比 傳統的 散步 透過 這 通路
是 那 在 這 過去的 , 我們 已經 到過 投擲 出去
這 因素 那 我們 已經 說 艾倫 不 重要的 .
但 和 現代的 設計 和 現代的 方法 的 正在做 分析 ,
我們 能 保持 全部 的 這 因素 和 全部 的 這 工作 那 我們 已經 完畢 所以 遠的
和 獲得 更好的 理解 的 這 所有的 過程 ,
尤其 和 生物製劑 那 是 相當 複雜的 .
前 I 經過 這 指揮棒 到 菲爾 , I 只是 通緝 到 演講 一 更多的 關於 …
讓 的 看 如果 I 能 …
I 'm 去 到 最小化 這 螢幕 只是 為了 a 分分鐘 所以 I 能 展示 你 這 .
這 是 一個 實驗 那 I 做過 到 證明 這 力量 的 美國能源部 為了 我的 老闆 .
這 滿的 數據 放 曾是 一個 災難 為了 PH , 和 這 回覆 曾是 更緊 .
我們 通緝 到 做 非常 許多 不同的 等級
在 a 寬的 範圍 因為 他 不是 不 當然 在 這 時間
那 我們 是 去 到 是 有能力的 到 挑選 什麼 這 最佳化 等級 曾是 .
但 什麼 I 通緝 到 展示 他 曾是 那 ,
「好的 , 我們 做過 這 實驗 , 我們 有 全部 的 這 數據 .
我們 是 有能力的 到 模型 在哪裡 這 最佳化 狀態 曾是 」
和 那 的 顯示 在 藍色的 ,
和 那 轉身 出去 到 是 這 正確的 案件 .
什麼時候 我們 經過測試 這 模型 , 那 曾是 這 最佳化 狀態 .
讓 的 假裝 現在 那 我們 '關於 開始 , 我們 大學教師 不 知道 那 數據 .
如果 我們 有 挑選 a 保守的 範圍 環境 為了 我們的 實驗 ,
我們的 噪音 到 訊號 會 是 相當 高的
和 所以 我們 會 有 錯過 發現 這 最佳化 點 .
但 如果 我們 有 挑選 a 更寬 範圍 在 我們的 設定
和 仍然 和 僅有的 三 點 ,
這 模型 仍然 會 有 選擇 這 最佳化 點 .
什麼 I 'm 去 到 挑戰 這 主題 事 專家
什麼時候 你 '關於 設計 你的 DSD 是 真的 是 大膽的 在 你的 範圍 環境 .
你 將要 仍然 尋找 這 最佳化 點
和 你 有 到 有 一些 知識 的 你的 過程 所以 那 你 能 完全的
這 設計 的 實驗
和 有 全部 的 這 運行 在 至少 有 足夠的 訊號
那 你 能 措施 和 然後 隨後 模型 .
一次 你 學習 從 你的 權威 篩檢 設計
更多的 關於 你的 設計 空間 , 你 能 來 後退
和 然後 你 能 是 內部的 到 那 空間 .
那 的 什麼時候 你 增強 和 a 空間 -填充 設計 .
現在 I 'm 去 到 經過 這 指揮棒 到 菲爾
和 他 的 去 到 拿 你 透過 這 分析 .
好的 , 感謝 你 . 感謝 你 , 派蒂 .
我們 '關於 去 到 演講 關於 a 非常 好的
和 有些 複雜的 實驗 那 派蒂 和 她 團隊 跑步 .
他們 做 a 很多 的 偉大的 工作 和 他們 '關於 大的 倡議者 的 美國能源部 和 跳轉
和 I 'm 非常 快樂的 他們 讓 我 得到 到 玩 和 他們 有時 .
它 的 迷人 工作 .
但 前 I 得到 進入 這 實際的 分析 ,
I 通緝 到 演講 關於 a 很少 相關的 概念
那 成員 的 這 觀眾 可能
或者 可能 不是 是 熟悉的 和 , 和 那 包括 複雜 .
它 的 a 真的 熱的 話題 出去 那裡 .
演講 關於 什麼 是 實際上 預言 .
那 是 a 混亂 概念 到 許多 人們 .
然後 從 那裡 , I '二 發射 進入 說 關於
如何 我們 分析 預言 和 如何 我們 做過 和 派蒂 的 實驗 .
複雜， a 同伴 命名 丹尼爾 飾面
從 倫敦 學校 的 經濟學， 書面 很多 關於 這
和 他 呼叫 它 「這 大象 在 這 房間 " 那 統計數據 和 許多 ,
什麼 他 呼叫 「元科學 」 是 忽略 和 他們 '關於 忽略 它 在 他們的 危險 .
I 韓元 不 得到 進入 a 很多 的 細節 .
你 能 看 他 向上 在 這 網際網路 , 他 有 a 很多 的 影片 和 文件 .
但 複雜 是 a 巨大的 問題 .
它 是 凝視 科學 和 統計數據
和 數據 科學 和 機器 學習 在 這 臉 和 它 需求 到 是 處理 和 .
在 展示 , 我們 '關於 不是 真的 處理 和 它 直接地 在 統計數據 .
經過 這 方式 , 那裡 是 現在 所有的 應用 數學 程式
基於 在 學習 複雜的 系統 .
我的 底部 線 是 , 複雜 是 真實的 .
複雜 需要 新的 思維 .
我們 真的 有 到 重新思考 美國能源部 和 分析 .
你 '關於 去 到 看 那 為了 複雜的 系統，
和 我們 也 有 到 理解 某物 別的 , 系統 理論 101 是
複雜的 系統 是 定義 經過 他們的 互動的 行為 .
在 觀點 的 事實 , 主要的 效果 是 實際上 甚至 誤導 .
你 有 到 不知何故 是 實驗
在 a 方式 那 你 能 捕獲 這 互動的 行為 ,
和 你 '關於 去 到 看 目前的 策略 落下 短的 的 那 目標 .
派蒂 的 已經 提及 這 羧甲基纖維素鈉 通路 .
無所不在 是 這 問題 的 複雜 更多的 明顯的 比 在 生物過程 .
你 有 複雜的 組合 的 生物學 和 化學 ,
和 互動 是 到處 .
什麼時候 I 演講 到 科學家 在 生物技術 ,
他們 知道 正確的 向上 正面 我們 '關於 處理 和 真的 複雜的 互動的 系統 .
但 第一的 , I 需要 到 觀點 出去 預言 .
如果 你 '關於 在職的 在 羧甲基纖維素鈉 發展 工作 , 它 的 全部 關於 預言 .
這 我 指引 那 是 用過的 經過 科學家 在 這 羧甲基纖維素鈉 發展 工作
大學教師 不 具體來說 說 預言 ,
但 如果 你 讀 什麼 他們 說 , 它 的 全部 關於 預言 .
基本上 , 你 '關於 大樓 流程 到 生產 生物製劑 ,
和 和 這 新的 細胞 和 基因 療法 ,
這些 流程 是 成為 無望地 複雜的 .
I 親自 依靠 沉重 在 這 科學家 到 解釋 它 到 我 ,
和 他們 '關於 這 人們 世界衛生組織 真的 製作 全部 這 決策 .
I 'm 這 幫手 , 和 I 'm 非常 快樂的 到 是 那裡 作為 部分 的 它 .
但 它 的 全部 關於 預言 .
那 是 不是 如何 許多 科學家 和 甚至 統計學家 ,
有 已查看 羧甲基纖維素鈉 工作 .
經過 這 方式 , 這 適用 到 全部 區域 的 科學 .
I 'm 專注 和 派蒂 在 這 羧甲基纖維素鈉 發展 通路 ,
但 預言 是 重要的 .
什麼 是 預言 ?
它 的 混亂 . 它 的 不是 清楚地 定義 在 學科 .
這裡 的 什麼 它 真的 是 和 如何 I 定義 它 .
它 的 a 措施 的 如何 出色地
模型 那 你 發展 插 超過 a 設計 地區 .
在 其他 字 , 我們 '關於 去 到 合身 a 模型 到 什麼 我們 稱呼 a 訓練 放 ,
和 然後 我們 需要 一些 方式 的 會心 如何 那 模型 會 申請
超過 這 所有的 設計 地區 .
在 羧甲基纖維素鈉 工作 , 尤其 晚的 階段 , 那 是 非常 重要的 .
你 是 有能力的 到 做 那 , 作為 許多 的 你 知道 .
你 真的 有 a 訓練 放 到 合身 這 模型 .
那 訓練 放 在 不 方式 能 評價 預言 .
I 知道 那裡 的 a 常見的 信仰
你 能 評價 預言 在 訓練 套 .
你 簡單地 能 不是 .
你 必須 有 a 測試 放 .
也 I '二 演講 a 小的 位元 關於 這 事實 在 處理 和 科學家 ,
和 a 很多 的 它 在 化學 和 生物製劑 .
再次 , I 做 a 很多 的 它 在 生物技術 ,
但 也 在 其他 區域 喜歡 電池 科技 , 材料 科學 .
它 是 成為 非常 明顯的 .
這 動力學 是 複雜的 .
他們 '關於 不斷地 改變 超過 設計 區域 .
這 動能 行為 那 你 看 大約 這 邊界
是 常 非常 不同的 從 什麼 的 正在發生 在 這 內部的 .
為什麼 做 這 事 ?
出色地 , 這 經典的 方法 到 回覆 表面 ,
甚至 包括 最佳的 設計 , 依賴 之上 什麼 I 稱呼 邊界 設計 .
幾乎 全部 的 你的 觀察 是 大約 這 邊界 的 這 設計 地區 .
在 觀點 的 事實 , 無論 人們 想 到 聽到 它 或者 不是 ,
這 中央 合成的 設計 ,
通常 用過的 在 回覆 表面 ,
是 關於 這 最差 設計 你 可以 思考 的 為了 預言 .
這 內部的 的 這 空間 是 空的 .
如果 你 合身 這些 模型 在 這 邊界 ,
和 然後 你 預測 什麼 的 正在發生 在 這 內部的 ,
它 的 不是 預言 , 它 的 猜測 .
你 大學教師 不 知道 . 你 有 不 數據 .
I 'm 去 到 展示 你 在 這 案件 學習 ,
你 '關於 大概 去 到 抵達 一些 錯誤的 結論 .
這 邊界 區域 , 的確 , 常 表現 非常 不同地 ,
和 我們 有 a 需要 到 重新考慮 我們的 方法 到 設計 .
其他 問題
在 回覆 表面 和 統計數據
是 這 無所不在 使用 的 滿的 二次函數 模型 .
他們 是 不是 充足的 到 模型 複雜的 回覆 表面 .
在 事實 , 他們 '關於 遠的 從 它 .
很遺憾 , I 得到 a 很多 的 反擊
從 統計學家 世界衛生組織 宣稱 它 是 好的 足夠的 .
我的 回答 是 , 「出色地 , 如果 你 實際上 使用 設計
那 有 充足的 內部的 點 ,
你 'd 迅速地 發現 他們 大學教師 不 合身 出色地 在 全部 .
再次 , 嘗試 到 措施 預言
在 這 內部的 的 a 設計 地區 使用 邊界 設計 是 徒勞無功 .
經過 這 方式 , 我的 好的 朋友 , 這 晚的 約翰 康乃爾大學 和 道格 蒙哥馬利 ,
已發布 a 紙 在 這 在 1998 , 和 I '二 是 有禮貌的 , 他們 是 被忽略 .
它 曾是 實際上 有些 更糟 比 被忽略 經過 這 統計數據 社群 .
他們 顯示 在 這 紙 那 滿的 二次函數 模型
是 只是 不是 充足的 到 覆蓋 a 設計 地區 .
派蒂 提及 一切 , 自己 -驗證 合奏 造型 .
它 的 一個 演算法 .
I 'm 一 的 這 公司 -開發人員 和 博士 . 克里斯 歌德瓦爾德 的 跳轉 ,
a 人 I 抓住 在 非常 高的 看待 .
I 韓元 不 得到 進入 這 演算法 經過 這 方式 ,
那裡 是 參考 在 這 結尾 在哪裡 你 能 去 和 學習 更多的 關於 它 .
它 有 到過 談論 關於 在 發現 會議 實際上 ,
去 全部 這 方式 後退 到 法蘭克福 在 2017 .
但 一切 是 一個 演算法 那 允許 你 到 申請 機器 學習 方法 .
機器 學習 方法 是 全部 關於 預測 造型 .
相信 我 , 人們 在 那 場地 知道 a 很多 更多的 比 你 可能 思考
關於 預言 和 申請 他們 到 數據 從 小的 套 喜歡 美國能源部 的 .
I 韓元 不 得到 進入 全部 .
它 的 a 所有的 新的 方式 的 思維 關於 大樓 預測 模型 ,
和 I 思考 它 的 在 它是 嬰兒期 ,
但 它 的 已經 證明 非常 強大的 和 有用 在 生物技術 .
讓 的 得到 到 這 實驗 .
這 是 實際上 a 雜交種 實驗 那 派蒂 和 她 團隊 創建 .
那裡 是 七 因素 和 那裡 是 十三 回應 .
但 到期的 到 時間 約束 , I 'm 僅有的 去 到 重點 在 四 ,
和 甚至 那 的 去 到 是 難的 到 得到 它 全部 在 .
這 數據 和 這 實驗 是 高度 所有權 .
I 做 感謝 靈北 和 派蒂 為了 實際上 允許 我們 到 使用
一個 匿名 版本 的 這 設計 .
I 有 a 很多 的 案件 研究 , 一些 的 他們 相似的 到 這 ,
和 這 人們 世界衛生組織 自己的 這 數據
不會 不 甚至 讓 我 討論 它 如果 I 匿名 它 .
那 曾是 非常 好的 的 他們 .
I 思考 我們 有 a 真的 重要的 故事 到 告訴 這裡 .
這 是 a 雜交種 設計 .
它 的 包括 的 a 19 -跑步 權威 篩檢 設計
大約 這 邊界 .
然後 它 有 16 空間 -填充 設計 在 這 內部的 .
那裡 是 中心 點 在 兩個都 部分 的 這 設計 .
如何 會 我們 分析 這 ?
出色地 , 什麼 I 想 到 做 是 討論 這 策略 的 分析 那 是 用過的 ,
這 演算法 那 是 用過的 , 和 製作 比較 到 一切 .
I '二 告訴 你 在 進步 , 一切 是 去 到 做 非常 出色地 .
然後 我們 '二 演講 關於 一些 的 這 問題 和 這 模型 他們自己
和 如何 我們 使用 他們 .
I 'm 去 到 做 什麼 最多 人們 現在 做 .
I 'm 去 到 拿 這 邊界 點 , 這 DSD ,
合身 模型 , 和 然後 申請 他們 到 這 空間 -填充 設計 作為 a 測試 放
和 看 如何 出色地 我的 模型 插值 .
步 二 , I '二 反向 這 過程 .
I '二 合身 模型 到 這 空間 -填充 點 ,
和 然後 I '二 使用 這 渠務署 作為 a 測試 放 和 看 如何 出色地 我的 模型
實際上 推論 a 小的 位元 到 這 邊界 .
三 是 a 常見的 策略 用過的 在 機器 學習 .
I 'm 去 到 使用 a 阻礙 測試 放 .
I 'm 去 到 拿 這 三十五 運行 和 休息 他們 向上 .
I 做過 這 在 a 方式 到 製作 他們 兩個都 相等的 作為 很多 作為 I 可以
進入 a 訓練 放 包含 兩個都 掃描流體動力學 (SFD) 和 渠務署 點 ,
和 然後 也 a 所有的 後退 測試 放 那 有 a 表示 的 兩個都 .
然後 最後 , 步 四 , 什麼 許多 人們 會 自動地 做 .
I '二 只是 合身 模型 到 這 所有的 數據 放 .
在 一般的 , I 大學教師 不 推薦 這 因為 那裡 的 不 方式 到 測試 這 模型 .
I 將要 說 向上 正面 ,
因為 我們 做 有 a 很多 的 空間 -填充 點 在 這 內部的 ,
I 'm 更多的 舒服的 和 這 方法 比 I 是 在 實踐 .
但 這些 , I 尋找 , 是 這 四 基本的 策略 那 會 是 用過的 .
如何 做 I 分析 它 ?
出色地 , 如果 你 有 a 渠務署 ,
人們 喜歡 到 使用 合身 權威 篩檢 ,
I '二 看 在 它 , 它 僅有的 適用 到 DSD .
誠實地 , 它 的 不是 真的 a 預測 造型 策略 ,
也不 做 他們 宣稱 它 是 .
但 I 尋找 人們 似乎 到 使用 它 那 方式 .
I '二 使用 向前 選擇 .
如果 你 知道 什麼 這 人工智慧 統計 是 , 我們 '二 做 那 在 一般註冊 , 在 跳轉 17 .
然後 我們 '二 看 在 某物 他們 有 在 一般註冊 那 的 非常 好的 .
那 是 這 一切 演算法 .
I 'm 去 到 使用 那 和 向前 選擇 .
然後 I 'm 去 到 看 在 某物 人們 可能 不是 知道 .
它 的 a 隱 寶石 在 跳轉 .
某物 稱為 移動 平均的 在 這 逐步 平台 .
約翰 掃羅 放 它 那裡 許多 年 前 .
I 思考 他 曾是 存在 非常 有洞察力 .
然後 我們 '關於 去 到 演講 關於 一切 和 神經 網路 .
基本上 , 不 軟體 做 這 .
I 有 工作 和 這 預言 ,
一些 的 你 知道 韋恩 萊文 和 預言 到 發展 一個 添加 -在 到 做 這 .
它 的 現在 這 僅有的 軟體 可用的 那 做 這 .
這 一切 添加 -在 曾是 用過的 到 做 這 神經 網路 .
I 韓元 不 得到 進入 這 添加 -在 特別 ,
I '二 只是 迅速地 展示 人們 在哪裡 這些 事物 是 .
然後 最後 I 說 這 第四 策略 曾是 用過的 到 抓住 數據 放
因為 I 得到 問 關於 這 全部 這 時間 .
I 只是 丟了 在 一些 K -叉 折疊 驗證 到 使用
和 這 一切 方法 和 一些 的 這 其他 方法 .
那些 是 這 方法 我們 '二 使用
和 為了 方法 喜歡 合身 權威 ,
向前 選擇 和 移動 平均的 方法 ,
我們 '二 認為 a 滿的 二次函數 模型 作為 那 是 這 傳統 .
這 其他 方法 , 再次 , 我們 '關於 去 到 使用 a 神經 網路
哪個 是 更多的 靈活的 .
那裡 是 四 回覆 和 這 是 真的 重要的 .
I 沒有 不 隨機 選擇 他們 .
那裡 是 四 的 他們 和 他們 各不相同 在 複雜 .
再次 , I '二 承認 這 是 主觀 .
那裡 是 不 國際上 得到正式認可的 措施 的 複雜
和 這 是 基於 之上 這 能力 到 模型 這 回應 .
再次 , 那裡 是 十三 回應 .
通常 , 在 羧甲基纖維素鈉 通路 工作 , 那裡 是 10 -20 , 或許 更多的 ,
最多 的 他們 批判的 品質 屬性 .
他們 是 重要的
和 他們 各不相同 之內 這 實驗 從 一些 是 相當 低的 在 複雜 ,
一些 是 非常 高的 , 非常 難的 到 模型 .
坦白說 , 在 那些 案例 ,
神經 網路 是 基本上 你的 僅有的 選項 .
所以 支付 注意力 到 這 因為 這 複雜
轉彎 出去 到 是 非常 重要的 在 如何 你 會 去 關於 造型 .
然後 這 問題 是 如果 I 'm 去 到 評價 預言 ,
出色地 , 如何 做 I 做 那 ?
記住 , I 更喜歡 預言 是 在 一個 獨立的 測試 放
和 新的 設定 的 這 因素 .
那 的 如何 我們 法官 插值 .
出色地 , 某物 稱為 這 根 平均的 方塊 錯誤
或者 拉塞 分數 是 非常 常見的 .
這 是 這 標準 偏差 的 預言 錯誤 .
再次 , 它 的 通常 用過的 到 法官 如何 出色地 你 預測 .
較小 是 更好的 , 明顯地 ,
但 那裡 是 a 問題 和 它 那 我們 已經 特別 裸露 ,
尤其 在 模擬 .
模型 和 低的 拉塞 分數 常 有 重大的 預言 偏見 在 他們 .
在 預言 , 那裡 真的 是 仍然 a 偏見 -方差 貿易 -離開 .
所以 如何 做 我們 評價 偏見 ?
出色地 , 那裡 的 不 同意 之上 方法 到 那 任何一個 .
但 這 最容易 方式 和 這 最多 視覺的 方式
是 實際的 經過 預測 劇情 在 a 測試 放 .
理想情況下 , 如果 你 是 到 合身 a 坡
到 這 實際的 與 -預測 陰謀 , I '二 展示 一個 例子 .
這 理想的 預言 方程式 那 a 坡 會 是 一 和 一個 截距 的 零 .
這 更遠 這 坡 是 從 一 , 這 更大 這 偏見 .
為了 目的 的 示範 , I 'm 去 到 放
a 規格 的 0 .85 -1 .15 和 a 目標 的 1 為了 這 坡 .
如果 你 能 停留 之內 那 範圍 ,
然後 I 'd 說 你 大概 有 可接受 金額 的 偏見 .
在 現實 那 發生 到 是 更多的 的 a 主題 事 問題 .
然後 最後 I 說 , 「出色地 , 你 能 合身 a 坡 到 這 實際的 與 -預測 陰謀 .
那裡 的 一個 額外的 問題 “
這 預測器 是 這 預測 價值觀 .
他們 有 a 很多 的 錯誤 在 他們 .
所以 這 是 實際上 一個 錯誤 和 變數 問題 ,
哪個 是 不是 通常 認可 .
但 跳轉 17 有 a 真的 好的 解決方案 .
它 的 稱為 這 透過 —巴布洛克 造型 演算法
和 它 的 到過 出色地 -已建立的 , 尤其 在 生物製藥 .
這 適合 a 坡 , 服用 進入 帳戶 錯誤 在 X , 這 預測器 .
所以 如何 做 它 工作 ?
出色地 , 它 適合 a 坡 .
如果 你 看 在 這 左邊 ,
你 '二 看 這 坡 是 關於 0 .5 . 我們 有 強的 偏見 .
那裡 的 a 很多 的 預言 偏見 .
什麼 I 真的 喜歡 在 這 應用 在 跳轉 , 他們 給 你 這 參考 線 .
這 虛線 藍色的 線 是 這 理想的 線 坡 的 一 , 截距 的 零 .
在 這 左邊 , 我們的 預測 模型 是 顯示 a 很多 的 偏見 .
它 的 系統地 不是 預測 這 回覆 .
到 這 正確的 , 是 a 案件 在哪裡 那裡 的 實際上 a 小的 數量 的 偏見
在 一般的 , 那 會 是 可接受 .
經過 這 方式 , 這些 是 挑選 作為 一 的 模型
那 有 相對地 低的 全面的 拉塞 分數 .
這些 是 稱為 這 透過 —巴布洛克 連續下坡
和 他們 是 不可缺少的 到 如何 I 評價 預言 ,
這 全面的 拉塞 和 這 連續下坡 .
什麼 I 'm 去 到 做 在 這 觀點 ,
I 'm 去 到 實際上 去 超過 到 跳轉 , 如果 你 大學教師 不 頭腦 .
I '二 製作 a 快的 改變 在 這 螢幕 這裡
和 I '二 製作 這 作為 大的 作為 I 能 為了 每個人 .
全面的 在 這 鍛鍊 ,
I 合身 關閉 到 140 模型 和 I 做過 他們 全部 單獨地 和 評估 他們 .
是的 , 它 拿了 相當 a 儘管
和 I 'm 去 到 展示 a 形象的 到 嘗試 到 總結 這 結果
為了 這 不同的 方法 .
I 'm 去 到 打開 a 圖形 建造者 腳本 .
I '二 製作 這 作為 大的 作為 I 可能 能 為了 每個人 .
I 'm 使用 一些 當地的 數據 過濾器 , 到 定義 這 展示 .
注意 我們 有 四 訓練 場景 .
I '二 開始 和 在哪裡 這 渠務署 是 這 訓練 放 .
我們 合身 模型 到 這 邊界
和 然後 我們 評價 他們 和 如何 他們 預測
這 空間 -填充 設計 點 .
Y2 是 這 簡單的 回覆 .
I 預期的 全部 方法 到 做 出色地 , 他們 做過 .
注意 I 放 這些 規格 限制 和 那 的 0 .85 -1 .15
全部 下跌 之內 那 允許 地區 .
二 的 這 方法 那 做過 出色地 ,
I 特別 喜歡 這 移動 平均的 ,
所以 它 做過 漂亮的 出色地 .
沒有任何 的 他們 有 a 坡 的 確切地 一 .
這 渠務署 點 大學教師 不 確切地 預測 什麼 的 去 在
在 這 空間 -填充 設計 點 , 但 他們 全部 做過 相對地 出色地 .
現在 我們 '二 去 到 緩和 複雜 .
現在 你 開始 到 看 一些 分離 .
它 的 得到 更難 到 模型 這 表面 .
再次 , I 'm 使用 這 間隔 的 0 .85 -1 .1 .
I 'm 尋找 在 這 y -軸 在 這 拉塞 分數 標準 偏差 的 預言 .
在 這 x -軸 , I 'm 尋找 在 坡 .
為了 Y1 , 使用 這 DSD 到 預測
這 空間 -填充 設計 點 作為 這 測試 放 .
這 僅有的 模型 那 真的 執行 出色地 是 這 神經 網路 和 一切 .
經過 這 方式 , 這 程式碼 是 神經網路 是 神經 網路 ,
H 是 數位 的 隱 節點 .
我們 有 模型 和 變化 等級 的 隱 節點
和 I 簡單地 評估 拉塞 分數 和 坡 .
我們 去 到 更多的 複雜 .
現在 Y3 有 高的 複雜 .
它 是 難的 到 模型 .
這 最低 拉塞 分數 是 這 方法 你 看 在 這 降低 正確的 ,
但 你 能 看 那裡 的 重大的 預言 偏見 .
I 毛氈 全面的 這 最好的 組合 的 低的 -偏見
和 拉塞 分數 是 神經 網路 , 特別 一 和 二十七 隱 節點 .
然後 最後 數位 四 是 高的 複雜 .
我們 合身 這 模型 到 這 DSD 和 應用 它 到 這 空間 -填充 點 .
I 沒有 不 思考 任何 的 這 模型 做過 偉大的 .
全部 的 他們 顯示 一些 預言 偏見 .
或許 這 最好的 表現 曾是 a 神經 網路 和 12 隱 節點 .
它 有 這 最低 拉塞 分數 , 但 仍然 , 那裡 是 一些 問題 和 偏見 .
所以 那 的 一 策略 .
出色地 , 什麼 如果 I 是 到 做 這 對面的 ?
I 合身 這 模型 到 這 空間 -填充 點
和 然後 申請 他們 到 這 邊界 渠務署 點 .
再次 , 讓 的 開始 和 這 最容易 案件 .
Y2 真的 做 . 它 的 a 漂亮的 簡單的 回覆 .
實際上 , 這 一切 方法 在 一般註冊 使用 一切 和 向前 做過 非常 出色地 .
這 下一個 最好的 I 想法 曾是 a 神經 網路 和 10 .
記住， 那裡 的 a 小的 位元 的 外推 去 在 這裡 .
最後 , Y1 和 緩和 複雜 .
再次 , 僅有的 這 神經 網路 做過 出色地 .
作為 我們 去 向上 在 複雜 , 日益 只是 這 神經 網路 是 在職的。
你 '二 尋找 相似的 結果 為了 這 其他 方法 .
I 韓元 不 展示 全部 的 他們 , 他們 '關於 覆蓋 在 這 筆記 .
但 這 一般的 結論 經過 這 方式 , 是
那 什麼時候 你 使用 這 邊界 點 作為 a 測試 放
或者 你 使用 這 空間 -填充 設計 作為 a 測試 放 和 嘗試 到 預測 這 其他 ,
他們 '關於 只是 不是 正在做 作為 出色地 作為 他們 應該 .
在 其他 字 , 作為 I 說 早些時候 , 這 邊界 點 ,
這 渠務署 點 和 這 空間 -填充 設計 點 ,
那裡 是 差異 在 他們的 動能 行為 那 我們 '關於 不是 採摘 向上 .
這 僅有的 方式 我們 '關於 去 到 挑選 它 向上
是 到 實際上 合身 模型 超過 這 所有的 設計 空間 .
我們 做過 做 那 經過 這 方式 .
I 應該 只是 迅速地 展示 你 .
I 用過的 這 所有的 數據 和 我們 合身 模型 和 我們 實際上 做過 漂亮的 出色地 .
I 沒有 不 展示 這 透過 —巴布洛克 連續下坡 .
I 將要 只是 迅速地 做 a 小的 更多的 工作 和 跳轉 為了 那些 世界衛生組織 是 有興趣的 .
這 透過 —巴布洛克 連續下坡 能 是 完畢 在 合身 Y 經過 X .
I 將要 承認 我們 寫道 a 腳本
和 額外 它 到 這 預測 添加 -在 到 做 這 在 合身 Y 經過 X ,
但 你 能 容易地 做 它 你自己 .
這裡 , 和 I '二 挑選 一 的 這 案例 , 是 這 渠務署 數據 和 I '二 挑選 Y1 .
如何 做過 我們 做 配件 模型 ?
如果 你 看 在 這 選單 , 那裡 的 這 透過 —巴布洛克 .
I 強烈 建議 你 看 在 它 .
A 很多 的 回歸 問題 是 錯誤 在 變數 .
如何 做過 這 方法 做 它 全面的 ?
I 想 到 解釋 某物 別的 .
這 橘子 點 是 這 DSD , 這 邊界 .
這 藍色的 點 是 這 空間 -填充 設計 點 .
這裡 I 合身 模型 到 這 渠務署
和 這 透過 —巴布洛克 連續下坡 是 存在 合身 到 這 空間 -填充 設計 點 .
全面的 , 這 最好的 表現 曾是 轉身 在 經過 這 DSD .
那裡 的 一 的 他們 這裡 .
它 的 塞伍德 6 .
其他 一 那 有 … I 忘記了 什麼 它 曾是 .
讓 我 擴大 這 出去 為了 你 .
十九 .
注意 這 坡 是 關閉 到 一 ,
但 你 能 清楚地 看 那裡 是 一些 偏見 .
在 其他 字 , 你 能 看 一個 抵銷 之間 這 已安裝 坡
和 這 理想的 坡 , 這 虛線 藍色的 線 .
這 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 跳轉 專業版 和 你 想 到 做 一切 使用 線性 模型 ,
只是 去 到 合身 模型 , 記起 .
這 是 a 滿的 二次函數 模型 .
你 可以 做 其他的 .
去 到 一般註冊 和 然後 在下面 估計 方法 .
那裡 的 一切 向前 .
那裡 的 一切 套索 .
這些 工作 非常 出色地 .
從 a 很多 的 工作 在 這些 方法 ,
I 仍然 尋找 一切 向前 給出 你 這 最好的 結果 .
這 套索 傾向 到 給 你 a 很多 的 有偏見 結果
在 測試 套 在 特別的 .
如果 你 '關於 有興趣的 在 模型 平均 , 如果 你 有 跳轉 標準 ,
只是 去 到 打 記起 再次 , 只是 去 到 這 逐步 平台 .
沒有 不 做 它 . 逐步 .
I 韓元 不 跑步 它 .
它 將要 拿 也 長的 因為 模型 平均 用途 最好的 子集 回歸 .
它 的 時間 -消耗 , 但 它 的 那裡 .
再次 , 神經 網路 和 一切 ,
你 有 到 有 這 預言 添加- 在 到 做 那 .
那裡 的 a 關聯 到 它 如果 你 '關於 有興趣的 .
在 這 觀點 ,
I 'm 去 到 不是 做 也 很多 更多的 分析 .
再次 , 你 能 去 透過 和 看 在 這 各種各樣的 連續下坡
為了 這 各種各樣的 回應
和 你 能 看 許多 的 這些 方法 導致 在 高度 有偏見 連續下坡 .
在 其他 字 , 這 渠務署 點 和 這 空間 -填充 設計 是 也 不同的 .
我們 已經 真的 得到 到 理解 我們 需要 到 合身 模型
超過 這 全部的 設計 地區 .
在 這 觀點 , I 'm 去 到 只是 結束 向上 .
經過 這 方式 , 那裡 是 足夠的 材料 這裡，
和 I 做 有 基本上 許多 會談 那 是 合併 進入 這裡 .
I 道歉 , 但 I 思考 那裡 的 一個 重要的 訊息 這裡 .
經過 這 方式 , I 'm 只是 顯示 幻燈片 和 這 透過 —巴布洛克 連續下坡 .
然後 最後 , I 想 到 只是 給 你 一些 最終的 想法 .
I 思考 我們 真的 需要 一些 新的 思維 在 統計數據 .
我們 大學教師 不 有 到 丟 出去 一切 我們 已經 到過 正在做 .
I 'm 不是 說 那 .
這 最多 重要的 是 我們 是 在 這 時代 的 數位的 科學 .
數位的 化學 , 數位的 生物學 , 數位的 生物技術 是 這裡 .
他們 '關於 不是 明天 . 我們 已經 得到 遠的 更多的 自動化 .
很多 的 偉大的 ,
尤其 在 生物技術 , 飛行員 和 長椅 規模
裝置 那 規模 很好 , 在哪裡 我們 能 做 很多 的 實驗 .
這 問題 是 複雜 .
我們 需要 到 思考 不同地 .
機器 學習 方法 透過 一切
是 非常 重要的 為了 配件 這些 複雜的 系統 .
我們 需要 到 得到 離開 從 這 回覆 表面 方法
那 真的 避風港 不 改變 .
或許 我們 已經 得到 電腦 和 一些 新的 設計 .
I 思考 DSD 是 真的 非常 聰明的 .
我們 有 最佳的 設計 , 但 他們 遭受 從 這 事實 他們 '關於 邊界 設計
和 人們 保持 堅持 在 滿的 二次函數 模型 .
那 的 a 錯誤 , 作為 I 已經 嘗試過 到 展示 簡要地 在 這 演講 ,
和 你 將要 是 有能力的 到 下載 這 演講 ,
你 能 看 如何 很差 這些 方法 一般來說 做過 和 這 複雜的 回應 .
作為 遠的 作為 I 'm 擔心的 , 我們 需要 新的 類型 的 最佳的 設計 .
在 a 最低限度 , 這些 需要 到 容納 a 很多 的 因素 .
派蒂 , 經過 這 方式 , 沒有 得到 進入 細節 , 有 跑步 a 渠務署 …
不是 a 渠務署 . 你 做過 空間 -填充 設計 和 18 運行 .
鑑於 他們 有 琥珀色 科技 可用的 ,
如果 你 知道 什麼 那 是 , 他們 能 做 它 .
為什麼 做 我們 需要 那 ?
因為 這些 系統 是 互動的 .
我們 需要 到 停止 思維 他們 '關於 a 次要的 部分 的 這 方程式 .
主要的 效果 做 不是 描述 這 行為 的 a 複雜的 系統 .
它是 互動性 是 什麼 驅動器 這 行為 .
我們 需要 到 覆蓋 這 內部的 的 這 設計 地區 .
是的 , 我們 會 喜歡 到 覆蓋 這 邊界 也 .
我們 大學教師 不 想 到 是 指定 a 模型 .
最佳的 設計 要求 你 指定 什麼 是 通常 a 滿的 二次函數 模型 .
我們 需要 到 得到 離開 從 那 .
空間 -填充 設計 , 經過 這 方式 ,
是 最佳的 設計 那 做 不是 要求 a 模型 是 指定的 .
但 他們 '關於 不是 這 全部的 回答 .
我們 需要 到 覆蓋 這 設計 空間 .
我們 需要 到 給 這 使用者 a 很多 的 輸入
那 會 是 科學家 在 如何 他們 散佈 這 點 .
這 工作 的 週一 週一 和 安德森 -廚師 觀點 這 方式 .
I 韓元 不 有 時間 到 得到 進入 那 .
那 的 其他 話題 .
我們 需要 到 是 有能力的 到 容易地 結合 我們的 設計 和 其他 數據 .
那 包括 工程 運行 , 良好生產規範 運行 ,
甚至 模型 從 部分的 微分 方程式 和 模擬 .
尤其 如果 你 想 到 得到 進入 數位的 雙胞胎 ,
你 已經 得到 到 是 有能力的 到 做 那 使用 什麼 I 稱呼 元 模型 .
然後 最後 , 派蒂 提及 這 , 所以 I 通緝 到 帶來 它 向上 .
這 標準 實踐 在 設計 的 實驗 , 假設
那 不知何故 你 已經 得到 到 螢幕 出去 因素
是 實際上 a 真的 高的 -風險 , 不 -報酬 策略 在 複雜的 系統 .
你 將要 後悔 它 .
你 將要 有一天 , 在 a 之後 階段 , 來 後退 和 有 到 重做 實驗 工作 .
I 已經 見過 這 時間 和 再次 .
在 複雜的 系統 ,
這 主意 那 那裡 是 積極的 和 不活躍 因素 是 簡單地 錯誤的 .
他們 全部 事 在 一些 等級 某處 在 這 設計 空間 .
坦白說 , 和 我們的 現代的 工具 , 你 大學教師 不 需要 到 做 它 反正 .
也 , 某物 別的 人們 做 反射性地 減少 線性 模型 .
我們 已經 顯示 在 我們的 研究 在 全部 .
也 , a 好的 紙 經過 史馬克 , 愛德華茲 ,
和 我們 顯示 減少 模型 降低 預言 .
為什麼 ? 因為 你 '關於 製作 你的 模型 更硬 和 更硬 ,
它 的 不是 去 到 插 出色地 .
I 將要 停止 在 這 觀點 和 那裡 是 一些 參考 在 這 結尾 .
