扬声器
|
成绩单
|
| 贾森·维金斯，JMP |
好吧，准备好了就继续吧。 |
| |
好的。 |
| |
大家好。 |
| |
我叫查尔斯·陈。 今天我们将讨论一个有趣的话题，涉及使用 JMP 16 为数据科学家提供的 STEAMS 和 DMAIC 课程。 |
| |
我们是三位作者。 陈梅森是第一个。 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 STEAM 俱乐部。 陈梅森 (Mason Chen) 是一名高中三年级学生，也是俱乐部的队长。 我和帕特里克是俱乐部的顾问。 |
| |
项目概述、机会声明、传统的六西格码 DMAIC 流程以及跨学科的 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。 我们的项目目标是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 相，一直向行业专业人士提供帮助。 |
| |
在开始之前，观众可能会好奇，嘿，六西格码是专业人士的，数据科学家也是专业的。 |
| |
那么为什么我们也向高中生提及这一点呢？ 所以在这里我们想使用我们的第一作者 Mason Chen 的案例研究。 |
| |
他的许多经历第一次开始是在他10岁时。 他开始接受数据科学家培训，并尝试认证IBM SPSS和Minitab。 |
| |
当他 11 岁时，他获得了 IBM Modeler Data Mining 认证。 然后他转到JMP，大约12、13岁就读。 |
| |
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 |
| |
通过我们的项目提供大学课程和数据科学。 那么今天，我们要根据他的经验，还有顾问，我们尝试介绍一下，我们如何使用JMP 16来 |
| |
创建六西格码数据科学计划。 梅森未来也将转向 R。 他尝试学习R，这样他也可以学习JSL语言。 |
| |
这是梅森两年前参加 ASA 会议时的照片。 |
| |
所以我们的项目尝试连接STEAMS和DMAIC。 所以STEAM是Mason创始人2017年左右发起的STEAMs计划 |
| |
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？ |
| |
但我们添加了人工智能和统计数据，[所以它]变成了蒸汽。 数据科学是人工智能、数学和统计学的流行组合。 |
| |
传统的 6 西格码 DMAIC 与 STEAMS 方法相当好地对应。 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，甚至工程领域，解决问题。 借助数据科学，他们 |
| |
甚至可能会更多地从 STEAMS 推广到 DMAIC。 这就是我们认为如何基于 STEAMS 方法为高中生开发六西格码数据科学项目。 |
| |
因此，第一步是在今年春季早些时候发布 JMP 16 后，我们查看所有 JMP 16 平台并确定 |
| |
有哪些平台可能对数据科学家有利？ 所以我们基于大数据的三个V——数量、种类和速度。 |
| |
并且，基于三个 V，这些工具或平台可能非常适合数据科学程序，例如图形生成器， |
| |
文本浏览器、表格、预测建模、筛选、多元方法、聚类、质量方法、问题解决。 现在我们将把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[听不清]。 |
| |
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。 |
| |
接下来是六西格码设计，主要是建模、DOE 建模、蒙特卡洛模拟、稳健公差。 |
| |
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。 |
| |
而时间序列或预测对于数据科学处理时间（？）数据也非常重要，所以我们发现了诸如ARIMA模型。 |
| |
文本挖掘也适用于非结构化数据。 由于客户的声音，调查和消费者研究对于了解也非常重要。 |
| |
另外，如何进行营销细分。 因此，我们发现所有这些统计数据对于利用 JMP 平台都至关重要。 |
| |
然后我们尝试映射 |
| |
所有这些 JMP 16 平台均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，并开发了三个 |
| |
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，我们尝试加快（？）JMP 16 平台对每个不同培训项目的速度。 而且因为学生或者培训的时候，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。 |
| |
此外，我们需要用 6 Sigma 语言定义项目目标，特别是质量 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，团队建设对于组建、风暴、规范和执行非常重要。 |
| |
以及相关的JMP 16平台，例如构建数据库。 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。 市场研究，就像消费者研究一样，尝试做营销细分；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。 我们可能可以对客户进行分组，然后尝试制定有关营销优先事项的策略。 |
| |
第二阶段是测量阶段。 主要关注的是工艺能力和工艺稳定性，特别是对于大规模制造生产。 |
| |
我们试图找到三个 |
| |
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二维图。 |
| |
通过不同颜色的区域，我们知道[听不清]并且它不合适。 |
| |
中间的工艺性能图也非常强大，因为它们结合了工艺能力和稳定性。 如果它可以通过这两个标准，您将位于左上角，这意味着绿色。 如果您未满足这两个条件，您将位于左下或右下。 |
| |
右侧是流程历史浏览器，因此他们可以列出所有历史记录 |
| |
过去的表现。 通过这样的列表，您可以确定哪些因素与低产量相关。 |
| |
下一阶段是分析阶段。 在分析阶段，进行根本原因分析，总结复杂的数据集，可视化并发现模式和见解，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、表格、文本浏览器、基于多元的方法、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图，他们可以做二维，所以他们可以找到更多的组合（??）或不同种类因素之间的模式识别。 |
| |
鱼骨图对于实时、分段工作始终非常强大且有用。 |
| |
设计或定制鱼骨图。 |
| |
对于数据汇总，我们强烈推荐 Tabulate。 它像是 |
| |
Excel 数据透视表，[听不清] 方便且功能强大 |
| |
因为他们还可以添加描述性统计数据。 |
| |
在中间，文本浏览器对于分析文本数据库非常强大，因此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。 |
| |
不同的颜色，它们呈现出不同类型的变量，因此对于任何一对来说，它们彼此接近并且远离原点，这就是高度关联的焦点；这可能会告诉您这些变量中的一些信息或某种见解。 |
| |
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，我们强烈推荐预测刻画器或自定义刻画器。 还有能源部，我们可以 |
| |
有不同类型的定制 DOE、混合 DOE，甚至 DOE 增强。 对于专门的模型，比如机器学习，对吧，我们有JMP神经网络，分区模型，还有不同类型的筛选。 |
| |
对于调查和消费者研究， |
| |
JMP也有选择模型，也有最大差异设计模型。 |
| |
为了设计优化， |
| |
在左侧的预测刻画器中，我们可以进行敏感性分析。 我们可以进行蒙特卡罗模拟，这样我们就可以模拟不合格的[听不清] |
| |
百分比。 |
| |
在中间，如果模型中有很多因素，自定义分析器将是在众多因素中找到最佳模型的不错选择。 |
| |
右侧为群正交过饱和 DOE。 这是一个非常强大的能源部，可以分析下游的选择。 他们使用阻塞因素或概念来最大限度地减少 DOE 运行的次数，从而降低成本。 |
| |
对于预测模型，我们会推荐一个神经网络，一个非常强大的 |
| |
转型并尝试找到最佳模型来实现它 |
| |
获得更高的培训和验证 |
| |
健康。对于分区来说，这是二进制分割。 所以他们可以将数据集分成不同的类别，这样他们就可以 |
| |
重点还总结了（??）主要贡献。 |
| |
对于设计优化，我们还推荐 JMP 16 中提供的某种筛选平台。 右侧第一个是反应筛选。 |
| |
JMP 使用 |
| |
FDR，错误检测率，用于确定您的预测模型的好坏。 所以如果你的曲线保持较低，好吧， |
| |
这意味着你有良好的预测模型。 当你往上走的时候，这意味着这部分，你没有很好的预测能力。 |
| |
中间一项，就是流程筛选。 这样你就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，如果您看到更多的绿色或红色，则意味着您的政策不太稳定。 |
| |
对于右手边，也非常有力。 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，或者我们所说的重要的少数预测变量。 这样您就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。 |
| |
为了最大化差异设计，这也是另一个调查设计。 在调查中，您可以选择最喜欢的项目，也可以选择最不喜欢的项目。 因此 JMP 可以运行模型来对您的偏好进行排名。 |
| |
对于最后一个控制阶段，[听不清]扩大过程控制，长期持续改进，从上游到下游，多元过程控制。 |
| |
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。 所以这就是前后对比最大的一点。 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， |
| |
分解哪些参数对 OOC 点贡献最大。 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素分组在一起。 |
| |
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的季节性和周期性成分。 |
| |
在中间，他们可以使用 ARIMA 模型来使用季节性或非季节性模型来拟合数据。 对于预测，他们可以找到最佳模型来预测未来点。 |
| |
因此，本次演讲的要点...传统的 6 Sigma 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能力。 |
| |
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的时间。 |
