Optimisation de l'IA dans JMP Pro ByTorchSalut tout le monde,
Est-il possible d'utiliser le modèle d'apprentissage en profondeur JMP Pro Torch pour l'utiliser pour l'optimisation de l'IA pour les paramètres de processus.
Si c'est le cas, quelles sont toutes les techniques d'IA disponibles dans JMP Pro Torch Deep Learning ?
S'il vous plaît, suggérez.
Modélisation prédictive et apprentissage automatiqueRé: Optimisation de l'IA dans JMP Pro ParTorchSalut @Sankaramuthu ,
Désolé, mais je ne comprends pas exactement ce que vous souhaitez faire :
- Vous souhaitez utiliser l'optimisation bayésienne via des bibliothèques Python pour l'optimisation ? Si oui, il existe plusieurs bibliothèques disponibles, ou vous pouvez utiliser en attendant le module complémentaire Bayesian Optimization développé par @yuichi_katsumur . L'optimisation bayésienne devrait être intégrée dans JMP 19 : Optimisation bayésienne DoE
- Si vous souhaitez utiliser le Deep Learning pour l'analyse et la prédiction de formats de données complexes/riches (données texte/image), vous pouvez utiliser le module complémentaire Torch Deep Learning pour JMP® Pro développé par @russ_wolfinger . Des vidéos et tutoriels supplémentaires sont disponibles sur la page du module complémentaire Torch.
Si vous pouvez être plus précis sur votre projet, le type de données, les objectifs, le contexte, ... cela peut grandement améliorer la qualité et la pertinence des réponses que vous recevrez. Si possible, vous pouvez également joindre certaines données aux explications, afin que les gens puissent essayer et recommander différentes approches.
J'espère que ce premier sujet de discussion pourra vous aider,
Ré: Optimisation de l'IA dans JMP Pro ParTorchMerci @Victor_G pour la réponse immédiate.
Je dois effectuer l'optimisation des paramètres du processus pour la fabrication additive afin de réduire l'erreur dimensionnelle.
Je recherche donc une option d’optimisation de l’IA dans l’apprentissage en profondeur de JMP Pro Torch.
J'ai des données continues comme facteur et réponse.
Ré: Optimisation de l'IA dans JMP Pro ParTorchOk, ces très petites informations pour vous aider.
Voici quelques questions (liste non exhaustive, merci de fournir autant de contexte et d'informations que possible ! Merci de lire Obtenir rapidement les bonnes réponses aux bonnes questions ) :
- De combien de points de données, de facteurs et de réponses disposez-vous ?
- Dans quelle mesure vos données sont-elles représentatives du problème à résoudre ? Quelle est l'ampleur des plages ? S'agit-il uniquement de données d'observation (données de production) ? Pouvez-vous peut-être ajouter des données expérimentales à vos données de production (les données de production ayant souvent des plages plus étroites que les données expérimentales/DOE, ce qui peut rendre l'optimisation plus difficile à trouver/réaliser) ?
- Comment sont mesurées les réponses ? Quel est le degré de fiabilité/de bruit des équipements de mesure ? Connaissez-vous la variabilité de vos équipements de mesure ?
- Quelle est l'amélioration de la réponse attendue ? Quelle est la plage de réponses observée ?
- Quel est votre objectif ? Optimisation uniquement, ou également meilleure compréhension du système et évaluation comparative de l'impact des facteurs ?
- Quelles analyses avez-vous déjà essayées ? Pourquoi les analyses ne sont-elles pas suffisantes dans JMP/JMP Pro ? La plupart des problèmes de performances dans la modélisation en Machine Learning sont souvent dus à des problèmes de qualité des données, très rarement à un manque de complexité du modèle. Utiliser des réseaux de neurones pour des données tabulaires revient vraiment à " tuer une mouche avec un marteau-pilon" : la plupart du temps, les modèles plus simples s'en sortent bien.
- Quels sont vos critères d'évaluation de modèle ?
- Etc...
J'espère que vous pourrez fournir plus d'informations,
Ré: Optimisation de l'IA dans JMP Pro ParTorchBonjour @Sankaramuthu ,
Pour compléter les excellentes réponses de @Victor_G , quelques réflexions supplémentaires :
1. Si toutes vos données sont tabulaires, XGBoost est une bonne alternative potentielle et dispose d'un auto-régulateur d'hyperparamètres intégré. Il est disponible sur marketplace.jmp.com avec Torch Deep Learning.
2. Torch, XGBoost et d'autres plates-formes de modélisation prédictive disposent de profileurs que vous pouvez exécuter à partir du triangle rouge après avoir ajusté un modèle, puis utiliser la fonctionnalité Maximiser la désirabilité sur vos paramètres de processus.
3. Gardez un œil sur certaines présentations pertinentes la semaine prochaine au JMP Discovery Summit à Berlin.
