스피커
|
성적 증명서
|
| 제이슨 위긴스, JMP |
알겠습니다. 준비가 되면 계속하세요. |
| |
좋아요. |
| |
모두들 안녕. |
| |
제 이름은 찰스 첸입니다. 오늘은 JMP 16을 사용하는 데이터 과학자를 위한 STEAMS 및 DMAIC 커리큘럼에 관한 흥미로운 주제에 대해 이야기하겠습니다. |
| |
우리는 세 명의 저자입니다. 메이슨 첸이 첫 번째입니다. 저는 두 번째 찰스이고 세 번째는 패트릭입니다. 우리는 Stanford Online High School STEAMS Club 출신입니다. Mason Chen은 고등학생이며 클럽 리더입니다. 그리고 저와 패트릭은 클럽의 고문입니다. |
| |
프로젝트 개요, 기회 설명, 학제간 STEAMS 방법론과 결합된 전통적인 식스 시그마 DMAIC 프로세스 |
| |
데이터 과학자가 빅 데이터 분야에서 더 큰 기여를 할 수 있도록 도울 수 있습니다. 그리고 우리의 프로젝트 목표는 고등학생을 위한 식스 시그마 데이터 과학 교육 커리큘럼을 개발하는 것입니다. |
| |
JMP 16 플랫폼을 DMAIC 단계에 매핑하여 업계 전문가에게 전달합니다. |
| |
시작하기 전에 청중은 궁금해할 수 있습니다. 식스 시그마는 전문가를 위한 것이고 데이터 과학자도 전문가입니다. |
| |
그렇다면 고등학생들에게도 이것을 언급하는 이유는 무엇입니까? 그래서 여기서 우리는 첫 번째 저자인 Mason Chen의 사례 연구를 사용하고자 합니다. |
| |
그의 많은 경험은 그가 10살 때 처음 시작되었습니다. 그는 데이터 과학자 교육을 받기 시작했고 IBM SPSS 및 Minitab 인증도 시도했습니다. |
| |
11살 때 IBM Modeler Data Mining 인증을 받았습니다. 그런 다음 그는 JMP로 옮겨 12 ~ 13 세 정도 공부했습니다. |
| |
그런 다음 JMP STIPS, DOE 및 인증 시험과 JMP 16 텍스트 마이닝도 있습니다. 그리고 올해 그는 선형 대수학도 마쳤습니다. |
| |
우리 프로그램을 통한 대학 과정 및 데이터 과학. 그래서 오늘은 그의 경험을 바탕으로 조언자, 우리가 소개하려고 하는 JMP 16을 어떻게 사용할 수 있는지에 대해 이야기할 것입니다. |
| |
Six Sigma 데이터 사이언스 프로그램을 만듭니다. 또한 Mason은 미래에 R로 이동하고 있습니다. 그는 R을 배우려고 노력했기 때문에 JSL 언어도 배울 수 있습니다. |
| |
그리고 그것은 메이슨이 2년 전 ASA 회의에 참석했을 때 찍은 사진입니다. |
| |
그래서 우리 프로젝트는 STEAMS와 DMAIC를 연결하려고 합니다. 따라서 STEAMS는 2017년부터 Mason 설립자 STEAMs 프로그램입니다. |
| |
전통적인 STEM 프로그램. 차이점은 무엇입니까? 그래서 과학, 기술, 공학, 수학은 여전히 똑같습니다. 알겠습니까? |
| |
하지만 우리는 인공 지능과 통계도 추가했고 [그래서] STEAMS가 되었습니다. 그리고 데이터 과학은 인공 지능, 수학 및 통계의 인기 있는 조합입니다. |
| |
그리고 전통적인 식스 시그마 DMAIC는 STEAMS 방법론에 상당히 잘 매핑됩니다. 가까운 생각을 많이 볼 수 있습니다. (??) 다른 문제 해결 도구 |
| |
DMIC에서. 그들은 또한 과학 분야나 엔지니어링, 문제 해결과 상당히 잘 연결됩니다. 그들은 데이터 사이언스를 통해 |
| |
STEAMS에서 DMAIC로 더 많은 것을 홍보할 수도 있습니다. 그래서 우리는 STEAMS 방법론을 기반으로 고등학생을 위한 Six Sigma 데이터 사이언스 프로그램을 개발할 수 있다고 생각합니다. |
| |
따라서 올 봄 초에 JMP 16이 출시된 후 첫 번째 단계는 모든 JMP 16 플랫폼을 살펴보고 식별하는 것입니다. |
| |
데이터 과학자에게 좋은 플랫폼은 무엇입니까? 그래서 우리는 3V(볼륨, 다양성 및 속도)라는 빅 데이터를 기반으로 합니다. |
| |
그리고 Graph Builder와 같이 데이터 사이언스 프로그램에 잘 맞을 수 있는 도구나 플랫폼인 3개의 V를 기반으로, |
| |
텍스트 탐색기, 테이블, 예측 모델링, 스크리닝, 다변량 방법, 클러스터링, 품질 방법, 문제 해결. 이제 이러한 모든 도구를 DMAIC 단계에 매핑할 것입니다. |
| |
또한 JMP 16 플랫폼 학습을 통해 이러한 JMP 도구의 배후에 있는 [들리지 않음]도 이해하려고 노력합니다. |
| |
그리고 우리는 데이터 과학 통계가 다음 모듈을 다룰 수 있음을 발견했습니다. 첫 번째는 MSA 또는 SPC와 같은 품질 및 신뢰성 엔지니어링을 위한 전통적인 DMAIC입니다. |
| |
그리고 다음은 식스 시그마를 위한 디자인이 될 것입니다. 대부분의 모델링, DOE 모델링, 몬테카를로 시뮬레이션, 강력한 허용 오차입니다. |
| |
그런 다음 선형 대수학이 주성분 분석이나 특이값 분해와 같은 데이터 과학에 매우 중요하다는 것을 알게 됩니다. 다음은 분류, 신경망, 파티션 또는 랜덤 포레스트를 포함한 데이터 마이닝입니다. |
| |
그리고 데이터 사이언스가 시간(?) 데이터를 다루기 위해서는 시계열이나 예측도 매우 중요하기 때문에 ARIMA 모델과 같은 것을 알아봅니다. |
| |
그리고 텍스트 마이닝은 구조화되지 않은 데이터에도 적합합니다. 그리고 설문조사와 소비자 조사도 고객의 목소리를 이해하는 데 매우 중요합니다. |
| |
또한 마케팅 세분화를 수행하는 방법. 따라서 JMP 플랫폼을 활용하려면 우리가 알아낸 이 모든 통계가 중요합니다. |
| |
그런 다음 매핑을 시도합니다. |
| |
이러한 모든 JMP 16 플랫폼을 기존의 Lean Six Sigma BB 모듈로 변환합니다. 그래서 우리는 전통적인 BB 모듈을 식별하고 세 가지를 개발합니다. |
| |
훈련 프로그램. 프로그램 A는 보다 전통적인 DMAIC Black Belt 교육 프로그램이며 관련 JMP 16 플랫폼입니다. 두 번째는 보다 현대적인 데이터 마이닝입니다. |
| |
[들리지 않음] 범주 데이터. 그래서 우리는 JMP 16 플랫폼을 각기 다른 교육 프로그램에 빠르게(?) 적용하려고 합니다. 그리고 학생이나 교육이 특별한 관심을 가질 수 있으므로 맞춤화할 수 있습니다. |
| |
그들의 특별한 관심과 분야. |
| |
이제부터 모든 도구 또는 개념을 DMAIC 단계에 매핑하려고 합니다. 첫 번째 단계는 정의 단계입니다. 정의 단계의 주요 개념은 고객의 목소리나 비즈니스의 목소리를 포함하여 문제 진술을 정의하는 것입니다. |
| |
또한 식스 시그마 언어로 특히 품질 CTQ에 중요한 요소에 대한 프로젝트 목표와 목표를 정의해야 합니다. |
| |
또한 성공 기준과 사양 제한을 정의해야 합니다. |
| |
또한 정의 단계에서 팀 구성은 형성, 공격, 정상화 및 공연에 매우 중요합니다. |
| |
그리고 데이터베이스 구축과 같은 관련 JMP 16 플랫폼. Query Builder는 매우 강력합니다. 데이터 시각화가 중요합니다. |
| |
데이터 마이닝은 고객을 클러스터링하려고 합니다. 시장 조사는 소비자 조사와 마찬가지로 마케팅 세분화를 시도합니다. 매우 중요합니다. 오른쪽에는 클러스터링을 사용하여 마케팅 세분화를 수행하는 방법에 대한 간단한 예가 있습니다. |
| |
클러스터링 선호도 분석. 고객을 그룹화한 다음 마케팅 우선순위에 대한 전략을 수립할 수 있습니다. |
| |
두 번째 단계는 측정 단계입니다. 주요 초점은 특히 대규모 제조 생산을 위한 공정 능력과 공정 안정성에 있습니다. |
| |
우리는 세 가지를 찾으려고 노력합니다. |
| |
JMP의 강력한 도구. 첫 번째는 목표 플롯입니다. 따라서 목표 플롯은 로트 간 공정 능력을 2차원으로 플롯할 수 있습니다. |
| |
다양한 색상의 영역을 통해 우리는 [들리지 않음]과 적합하지 않다는 것을 알고 있습니다. |
| |
중간 공정 성능 플롯은 공정 능력과 안정성을 결합하기 때문에 매우 강력합니다. 두 기준을 모두 통과할 수 있으면 왼쪽 상단에 있으므로 녹색을 의미합니다. 두 가지 기준에 모두 실패하면 왼쪽 아래 또는 오른쪽 아래에 있게 됩니다. |
| |
오른쪽에는 프로세스 기록 탐색기가 있어 모든 기록을 나열할 수 있습니다. |
| |
과거 실적. 그리고 이러한 목록을 통해 어떤 요인이 저조한 수율과 관련이 있는지 파악할 수 있습니다. |
| |
다음 단계는 분석 단계입니다. 분석 단계에서는 근본 원인 분석, 복잡한 데이터 세트 요약, 패턴 및 인사이트 시각화 및 발견, 중요한 요소 분리 및 스크리닝을 수행합니다. |
| |
이러한 Analyze 주제를 기반으로 피쉬본 다이어그램, Tabulate, Text Explorer, 다변량 기반 방법, 클러스터링, 범주형 응답 분석도 식별합니다. |
| |
이 슬라이드에서는 파레토 플롯을 소개하고자 합니다. JMP 16 Pareto plot은 2차원을 할 수 있어서 다양한 요인들 사이에서 더 많은 조합(??)이나 패턴 인식을 찾을 수 있습니다. |
| |
그리고 피쉬본 다이어그램은 항상 실시간으로 매우 강력하고 유용한 섹션 작업을 할 수 있습니다. |
| |
피쉬본 다이어그램을 디자인하거나 사용자 지정합니다. |
| |
데이터 요약의 경우 Tabulate를 적극 권장합니다. 마치 |
| |
Excel 피벗 테이블, [들리지 않음] 편리하고 강력한 |
| |
기술 통계도 추가할 수 있기 때문입니다. |
| |
중간에 텍스트 탐색기는 텍스트 데이터베이스를 분석하는 데 매우 강력하므로 키워드와 구문을 검색할 수 있으며 텍스트 마이닝을 데이터 마이닝으로 변환할 수도 있습니다. |
| |
오른쪽에는 여러 종류의 요인 간의 연관성을 찾기 위한 범주형 데이터가 있습니다. |
| |
그리고 서로 다른 색상은 서로 다른 종류의 변수를 나타냅니다. 따라서 어떤 쌍에 대해 서로 가깝고 원점에서 멀리 떨어져 있습니다. 이것이 높은 연관성에 대한 초점입니다. 이러한 변수들 사이에서 무언가 또는 어떤 종류의 통찰력을 알려줄 수 있습니다. |
| |
다음 단계는 개선 단계입니다. |
| |
개선 단계에서는 예측 모델을 구축하려고 합니다. 우리는 필요에 따라 새로운 실험을 설계하려고 노력합니다. 우리는 생산 품질을 향상시키기 위해 노력합니다. |
| |
예측 모델링을 위한 JMP 16 플랫폼과 관련하여 예측 프로파일러 또는 사용자 정의 프로파일러를 적극 권장합니다. 그리고 DOE, 우리는 할 수 있습니다 |
| |
다양한 종류의 맞춤형 DOE, 혼합 DOE 또는 DOE 확대를 사용할 수 있습니다. 기계 학습과 같은 특수 모델의 경우 JMP 신경망, 파티션 모델, 다양한 종류의 스크리닝이 있습니다. |
| |
설문 조사 및 소비자 연구를 위해, |
| |
JMP에는 선택 모델과 차이 최대화 설계 모델도 있습니다. |
| |
디자인 최적화를 위해, |
| |
왼쪽의 Prediction Profiler에서는 민감도 분석을 수행할 수 있습니다. Monte Carlo 시뮬레이션을 수행하여 부적합 [들리지 않음]을 시뮬레이션할 수 있습니다. |
| |
백분율. |
| |
중간에 모델에 많은 요인이 있는 경우 Custom Profiler는 많은 요인 중에서 최적의 모델을 찾는 데 좋은 선택이 될 것입니다. |
| |
오른쪽은 그룹 직교 과포화 DOE의 경우입니다. 이것은 다운스트림에 대한 옵션을 분석하기 위한 매우 강력한 DOE입니다. 그리고 그들은 비용을 줄이기 위해 DOE 실행 횟수를 최소화하기 위해 차단 요소 또는 개념을 사용합니다. |
| |
예측 모델의 경우 매우 강력한 신경망을 권장합니다. |
| |
변형하고 그것을 만들기 위해 최고의 모델을 찾으십시오. |
| |
더 높은 교육과 검증을 받으십시오 |
| |
적합. 파티션의 경우 이것은 이진 분할입니다. 따라서 그들은 데이터 세트를 여러 종류의 카테고리로 분할할 수 있습니다. |
| |
하이라이트는 또한 주요 기여를 결론짓는다(??). |
| |
설계 최적화를 위해 JMP 16에서 사용할 수 있는 일종의 스크리닝 플랫폼도 권장합니다. 오른쪽의 첫 번째는 응답 선별입니다. |
| |
JMP는 |
| |
예측 모델링이 얼마나 좋은지 확인하기 위한 FDR(오탐지율). 곡선이 더 낮게 유지된다면 괜찮습니다. |
| |
그것은 당신이 좋은 예측 모델링을 가지고 있다는 것을 의미합니다. 당신이 올라갈 때, 그것은 이 부분을 의미합니다, 당신은 좋은 예측 능력을 가지고 있지 않습니다. |
| |
가운데 하나는 프로세스 심사입니다. 따라서 모든 프로세스 매개변수를 볼 수 있습니다. 입력 매개변수일 수 있습니다. 산출물이 될 수 있습니다. |
| |
그리고 JMP는 녹색과 빨간색을 사용하여 업 시프트 또는 다운 시프트를 식별합니다. 따라서 녹색 또는 빨간색이 더 많이 표시되면 정책이 그다지 안정적이지 않다는 의미입니다. |
| |
오른쪽의 경우에도 매우 강력합니다. 모든 예측 변수 기여도의 순위를 매기므로 상위 몇 개 또는 우리가 중요한 소수라고 부르는 예측 변수를 먼저 제공합니다. 따라서 근본 원인을 찾거나 해결책을 찾을 수 있습니다. |
| |
소비자 조사를 위해 JMP는 디자인을 선택했습니다. |
| |
소비자를 돕기 위해 최고의 제품 또는 선택을 선택하는 방법. |
| |
차이를 최대화하기 위한 설계이며 이것은 다른 조사 설계이기도 합니다. 설문 조사를 위해 가장 선호하지 않는 항목을 선택합니다. 따라서 JMP는 모델을 실행하여 선호도의 순위를 매길 수 있습니다. |
| |
마지막 제어 단계에서는 [들리지 않음] 프로세스 제어를 확장하고, 장기간에 걸쳐 개선을 유지하며, 업스트림에서 다운스트림으로, 다변량 프로세스 제어를 수행합니다. |
| |
그리고 JMP 플랫폼은 고전적인 관리도, 시간에 민감한 관리도, 다변량 관리도가 될 것입니다. 소비자 조사는 다중 요인 분석이 될 것입니다. 분해, 평활화, ARIMA 모델 및 예측과 같은 시계열 분석도 있습니다. |
| |
왼쪽의 다변량 제어 차트의 경우 변화 지점 감지를 찾을 수 있습니다. 그래서 이것이 전과 후의 가장 큰 대비를 줄 포인트입니다. 그래서 이것들은 무슨 일이 일어났는지 또는 언제 가장 많이 일어났는지에 대한 근본 원인 분석입니다. |
| |
가장 큰 변화 포인트. 그 중심에는 T스퀘어가 있다. |
| |
모델 기반 제어 차트. 그러면 실패 모드가 표시됩니다. |
| |
OOC 포인트에 가장 많이 기여하는 매개변수가 무엇인지에 대한 분해. 오른쪽에는 다중 요인 분석이 있습니다. |
| |
고유값, 고유요인 분석을 기반으로 합니다. 그래서 이것은 친화도 다이어그램과 같습니다. 따라서 그들은 고유값, 고유 요인을 기반으로 유사한 요인을 함께 그룹화할 수 있습니다. |
| |
왼쪽의 시계열 분석을 위해 모델 진단을 수행할 수 있습니다. 따라서 추세 계절 및 순환 구성 요소를 식별할 수 있습니다. |
| |
중간에 ARIMA 모델을 사용하여 계절 또는 비계절 모델을 사용하여 데이터를 맞출 수 있습니다. 예측을 위해 미래 시점을 예측하기 위한 최적의 모델을 찾을 수 있습니다. |
| |
따라서 이 강연에서 얻을 수 있는 교훈은...전통적인 식스 시그마 DMAIC 및 학제간 STEAMS 방법은 리더십 및 팀 구성에 대한 데이터 과학자를 개발하는 데 도움이 될 수 있습니다. |
| |
최신 JMP 16 플랫폼은 DMAIC 단계에 매핑되어 데이터 과학 분야에서 식스 시그마 프로젝트를 배포하는 데 도움이 됩니다. 데이터베이스 관리, 응용 엔지니어링, 통계, 데이터 마이닝 및 텍스트 마이닝은 모두 오늘날의 데이터 과학적 분석에 매우 중요합니다. |
| |
이것으로 오늘 프레젠테이션을 마치겠습니다. 시간 내주셔서 대단히 감사합니다. |
