影片 1：關於貝葉斯優化用例的問題
Victor：或許我們可以分享一下平台上的使用者獲取功能，並開始解釋它們？
Yuliana：我注意到智慧AI提出了一種類似DOE+高斯過程的替代方法作為主動學習實驗流程。我仍然覺得，如果我們想要更快的速度，JMP上的BayesOpt表現更好，但我還是不明白為什麼…可能是因為它有更多採集函數吧。
答：這也取決於高斯過程的配置，以及 JMP 團隊所使用的採集功能是否有效。
影片 2：貝葉斯優化的一個可能應用場景
Victor：不要猶豫，可以混合使用不同的方法：例如，先從小規模的實驗設計（DOE）開始，然後再進行區塊優化（BO）。這種方法可能不適用於區塊優化或迭代區塊優化。
連結：
影片 3：受限實驗設計－不允許的組合、反應變數的限制、協變量
Victor：如果沒有難以更改的因素，並且每個批次運行多次，那麼在運行迴歸模型時，或許可以將「迭代」列用作一個區塊。
能否更改因素定義？不要使用 X1 和 X2 以及比率約束，而是使用比率和總量作為因素？
尤莉安娜：這個比率是線性限制（二元一次方程組）嗎？
有時我會使用可以快速獲得的反應作為因子（代替實際因子）來模擬更複雜的反應。
連結：
