Optimización de IA en JMP Pro ByTorchHola a todos,
¿Es posible utilizar el modelo de aprendizaje profundo JMP Pro Torch para usarlo en la optimización de IA para los parámetros del proceso?
Si es así, ¿cuáles son todas las técnicas de IA disponibles en el aprendizaje profundo de JMP Pro Torch?
Por favor sugiera.
Modelado predictivo y aprendizaje automáticoRe: Optimización de IA en JMP Pro ByTorchHola @Sankaramuthu ,
Lo siento, pero no entiendo exactamente qué te gustaría hacer:
- ¿Quieres utilizar la optimización bayesiana a través de bibliotecas de Python para la optimización? Si es así, hay varias bibliotecas disponibles, o puedes utilizar mientras tanto el complemento de optimización bayesiana desarrollado por @yuichi_katsumur . La optimización bayesiana debería estar integrada en JMP 19: optimización bayesiana DoE
- Si desea utilizar el aprendizaje profundo para el análisis y la predicción de formatos de datos complejos o enriquecidos (datos de texto o imágenes), puede utilizar el complemento Torch Deep Learning para JMP® Pro desarrollado por @russ_wolfinger . Hay algunos videos y tutoriales adicionales disponibles en la página del complemento Torch.
Si puedes ser más específico sobre tu proyecto, tipo de datos, objetivos, contexto, etc., puedes mejorar en gran medida la calidad y la relevancia de las respuestas que recibirás. Si es posible, también puedes unir algunos datos con las explicaciones, para que la gente pueda probar y recomendar diferentes enfoques.
Espero que este primer inicio de discusión pueda ayudarte.
Re: Optimización de IA en JMP Pro ByTorchGracias @Victor_G por la respuesta inmediata.
Tengo que realizar la optimización de los parámetros del proceso de fabricación aditiva para reducir el error dimensional.
Por lo tanto, buscamos opciones de optimización de IA en el aprendizaje profundo de JMP Pro Torch.
Tengo datos continuos como factor y respuesta.
Re: Optimización de IA en JMP Pro ByTorchBueno, esta es una pequeña información para ayudarte.
A continuación se presentan algunas preguntas (no se trata de una lista exhaustiva, ¡proporcione la mayor cantidad de contexto e información posible! Lea Cómo obtener respuestas correctas a las preguntas correctas rápidamente 
- ¿Cuántos puntos de datos, factores y respuestas tienes?
- ¿Qué tan representativos son sus datos para el problema a resolver? ¿Qué tan grandes son los rangos? ¿Son solo datos de observación (datos de producción)? ¿Quizás pueda agregar datos experimentales a sus datos de producción (ya que los datos de producción a menudo tienen rangos más estrechos que los datos experimentales/DOE, lo que puede hacer que la optimización sea más difícil de encontrar/realizar)?
- ¿Cómo se miden las respuestas? ¿Qué fiabilidad y ruido tienen los equipos de medición? ¿Conoce la variabilidad de sus equipos de medición?
- ¿Cuál es la mejora de respuesta esperada? ¿Cuál es el rango de respuesta observado?
- ¿Cuál es su objetivo? ¿Sólo optimización o también mejor comprensión del sistema y evaluación comparativa del impacto de los factores?
- ¿Qué análisis has probado ya? ¿Por qué los análisis no son suficientes en JMP/JMP Pro? La mayoría de los problemas de rendimiento en el modelado de aprendizaje automático suelen deberse a problemas de calidad de los datos, muy raramente a que el modelo no tiene la suficiente complejidad. El uso de redes neuronales para datos tabulares es realmente " matar una mosca con un mazo": la mayoría de las veces, los modelos más simples funcionan bien.
- ¿Cuales son sus criterios de evaluación de modelos?
- Etc...
Ojalá puedas aportar más información.
Re: Optimización de IA en JMP Pro ByTorchHola @Sankaramuthu ,
Para agregar a las excelentes respuestas de @Victor_G , un par de pensamientos más:
1. Si todos sus datos son tabulares, XGBoost es una buena alternativa potencial y tiene un sintonizador automático de hiperparámetros integrado. Está disponible en marketplace.jmp.com junto con Torch Deep Learning.
2. Torch, XGBoost y otras plataformas de modelado predictivo tienen perfiladores que puedes ejecutar desde el triángulo rojo después de ajustar un modelo y luego usar la funcionalidad Maximizar deseabilidad sobre los parámetros de tu proceso.
3. Esté atento a algunas presentaciones relevantes la próxima semana en JMP Discovery Summit en Berlín.
