扬声器
|
成绩单
|
| 杰森威金斯，JMP |
好的，准备好了就去吧。 |
| |
好的。 |
| |
大家好。 |
| |
我的名字是查尔斯·陈。 今天我们将讨论一个有趣的话题，关于使用 JMP 16 的数据科学家的 STEAMS 和 DMAIC 课程。 |
| |
我们是三位作者。 陈美森是第一个。 我是查尔斯，第二个，帕特里克是第三个。 我们来自斯坦福在线高中STEAMS俱乐部。 Mason Chen 是一名高中生，是俱乐部的领导者。 我和帕特里克是俱乐部的顾问。 |
| |
项目概述、机会陈述、传统的 6 Sigma DMAIC 流程，结合跨学科的 STEAMS 方法论 |
| |
可以帮助数据科学家在大数据领域做出更大的贡献。 我们的项目目标尝试为高中生开发六西格码数据科学培训课程 |
| |
通过将 JMP 16 平台映射到 DMAIC 阶段，一直到行业专业人士。 |
| |
在我们开始之前，观众可能会好奇，嘿，六西格码是专业的，数据科学家也是专业的。 |
| |
那么我们怎么也为高中生提到这一点呢？ 所以在这里我们想使用我们的第一作者 Mason Chen 的案例研究。 |
| |
他的许多经验首先开始于他 10 岁。 他开始接受数据科学家培训，并尝试认证 IBM SPSS 和 Minitab。 |
| |
在他 11 岁时，他获得了 IBM Modeler Data Mining 认证。 然后他搬到 JMP，学习大约 12 或 13 岁。 |
| |
然后是 JMP STIPS、DOE 和认证考试以及 JMP 16 文本挖掘。 而今年，他现在也完成了线性代数的原因 |
| |
大学课程和数据科学通过我们的计划。 所以今天，我们要根据他的经验谈谈，还有顾问，我们尝试介绍，我们如何使用JMP 16 |
| |
创建六西格码数据科学计划。 而且 Mason 将来会转向 R。 他尝试学习R，所以他也可以学习JSL语言。 |
| |
那是梅森两年前参加 ASA 会议时的照片。 |
| |
所以我们的项目尝试连接STEAMS和DMAIC。 所以STEAMS是梅森创始人STEAMs计划大约2017年从 |
| |
传统的 STEM 项目。 那么有什么区别呢？ 所以科学、技术、工程、数学还是一样的，明白吗？ |
| |
但是我们添加了人工智能和统计数据，[所以它] 变成了 STEAMS。 数据科学是人工智能、数学和统计学的流行组合。 |
| |
传统的 6 Sigma DMAIC 与 STEAMS 方法的映射相当好，相当好。 你可以看到很多仔细的思考。 (??) 其他一些解决问题的工具 |
| |
来自 DMAIC。 它们也很好地映射到科学领域，甚至工程，解决问题。 有了数据科学，他们 |
| |
甚至可能更多地从STEAMS 推广到DMAIC。 这就是我们认为我们可以基于 STEAMS 方法为高中生开发六西格码数据科学计划的方式。 |
| |
所以第一步，一旦 JMP 16 在今年春天早些时候发布，我们就会查看所有 JMP 16 平台并确定 |
| |
哪些平台可能对数据科学家有益？ 所以我们基于大数据的三个 Vs - 数量、种类和速度。 |
| |
而且，基于三个 V，它们是可能非常适合数据科学程序的工具或平台，例如 Graph Builder， |
| |
文本资源管理器、表格、预测建模、筛选、多元方法、聚类、质量方法、问题解决。 现在我们要将所有这些工具映射到 DMAIC 阶段。 |
| |
此外，通过学习 JMP 16 平台，我们还尝试了解这些 JMP 工具背后的 [音频不清晰]。 |
| |
我们发现数据科学统计可能涵盖以下模块。 第一个，用于质量和可靠性工程的传统 DMAIC，例如 MSA 或 SPC。 |
| |
接下来将是六西格玛的设计，大部分用于建模、DOE 建模、蒙特卡罗模拟、鲁棒容差。 |
| |
然后我们发现线性代数对于数据科学非常重要，例如主成分分析或奇异值分解。 接下来是数据挖掘，包括分类、神经网络、分区或随机森林。 |
| |
时间序列或预测对于数据科学处理时间（？）数据也非常重要，因此我们发现了诸如 ARIMA 模型。 |
| |
文本挖掘也适用于非结构化数据。 由于客户的声音，调查和消费者研究也非常重要。 |
| |
另外，如何进行营销细分。 因此，我们发现的所有这些统计数据对于使用 JMP 平台都至关重要。 |
| |
然后我们尝试映射 |
| |
所有这些 JMP 16 平台都适用于传统的精益六西格码 BB 模块。 所以我们确定了传统的 BB 模块，我们开发了三个 |
| |
培训计划。 计划 A 是更传统的 DMAIC 黑带培训计划，这些是与之相关的 JMP 16 平台。 第二个是更现代的数据挖掘 |
| |
[听不清] 分类数据。 因此，我们尝试将 JMP 16 平台加速 (?) 用于每个不同的培训计划。 并且因为学生或培训，他们可能有特别的兴趣，所以我们可以定制 |
| |
他们的特殊兴趣和领域。 |
| |
从现在开始，我们将尝试将所有工具或概念映射到 DMAIC 阶段。 第一个阶段是定义阶段。 定义阶段的主要概念是尝试定义问题陈述，包括客户的声音或业务的声音。 |
| |
而且，我们需要用六西格码语言定义项目目标和目标，特别是关于质量 CTQ 的关键。 |
| |
他们还需要定义成功标准和任何规格限制。 |
| |
同样在定义阶段，团队建设对于形成、风暴、规范和执行非常重要。 |
| |
以及相关的 JMP 16 平台，如构建数据库。 查询生成器非常强大。 数据可视化很重要。 |
| |
数据挖掘尝试对客户进行聚类。 市场调研，和消费者调研一样，尝试做市场细分；这是非常重要的。 右侧是关于我们如何使用聚类进行营销细分的简单示例。 |
| |
聚类亲和力分析。 我们可能可以将客户分组，然后尝试制定关于营销优先级的策略。 |
| |
第二阶段是测量阶段。 主要关注过程能力和过程稳定性，特别是对于大规模制造生产。 |
| |
我们试图找到三个 |
| |
来自 JMP 的强大工具。 第一个是目标图。 因此，目标图可以将批次间的过程能力绘制成两个维度。 |
| |
通过不同的颜色区域，我们知道 [听不清] 并且它不适合。 |
| |
中间过程性能图也非常强大，因为它们结合了过程能力和稳定性。 如果它可以通过这两个条件，您将位于左上角，因此表示为绿色。 如果您不符合这两个条件，您将位于左下角或右下角。 |
| |
右侧是流程历史浏览器，因此他们可以列出所有历史 |
| |
过去的表现。 通过这种列表，您可以确定哪些因素与产量低下相关。 |
| |
下一阶段是分析阶段。 在分析阶段，根本原因分析，总结复杂的数据集，可视化和发现模式和见解，隔离和筛选重要因素。 |
| |
基于这些分析主题，我们还确定了鱼骨图、制表、文本资源管理器、基于多变量的方法、聚类以及分类响应分析。 |
| |
对于这张幻灯片，我们想介绍帕累托图。 JMP 16 Pareto plot，他们可以做二维，所以他们可以找到更多的组合（??）或不同类型因素之间的模式识别。 |
| |
鱼骨图总是一个非常强大和有用的实时、部分工作，你可以。 |
| |
设计或定制鱼骨图。 |
| |
对于数据汇总，我们强烈推荐使用 Tabulate。 它像是 |
| |
Excel 数据透视表，[听不清] 方便而强大 |
| |
因为他们还可以添加描述性统计数据。 |
| |
中间，文本资源管理器对文本数据库的分析非常强大，所以他们可以搜索关键字和短语，然后我们甚至可以将文本挖掘转换为数据挖掘。 |
| |
右侧是分类数据，用于查找不同类型因素之间的关联。 |
| |
并且不同的颜色，它们呈现出不同种类的变量，所以对于任何一对它们彼此靠近而远离原点，这就是高度关联的重点；这可能会告诉您这些变量中的某些内容或某种见解。 |
| |
下一阶段是改进阶段。 |
| |
对于改进阶段，我们尝试构建预测模型。 我们尝试根据需要设计新的实验。 我们努力提高生产质量。 |
| |
关于用于预测建模的 JMP 16 平台，我们强烈推荐使用 Prediction Profiler 或自定义 Profiler。 和能源部，我们可以 |
| |
有不同种类的自定义 DOE、混合 DOE，甚至 DOE 增强。 对于专门的模型，比如机器学习，对，我们有 JMP 神经网络、分区模型，还有不同种类的筛选。 |
| |
对于调查和消费者研究， |
| |
JMP 有选择模型，也有最大差异设计模型。 |
| |
对于设计优化， |
| |
在左侧，即预测刻画器，我们可以进行敏感性分析。 我们可以进行蒙特卡罗模拟，因此我们可以模拟不合格的 [听不清] |
| |
百分比。 |
| |
在中间，如果我们在模型中有很多因素，那么 Custom Profiler 将是在这么多因素中找到最佳模型的不错选择。 |
| |
在右侧，对于群正交过饱和 DOE。 这是分析下游选项的非常强大的 DOE。 他们使用阻塞因子或概念来最小化 DOE 运行的次数，以降低成本。 |
| |
对于预测模型，我们将推荐一个神经网络，一个非常强大的 |
| |
转换并尝试找到最好的模型来实现它 |
| |
获得更高的训练和验证 |
| |
健康。对于分区，这是一个二进制拆分。 所以他们可以把数据集分成不同种类的类别，所以他们可以 |
| |
亮点也总结了（??）的主要贡献。 |
| |
对于设计优化，我们还推荐了 JMP 16 中可用的某种筛选平台。 右手边的第一个是响应筛选。 |
| |
JMP 使用 |
| |
FDR，误检率，用于确定您的预测建模有多好。 所以如果你的曲线保持较低，好的，并且 |
| |
这意味着你有很好的预测模型。 当你上升时，这意味着这部分，你没有很好的预测能力。 |
| |
对于中间一个，是过程筛选。 所以你可以看到所有的工艺参数。 它可以是输入参数。 它可以是输出可交付成果。 |
| |
JMP 使用绿色和红色来识别升档或降档。 因此，如果您看到更多绿色或红色，则表示您的政策不是很稳定。 |
| |
对于右手边，也很强大。 它对所有预测变量的贡献进行排名，因此它们会首先为您提供前几个，或者我们称之为重要的少数预测变量。 因此，您可以找到根本原因或找到解决方案。 |
| |
对于消费者研究，JMP 有选择设计 |
| |
帮助消费者，如何挑选他们最好的产品或选择。 |
| |
对于最大化差异设计，这也是另一种调查设计。 对于调查，您选择最不受欢迎的项目。 因此 JMP 可以运行模型来对您的偏好进行排序。 |
| |
对于最后一个控制阶段，[听不清] 扩大过程控制，长期保持改进，从上游到下游，多变量过程控制。 |
| |
然后JMP平台将是经典控制图、时间敏感控制图、多元控制图。 消费者研究将是多因素分析。 还有时间序列分析，如分解、平滑和 ARIMA 模型和预测。 |
| |
对于左侧的多元控制图，我们可以找到变化点检测。 所以这点会给你最大的前后对比。 所以这些是[听不清]关于发生了什么或什么时候发生最多的根本原因分析， |
| |
最大的变化点。 中间是T广场。 |
| |
模型驱动控制图。 所以这会给你失败模式， |
| |
分解对 OOC 点贡献最大的参数是什么。 右侧是多因素分析。 |
| |
基于特征值，特征因子分析。 所以这就像一个亲和图。 因此，他们可以根据特征值、特征因子将相似的因子组合在一起。 |
| |
对于左侧的时间序列分析，他们可以进行模型诊断。 因此他们可以识别趋势季节性和周期性成分。 |
| |
在中间，他们可以使用 ARIMA 模型来拟合使用季节性或非季节性模型的数据。 对于预测，他们可以找到最佳模型来预测未来点。 |
| |
所以这次演讲的要点是……传统的六西格码 DMAIC 和跨学科的 STEAMS 方法可以帮助培养数据科学家的领导力和团队建设。 |
| |
现代 JMP 16 平台映射到 DMAIC 阶段，以帮助在数据科学领域部署 6 Sigma 项目。 数据库管理、应用工程、统计、数据挖掘和文本挖掘对于当今的数据科学分析都至关重要。 |
| |
我们今天的演讲到此结束，非常感谢您抽出宝贵时间。 |
