Vídeo 1: Pregunta sobre casos de uso de la optimización bayesiana
Víctor: ¿Quizás podríamos compartir las funciones de adquisición en la plataforma y empezar a explicarlas?
Yuliana: Observo que la IA con agentes propone una especie de DOE sustituto + proceso gaussiano como flujo de trabajo de aprendizaje activo para la experimentación. Sigo teniendo la impresión de que BayesOpt en JMP funciona mejor si queremos ir más rápido, y aún no entiendo por qué... probablemente haya más funciones de adquisición.
Respuesta: Depende también de la configuración del proceso gaussiano y de la eficacia de las funciones de adquisición utilizadas por el equipo de JMP.
Vídeo 2: Posible caso de uso para la optimización bayesiana
Víctor: No dudes en combinar enfoques: empieza con diseños de experimentos pequeños y continúa con optimización bayesiana, por ejemplo. Puede que no sea apropiado con bloqueo o bloqueo con iteración.
Campo de golf:
Vídeo 3: Diseño de experimentos restringido: combinaciones no permitidas, restricciones en las respuestas, covariables.
Víctor: Si no tienes factores difíciles de cambiar y tienes varias ejecuciones por lote, tal vez puedas usar la columna "iteración" como un bloque al ejecutar un modelo de regresión.
¿Puedes cambiar la definición de los factores? En lugar de tener X1 y X2 y una restricción en la proporción, ¿puedes usar la proporción y la cantidad total en tus factores?
Yuliana: ¿La razón es una restricción lineal (sistema de 2 ecuaciones lineales)?
A veces utilizo respuestas que se pueden obtener rápidamente como factores (en lugar de factores reales) para modelar respuestas más complejas.
Campo de golf:
