当我们在学校,我们可能认为,科学和数学主要是关心提供明确的答案。亚博老虎机网登录但是成熟的科学家和工程师知道很少会出现这种情况。
固有的不确定性是几乎每一个系统的研究和实验。它可能来自自然散射实验结果,限制在测量方法的精度,错误在执行测量,或需要推断从完整数据。
图片来源:Intellegens有限
我们还需要处理机器学习(ML)的不确定性。从ML模型预测将不确定的部分原因是固有的分散在训练数据,从有限的数据和部分原因是模型构建。
接受这种不确定性是很重要的,而不是期待完全消除它。它需要被理解、量化和做出更好的决策。
事实上,不确定性是积极的。就像一条直线穿过所有图表揭示了简单的系统描述,包含可以忽略不确定性模型是不可能非常有用的或有见地。它是困难和复杂的问题,不确定性,这些问题是有价值的解决。
毫升专家Intellegens每照顾确保中忠实地量化预测的不确定性Alchemite™算法。该算法扩展了传统的方法,在最坏的情况下,真的不估计的不确定性,而是假定正态分布,或只捕捉一个许多贡献的总体不确定性。
准确的量化成为可能,例如,确定一个实验成功的可能性,这样用户可以针对相应的实验工作。
Intellegens全封闭,Gareth管道博士介绍了一些有趣的新研究从他的团队在剑桥大学在最近的一次网络研讨会。工作由管道博士和他的团队在拥抱不确定性一点点走远。
它侧重于具体的设计,测量与材料相关的许多参数出现“吵了。”
而不是简单地量化的不确定性,这使得工作机器学习方法学习的噪声数据,发现在一个特定的物理参数的不确定性可能会用来帮助预测混凝土强度。
提出了两个新的混凝土混合结果的工作,随后创建,然后发现像预测的那样,扩大商用混合的性质。
如果我们寻找一些确定性的这是机器学习可以做一些有趣的事情在化学品和材料。亚博网站下载但只有如果你采取正确的方法不确定性!
这些信息已经采购,审核并改编自Intellegens有限公司提供的材料。亚博网站下载
在这个来源的更多信息,请访问Intellegens有限。