Introducción a las 19 nuevas características de JMP con foco en la optimización bayesiana
Más información: https://www.jmp.com/es/software/new-release/new-in-jmp
Pregunta 1: Si no tenemos un conjunto de datos históricos, ¿podemos iniciar una optimización bayesiana?
Víctor: Sí, puedes comenzar con carreras de relleno de espacio para cubrir tu espacio experimental.
Jonás: Se necesita al menos una fila en un conjunto de datos, así como información inicial de las columnas. Agregará más ejecuciones para explorar más el espacio de diseño si comienza con solo una o pocas filas.
Sí, básicamente la plataforma necesita algunos metadatos e información de columnas para poder ejecutarse (al menos rol de diseño y codificación)
Vencedor: Yo empezaría primero con un diseño básico simple.
María: Tutorial para desarrolladores sobre optimización bayesiana: https://community.jmp.com/t5/Aprenda-JMP-Events/Tutorial-para-desarrolladores-Optimización-bayesiana/ev-p/894910?…
Vencedor: Puedes probar Diseños de alcance | Prisma para comprobar la variabilidad de tu respuesta y su variabilidad con respecto a los factores
Winfried : Ya lo dice el nombre: esto es especialmente útil si crees que puedes empezar a optimizar pronto. Si aún estás en las primeras etapas de comprensión de tu problema, utiliza otras herramientas de diseño, como factores de filtrado o diseños de relleno de espacio.
Vencedor:Complemento JMP de diseño de alcance DoE - Comunidad de usuarios de JMP
Winfried: ¡Ten en cuenta la tendencia temporal con cualquier método secuencial como BO! Recuerda por qué generalmente usamos la aleatorización.
Vencedor: También es importante destacar que DoE no es una metodología estática, de un solo diseño que responde a todas las preguntas; al igual que la Optimización Bayesiana, puede progresar mediante iteraciones, aumentando su diseño paso a paso: comience con un diseño de detección, aumente con efectos de orden superior, luego aumente con relleno de espacio... Las posibilidades son inmensas y puede combinar estos pasos con la Optimización Bayesiana.
Winfried: ¡Ten en cuenta la tendencia temporal con cualquier método secuencial como BO! Recuerda por qué generalmente usamos la aleatorización. 
Sí, no hay protección en BO como bloqueo u otros diseños robustos de tendencia temporal que podemos encontrar con DoE.
Vencedor: Resumen de los métodos de optimización: La evolución de los métodos de optimización | por Victor Guiller | Medium
Pregunta 2: ¿Existe una herramienta como el generador de perfiles de predicción que pueda utilizarse para espacios de diseño con muchos factores?
Vencedor: ¿Cuál es la dificultad práctica de usar Prediction Profiler para más de 6 factores? ¿Optimizar? Podrías reducir el espacio de factores según su importancia en tus respuestas.
Antonio: también podría reducirse en función del tamaño del efecto. La cuestión de la significancia práctica es que si algunos son muy bajos en comparación con otros, podría reducirlos al principio.
Vencedor: El PCA podría no funcionar bien utilizando factores independientes
Antonio: He usado PCA para reducir la dimensionalidad en Y. No lo he usado para múltiples x.
Vencedor: También puedes utilizar el Simulador, crear un nuevo conjunto de datos con predicciones y crear tus propias visualizaciones.
Pregunta 3: Inclusión de diferentes calidades de productos de materia prima de origen en los diseños del DOE.
¿Puede utilizar bloques aleatorios para asignar diferentes calidades de lotes/productos en sus ejecuciones de DOE?
Jonás: ¿Factores covariables tal vez?
Antonio: tratar como factor, covariable, bloquear, todo me viene a la mente como opciones
Manlio: Podrías usar bloqueos para diferentes materiales.
Vencedor: Depende de si desea evaluar el impacto del lote en la respuesta media frente a la respuesta de la varianza (efectos fijos frente a aleatorios en el modelo), qué tan representativas son estas cualidades del lote y sus objetivos.
Pregunta 4: ¿Cómo gestiona la optimización bayesiana la iteración de adición y eliminación de factores a medida que avanza el aprendizaje? Los factores de diseño y de ruido varían de un experimento a otro en mi flujo de trabajo actual. Me interesa saber cómo abordaría esto BayesOpt.
Recursos adicionales:
