現在有更多1頁的JMP指南隨著數據量的不斷增長，分析師，業務用戶和學生必須依靠日益複雜的技術從數據中提取有意義的，可操作的信息。 JMP 這證明他們不必為了預測能力而犧牲易用性：通過JMP，學生，教師和各種學科的專業人員都可以使用流行的數據挖掘和預測工具。
分區和逐步回歸平台可幫助用戶確定其數據中哪些解釋變量提供最多的洞察力，而主成分分析和因子分析等工具使用戶能夠更好地理解“廣泛”數據集（通常涉及數十甚至數據）數百個變量）通過構建一些新變量，在過程中失去很少的預測能力。JMP的預測工具，包括ARIMA和指數平滑模型，有助於預測系列的未來價值，鑑於其過去的價值。
現在，通過添加我們的單頁指南集，我們已經讓JMP的新用戶更容易利用這些技術的強大功能。學習圖書館 。這些單頁指南提供了使用JMP分析數據的說明，屏幕截圖和提示。已經發布了40多個，還有更多。最新增加的內容包括：
•分類樹
•回歸樹
•ARIMA模型
•平滑模型
•主成分分析
• 因子分析
•聚類
•逐步回歸
•判別分析
• 神經網絡
檢查出來，開始吧！
