| Eingang | Wozu dient sie? | Point de départ |
| Machine learning | Ajuster un modèle prédictif de Y quantitatif ou qualitatif en fonction de plusieurs X. | Une grille de données existante. |
| Optimierung | Trouver le réglage qui satisfait au mieux plusieurs réponses à la fois, à partir des modèles ajustés. | Un ou plusieurs modèles. |
| Bayesianische Optimierung | Atteindre l’optimum en un minimum d’essais : le module propose les essais initiaux et suivants au fur et à mesure. | Rien — des facteurs et leurs bornes. |
| Mischoptimierung | Même principe, pour une formulation dont les composants somment à 100 %. | Rien — des composants et leurs bornes. |
💡 Les deux premières entrées travaillent sur des données acquises, les deux dernières pilotent l’acquisition. Le raccourci utile : si vous pouvez encore décider quels essais réaliser, les modules d’optimisation séquentielle vous feront économiser des essais ; si les essais sont faits, c’est Machine Learning. Il est possible d’introduire des essais déjà réalisés dans l’optimisation bayesienne, mais à condition que ces essais couvrent correctement le domaine. De même il est possible de partir de mélanges existants à condition que ces mélanges respectent la conditions « Somme des proportions = 1 »
⚠️ Les quatre entrées exigent un Projekt sélectionné. Machine Learning et Optimisation lisent en plus une Raster ; les deux modules d’optimisation séquentielle sont autonomes et gardent leurs données dans l’étude elle-même.