베이지안 최적화에 초점을 맞춘 JMP 19의 새로운 기능 소개
추가 정보: https://www.jmp.com/ko/software/new-release/new-in-jmp
질문 1: 과거 데이터 세트가 없으면 베이지안 최적화를 시작할 수 있나요?
승리자: 네, 실험 공간을 덮기 위해 Space-Filling 실행으로 시작할 수 있습니다.
조나스: 데이터 세트에 최소 한 행과 초기 열 정보가 필요합니다. 행이 하나 또는 몇 개뿐인 경우, 더 많은 실행을 추가하여 설계 공간을 더 탐색할 수 있습니다.
네, 기본적으로 플랫폼을 실행하려면 일부 메타데이터와 열 정보가 필요합니다(최소한 디자인 역할 및 코딩).
승리자: 먼저 간단한 기본 디자인부터 시작하겠습니다.
마리아: 베이지안 최적화에 대한 개발자 튜토리얼: https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Bayesian-Optimization/ev-p/894910?…
승리자: Scoping Designs | Prism을 사용하여 응답의 변동성과 요인에 대한 변동성을 확인할 수 있습니다.
윈프리드 : 이름 그대로입니다. 특히 최적화를 곧 시작할 수 있다고 생각된다면 매우 유용합니다. 문제를 이해하는 데 아직 초기 단계라면 스크리닝 팩터나 공간 채우기 디자인과 같은 다른 디자인 도구를 사용해 보세요!
승리자:범위 설계 DoE JMP 추가 기능 - JMP 사용자 커뮤니티
빈프리드: BO와 같은 순차적 방법을 사용할 때는 시간 추세를 염두에 두세요! 우리가 일반적으로 무작위 추출을 사용하는 이유를 기억하세요!
승리자: 또한 DoE가 정적인 단일 설계로 모든 질문에 답하는 방법론이 아니라는 점을 강조하는 것이 중요합니다. 베이지안 최적화와 마찬가지로 단계별로 설계를 증강하여 반복을 통해 진행할 수 있습니다. 즉, 스크리닝 설계로 시작하여 고차 효과로 증강한 다음 공간 채우기로 증강합니다. 가능성은 엄청나며 이러한 단계를 베이지안 최적화와 결합할 수 있습니다.
빈프리드: BO와 같은 순차적 방법을 사용할 때는 시간 추세를 염두에 두세요! 왜 우리가 일반적으로 무작위 추출을 사용하는지 기억하세요! 
네, BO에는 DoE에서 찾을 수 있는 블로킹이나 기타 시간 추세에 따른 견고한 설계와 같은 보호 기능이 없습니다!
승리자: 최적화 방법 개요 : 최적화 방법의 진화 | Victor Guiller | Medium
질문 2: 여러 요소가 있는 설계 공간에 사용할 수 있는 예측 프로파일러와 같은 도구가 있나요?
승리자: 6개 이상의 요인에 대해 예측 프로파일러를 사용하는 데 있어 실질적인 어려움은 무엇입니까? 최적화는 어떻게 됩니까? 응답에서 요인의 중요도에 따라 요인 공간을 줄일 수 있습니다.
앤서니: 효과 크기에 따라서도 줄일 수 있습니다. 실질적인 유의성 문제입니다. 다른 것에 비해 효과가 매우 낮은 경우 처음부터 줄일 수 있습니다.
승리자: PCA는 독립 요인을 사용하면 제대로 작동하지 않을 수 있습니다.
앤서니: Y의 차원을 줄이는 데 PCA를 사용했습니다. 여러 x에는 사용하지 않았습니다.
승리자: 시뮬레이터를 사용하여 예측을 포함한 새로운 데이터 세트를 만들고, 나만의 시각화를 만들 수도 있습니다.
질문 3: DOE 설계에 다양한 시작 재료 제품 품질을 포함합니다.
DOE 실행 전반에 걸쳐 다양한 배치/제품 품질을 할당하기 위해 무작위 블록을 사용할 수 있나요?
조나스: 공변량 요인일까요?
앤서니: 요인으로 취급, 공변량, 차단 등 모든 것을 옵션으로 생각하게 됨
만리우스: 다양한 재료에 대해 차단을 사용할 수 있습니다.
승리자: 배치가 평균 반응 대 분산 반응(모델의 고정 효과 대 임의 효과)에 미치는 영향을 평가하려는지, 이러한 배치 품질이 얼마나 대표적인지, 목표에 따라 달라집니다.
질문 4: 베이지안 최적화는 학습 과정에서 요인 추가 및 제거의 반복을 어떻게 처리합니까? 현재 제 워크플로에서는 설계 및 노이즈 요인이 실험마다 달라집니다. BayesOpt에서는 이 문제에 어떻게 접근하는지 궁금합니다.
추가 자료:
