Introduzione alle nuove funzionalità di JMP 19 con focus sull'ottimizzazione bayesiana
Ulteriori informazioni: https://www.jmp.com/it/software/nuova-versione/novità-in-jmp
Domanda 1: Se non disponiamo di un set di dati storici, possiamo avviare un'ottimizzazione bayesiana?
Vincitore: Sì, puoi iniziare con le esecuzioni Space-Filling per coprire il tuo spazio sperimentale
Giona: Richiede almeno una riga in un set di dati, oltre ad alcune informazioni iniziali sulle colonne. Aggiungerà altre esecuzioni per esplorare una parte più ampia dello spazio di progettazione nel caso in cui si inizi con solo una o poche righe.
Sì, fondamentalmente la piattaforma ha bisogno di alcuni metadati e informazioni sulle colonne per poter funzionare (almeno ruolo di progettazione e codifica)
Vincitore: Inizierei prima con un semplice design di base
Maria: Tutorial per sviluppatori sull'ottimizzazione bayesiana: https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Bayesian-Optimization/ev-p/894910?…
Vincitore: Puoi provare Progetti di ambito | Prism per verificare la variabilità della tua risposta e la sua variabilità rispetto ai fattori
Winfried : È il nome stesso: è particolarmente utile se ritieni di poter iniziare presto a ottimizzare. Se sei ancora all'inizio del processo di comprensione del problema, usa altri strumenti di progettazione, come i fattori di screening o i progetti di riempimento dello spazio!
Vincitore:Componente aggiuntivo DoE JMP per la definizione dell'ambito di progettazione - Community di utenti JMP
Winfried: Prestate attenzione all'andamento temporale con qualsiasi metodo sequenziale come BO! Ricordate perché generalmente utilizziamo la randomizzazione!
Vincitore: È anche importante sottolineare che DoE non è una metodologia statica, con un unico progetto che risponde a tutte le domande; come l'ottimizzazione bayesiana, è possibile procedere per iterazioni, ampliando il progetto passo dopo passo: iniziare con un progetto di screening, ampliare con effetti di ordine superiore, quindi ampliare con il riempimento dello spazio... Le possibilità sono immense e si possono combinare questi passaggi con l'ottimizzazione bayesiana.
Winfried: Fate attenzione all'andamento temporale con qualsiasi metodo sequenziale come BO! Ricordate perché generalmente usiamo la randomizzazione! 
Sì, non c'è alcuna protezione in BO come il blocco o altri design robusti basati sul trend temporale che possiamo trovare con i DoE!
Vincitore: panoramica dei metodi di ottimizzazione: l'evoluzione dei metodi di ottimizzazione | di Victor Guiller | Medium
Domanda 2: Esiste uno strumento come il profiler di previsione che si potrebbe utilizzare per progettare spazi con molti fattori?
Vincitore: Qual è la difficoltà pratica nell'utilizzare Prediction Profiler per più di 6 fattori? Ottimizzare? Potresti ridurre lo spazio dei fattori in base all'importanza dei fattori nelle tue risposte.
Antonio: si potrebbe ridurre anche in base alla dimensione dell'effetto. La questione della significatività pratica. Se alcuni sono molto bassi rispetto ad altri, si potrebbe ridurre inizialmente su quelli.
Vincitore: la PCA potrebbe non funzionare bene utilizzando fattori indipendenti
Antonio: Ho usato PCA per ridurre la dimensionalità in Y. Non l'ho usato per più x.
Vincitore: Puoi anche usare il simulatore, creare un nuovo set di dati con previsioni e creare le tue visualizzazioni.
Domanda 3: Includere diverse qualità di prodotto dei materiali di partenza nei progetti DOE.
È possibile utilizzare blocchi casuali per allocare diverse qualità di lotti/prodotti nelle diverse fasi del DOE?
Giona: Forse fattori covariati?
Antonio: trattare come un fattore, covariare, bloccare tutto mi viene in mente come opzioni
Manlio: potresti usare il bloccaggio per materiali diversi
Vincitore: Dipende se vuoi valutare l'impatto del lotto sulla risposta media rispetto alla risposta della varianza (effetti fissi rispetto a quelli casuali nel modello), quanto sono rappresentative queste qualità del lotto e i tuoi obiettivi
Domanda 4: In che modo l'ottimizzazione bayesiana gestisce l'iterazione di aggiunta e rimozione di fattori durante il percorso di apprendimento? I fattori di progettazione e rumore cambiano da esperimento a esperimento nel mio flusso di lavoro attuale. Sono curioso di sapere come BayesOpt affronterebbe questo aspetto.
Ulteriori risorse:
