Lautsprecher
|
Transkript
|
| Jason Wiggins, JMP |
Okay, mach weiter, wenn du bereit bist. |
| |
Okay. |
| |
Hallo zusammen. |
| |
Mein Name ist Charles Chen. Heute werden wir über ein interessantes Thema im Zusammenhang mit dem STEAMS und dem DMAIC-Curriculum für Data Scientists mit JMP 16 sprechen. |
| |
Wir sind drei Autoren. Mason Chen ist der Erste. Und ich bin Charles, der Zweite, und Patrick ist der Dritte. Wir sind vom STEAMS Club der Stanford Online High School. Mason Chen ist ein High-School-Junior und der Clubleiter. Und ich und Patrick sind die Berater des Clubs. |
| |
Die Projektübersicht, das Opportunity Statement, der traditionelle Six Sigma DMAIC Prozess, kombiniert mit der interdisziplinären STEAMS Methodik |
| |
kann Data Scientists dabei helfen, einen größeren Beitrag im Bereich Big Data zu leisten. Und unser Projektziel ist es, ein Six Sigma Data Science-Trainingscurriculum für High-School-Schüler zu entwickeln |
| |
bis hin zu den Branchenprofis, indem Sie die JMP 16-Plattform auf die DMAIC-Phasen abbilden. |
| |
Bevor wir beginnen, mag das Publikum neugierig sein, hey, Six Sigma ist für den Profi, und der Datenwissenschaftler ist auch professionell. |
| |
Wie kommt es also, dass wir dies auch für die Oberschüler erwähnen? Hier wollen wir also die Fallstudie für unseren Erstautor Mason Chen verwenden. |
| |
Seine vielen Erfahrungen begannen, als er 10 Jahre alt war. Er begann die Ausbildung zum Data Scientist und versuchte auch, IBM SPSS und Minitab zu zertifizieren. |
| |
Als er 11 Jahre alt war, wurde er IBM Modeler Data Mining zertifiziert. Dann wechselte er zum JMP und studierte im Alter von etwa 12 oder 13 Jahren. |
| |
Und dann JMP STIPS und die DOE- und Zertifizierungsprüfung und auch das JMP 16 Text Mining. Und der Grund, warum er in diesem Jahr auch die Lineare Algebra beendet hat |
| |
College-Kurse und auch Data Science durch unser Programm. Deshalb werden wir heute, basierend auf seinen Erfahrungen, darüber sprechen, auch die Berater, die wir versuchen, vorzustellen, wie wir JMP 16 verwenden können, um |
| |
Erstellen Sie das Six Sigma Data Science-Programm. Und auch Mason wechselt in Zukunft ins R. Er hat versucht, R zu lernen, damit er auch die JSL-Sprache lernen kann. |
| |
Und das ist Masons Bild, als er vor zwei Jahren an der ASA-Konferenz teilnahm. |
| |
Unser Projekt versucht also, das STEAMS und das DMAIC zu verbinden. Also STEAMS ist das Mason Gründer-STEAMs-Programm über 2017 von der |
| |
traditionelles MINT-Programm. Was ist also der Unterschied? Also die Wissenschaft, Technik, Ingenieurswissenschaften, Mathematik sind immer noch die gleichen, verstehst du? |
| |
Aber wir haben künstliche Intelligenz und auch Statistik hinzugefügt, [so] wird es zu STEAMS. Und Data Science ist eine beliebte Kombination aus künstlicher Intelligenz, Mathematik und Statistik. |
| |
Und die traditionelle Six Sigma DMAIC passt ziemlich gut zur STEAMS-Methodik, ziemlich gut. Sie können viel Nähe denken. (??) Einige andere Tools zur Problemlösung |
| |
vom DMAIC. Sie lassen sich auch ziemlich gut auf das wissenschaftliche Gebiet oder sogar auf das Ingenieurwesen zur Problemlösung abbilden. Mit der Datenwissenschaft haben sie |
| |
kann sogar mehr von STEAMS zum DMAIC fördern. So denken wir, dass wir das Six Sigma Data Science Programm für Gymnasiasten basierend auf der STEAMS-Methodik entwickeln können. |
| |
Also der erste Schritt, nachdem JMP 16 Anfang dieses Frühjahrs veröffentlicht wurde, dass wir uns die gesamte JMP 16-Plattform ansehen und identifizieren |
| |
Welche Plattformen könnten für den Datenwissenschaftler gut sein? Also haben wir auf der Grundlage der Big Data die drei Vs – Volumen, Varietät und Geschwindigkeit – erstellt. |
| |
Und basierend auf den drei Vs, also den Tools oder Plattformen, die gut zum Data-Science-Programm passen könnten, z. B. ein Graph Builder, |
| |
Text Explorer, Tabellen, prädiktive Modellierung, Screening, multivariate Methoden, Clustering, Qualitätsmethode, Problemlösung. Jetzt werden wir all diese Tools den DMAIC-Phasen zuordnen. |
| |
Durch das Erlernen der JMP 16-Plattformen versuchen wir auch, auch [unverständlich] hinter diesen JMP-Tools zu verstehen. |
| |
Und wir finden heraus, dass die Data Science-Statistik die folgenden Module abdecken kann. Das erste, das traditionelle DMAIC für die Qualitäts- und Zuverlässigkeitstechnik, wie MSA oder SPC. |
| |
Und das nächste wird das Design for Six Sigma sein, die meisten für die Modellierung, DOE-Modellierung, die Monte-Carlo-Simulation, robuste Toleranz. |
| |
Dann finden wir heraus, dass die lineare Algebra für die Datenwissenschaft sehr wichtig ist, wie zum Beispiel die Hauptkomponentenanalyse oder die Singulärwertzerlegung. Und als nächstes wird das Data Mining sein, einschließlich der Klassifizierung, des neuronalen Netzwerks, der Partition oder des Random Forest. |
| |
Und auch Zeitreihen oder Prognosen sind für die Datenwissenschaft sehr wichtig, um mit den Zeitdaten (?) umzugehen, also finden wir das wie das ARIMA-Modell heraus. |
| |
Und Text Mining ist auch gut für die nicht strukturierten Daten. Und Umfragen und die Verbraucherforschung sind wegen der Stimme der Kunden auch sehr wichtig zu verstehen. |
| |
Außerdem, wie man die Marketingsegmentierung durchführt. Wir haben also herausgefunden, dass alle diese Statistiken wichtig sind, um eine JMP-Plattform zu nutzen. |
| |
Dann versuchen wir zu kartieren |
| |
all diese JMP 16-Plattformen bis hin zu den traditionellen Lean Six Sigma BB-Modulen. Also identifizieren wir die traditionellen BB-Module und entwickeln drei |
| |
Trainingsprogramme. Das Programm A ist das traditionellere DMAIC Black Belt-Trainingsprogramm, und dies sind die JMP 16-Plattformen, mit denen verbunden ist. Der zweite ist das modernere Data Mining |
| |
[unhörbar] kategoriale Daten. Also versuchen wir, die JMP 16-Plattformen zu jedem anderen Trainingsprogramm zu beschleunigen (?). Und weil die Schüler oder die Ausbildung vielleicht ein besonderes Interesse haben, können wir das anpassen |
| |
ihr besonderes Interesse und ihr Fachgebiet. |
| |
Von nun an werden wir versuchen, alle Tools bzw. Konzepte auf die DMAIC-Phasen abzubilden. Die erste Phase ist die Definieren-Phase. Das Hauptkonzept für die Definieren-Phase besteht darin, zu versuchen, die Problemstellung zu definieren, einschließlich der Stimme der Kunden oder der Stimme des Unternehmens. |
| |
Außerdem müssen wir das Projektziel und die Zielsetzung, insbesondere über den Critical to the Quality CTQ, in der Sprache Six Sigma definieren. |
| |
Sie müssen auch die Erfolgskriterien und alle Spezifikationsgrenzen definieren. |
| |
Auch in der Define-Phase ist Teambuilding sehr wichtig für Forming, Storming, Norming und Performing. |
| |
Und die zugehörigen JMP 16-Plattformen wie build database. Der Abfrage-Generator ist sehr mächtig. Datenvisualisierung ist wichtig. |
| |
Data Mining versucht, die Kunden zu clustern. Marktforschung versucht, wie Verbraucherforschung, die Marketingsegmentierung durchzuführen; es ist sehr wichtig. Auf der rechten Seite sehen Sie das einfache Beispiel dafür, wie wir die Marketingsegmentierung mithilfe des Clusterings durchführen. |
| |
Clustering-Affinitätsanalyse. Wir können die Kunden wahrscheinlich gruppieren und dann versuchen, eine Strategie für die Marketingpriorität aufzustellen. |
| |
Die zweite Phase ist die Phase Messen. Das Hauptaugenmerk liegt auf der Prozessfähigkeit und der Prozessstabilität, insbesondere für die großserientaugliche Produktion. |
| |
Wir versuchen drei zu finden |
| |
leistungsstarkes Tool von JMP. Der erste ist ein Zielplot. Zieldiagramm kann also die Prozessfähigkeit von Los zu Los und in die beiden Dimensionen darstellen. |
| |
Durch die unterschiedlichen Farbzonen wissen wir, dass [unhörbar] und es nicht geeignet ist. |
| |
Das mittlere Prozessleistungsdiagramm ist auch sehr aussagekräftig, da es die Prozessfähigkeit und Stabilität kombiniert. Wenn es beide Kriterien erfüllt, befinden Sie sich oben links, also grün. Wenn Sie beide Kriterien nicht erfüllen, befinden Sie sich unten links oder unten rechts. |
| |
Auf der rechten Seite befindet sich ein Prozessverlaufs-Explorer, mit dem alle historischen |
| |
vergangene Leistung. Und durch diese Art von Liste können Sie feststellen, welche Faktoren mit dem schlechten Ertrag verbunden sind. |
| |
Die nächste Phase ist die Analysephase. In der Analysephase können Sie die Ursachenanalyse durchführen, komplexe Datensätze zusammenfassen, Muster und Erkenntnisse visualisieren und entdecken, wichtige Faktoren isolieren und überprüfen. |
| |
Basierend auf diesen Analysethemen identifizieren wir auch das Fischgrätendiagramm, Tabulieren, Text Explorer, multivariate basierte Methoden, Clustering, sowie die kategoriale Antwortanalyse. |
| |
Für diese Folie möchten wir den Pareto-Plot vorstellen. Mit dem JMP 16 Pareto-Plot können sie zweidimensional arbeiten, so dass sie mehr Kombinationen (??) oder die Mustererkennung zwischen verschiedenen Faktoren finden können. |
| |
Und das Fischgrätendiagramm war immer ein sehr leistungsfähiges und nützliches für die Echtzeitarbeit, an der Sie arbeiten können. |
| |
Entwerfen oder Anpassen des Fischgrätendiagramms. |
| |
Für die Datenzusammenfassung empfehlen wir Tabulate. Es ist wie |
| |
die Excel-Pivot-Tabelle, [unverständlich] bequem und leistungsstark |
| |
weil sie auch beschreibende Statistiken hinzufügen können. |
| |
In der Mitte ist der Text Explorer so mächtig für die Analyse der Textdatenbank, dass sie das Schlüsselwort und die Phrasen durchsuchen können, dann können wir sogar das Text-Mining in das Data-Mining umwandeln. |
| |
Auf der rechten Seite finden kategoriale Daten Assoziationen zwischen verschiedenen Arten von Faktoren. |
| |
Und die verschiedenen Farben stellen unterschiedliche Arten von Variablen dar, so dass sie für jedes Paar nah beieinander und weit vom Ursprung entfernt sind, und das ist der Fokus einer hohen Assoziation; das kann Ihnen etwas oder eine Art Einblick in diese Variablen sagen. |
| |
Die nächste Phase ist die Verbesserungsphase. |
| |
Für die Verbesserungsphase versuchen wir, Vorhersagemodelle zu erstellen. Wir versuchen, nach Bedarf neue Experimente zu entwerfen. Wir versuchen, die Produktionsqualität zu verbessern. |
| |
In Bezug auf die JMP 16-Plattformen für die Vorhersagemodellierung empfehlen wir dringend den Vorhersage-Profiler oder den benutzerdefinierten Profiler. Und DOE, wir können |
| |
haben verschiedene Arten von benutzerdefinierten DOE, gemischten DOE oder sogar die DOE-Erweiterung. Für die spezialisierten Modelle, wie maschinelles Lernen, haben wir das neuronale JMP-Netzwerk, das Partitionsmodell und auch verschiedene Arten von Screening. |
| |
Für die Umfrage und Verbraucherforschung, |
| |
JMP hat das Choice-Modell, auch das Maximierungs-Differenz-Designmodell. |
| |
Für die Designoptimierung, |
| |
Auf der linken Seite, dem Prediction Profiler, können wir die Sensitivitätsanalyse durchführen. Wir können die Monte-Carlo-Simulation durchführen, damit wir die nicht konformen [unhörbar] simulieren können |
| |
Prozentsatz. |
| |
In der Mitte, wenn wir viele Faktoren im Modell haben, ist der Custom Profiler die gute Wahl, um unter so vielen Faktoren das optimale Modell zu finden. |
| |
Auf der rechten Seite für gruppenorthogonal übersättigtes DOE. Dies ist das sehr leistungsfähige DOE, um eine Option für den Downstream zu analysieren. Und sie verwenden einen Blockierungsfaktor oder ein Konzept, um die Anzahl der DOE-Läufe zu minimieren und die Kosten zu senken. |
| |
Für die Vorhersagemodelle empfehlen wir ein neuronales Netz, ein sehr leistungsfähiges |
| |
Transformation und versuchen, das beste Modell zu finden, um es zu machen |
| |
erhalten eine höhere Ausbildung und Validierung |
| |
Fitness. Für die Partition ist dies eine binäre Aufteilung. So können sie den Datensatz in verschiedene Kategorien aufteilen, damit sie |
| |
Highlight auch den Abschluss (??) des Hauptbeitrags. |
| |
Für die Designoptimierung empfehlen wir auch eine Art Screening-Plattform, die in JMP 16 verfügbar ist. Der erste auf der rechten Seite ist das Antwort-Screening. |
| |
JMP verwendet die |
| |
FDR, False Detection Rate, um zu bestimmen, wie gut Ihre Vorhersagemodellierung ist. Also, wenn deine Kurve niedriger bleibt, okay, und |
| |
und das bedeutet, dass Sie eine gute Vorhersagemodellierung haben. Wenn Sie nach oben gehen, und das bedeutet, dass Sie diesen Abschnitt nicht gut vorhersagen können. |
| |
Für den mittleren ist es das Prozess-Screening. So können Sie alle Prozessparameter sehen. Es könnte ein Eingabeparameter sein. Es könnte sich um Output-Ergebnisse handeln. |
| |
Und JMP verwendet die grüne Farbe und die rote Farbe, um das Hochschalten oder Herunterschalten zu identifizieren. Wenn Sie also mehr Grün oder Rot sehen, bedeutet dies, dass Ihre Police nicht sehr stabil ist. |
| |
Für die rechte Seite auch sehr leistungsstark. Es stuft den gesamten Beitrag der Prädiktoren ein, sodass Sie zuerst die wenigen oder die wichtigsten Prädiktoren nennen. So können Sie Ursachen finden oder Lösungen finden. |
| |
Für die Verbraucherforschung hatte JMP die Wahl des Designs |
| |
um dem Verbraucher zu helfen, sein bestes Produkt oder die beste Wahl zu treffen. |
| |
Für das Design zur Maximierung der Differenz, und dies ist auch das andere Umfragedesign. Für die Umfrage wählen Sie die am häufigsten und am wenigsten bevorzugten Elemente aus. So kann JMP das Modell ausführen, um Ihre Präferenz einzustufen. |
| |
Für die letzte Kontrollphase, [unhörbar] skalieren Sie die Prozesssteuerung, halten Sie die Verbesserung über einen langen Zeitraum aufrecht, vor- und nachgelagert, multivariate Prozesssteuerung. |
| |
Und dann werden die JMP-Plattformen eine klassische Regelkarte, eine zeitabhängige Regelkarte und eine multivariate Regelkarte sein. Verbraucherforschung wird die Multi-Faktor-Analyse sein. Auch die Zeitreihenanalyse, wie Dekomposition, Glättung und ARIMA-Modell und Prognose. |
| |
Für die multivariaten Regelkarten auf der linken Seite finden wir die Änderungspunkterkennung. Dies ist also der Punkt, der Ihnen den größten Kontrast vorher und nachher gibt. Dies sind also [unverständlich] die Ursachenanalyse darüber, was passiert ist oder wann am meisten passiert ist, |
| |
größter Wechselpunkt. In der Mitte befindet sich der T-Platz. |
| |
Modellgesteuerte Regelkarte. Dies gibt Ihnen den Fehlermodus, |
| |
Zerlegung darüber, welche Parameter am meisten zum OOC-Punkt beitragen. Auf der rechten Seite befindet sich eine Multifaktoranalyse. |
| |
Basierend auf dem Eigenwert, Eigenfaktoranalyse. Dies ist also wie ein Affinitätsdiagramm. So können sie ähnliche Faktoren basierend auf dem Eigenwert, dem Eigenfaktor, zusammenfassen. |
| |
Für die Zeitreihenanalyse auf der linken Seite können sie die Modelldiagnose durchführen. So können sie die saisonalen und zyklischen Trendkomponenten erkennen. |
| |
In der Mitte können sie die ARIMA-Modelle verwenden, um die Daten mit den saisonalen oder nicht-saisonalen Modellen anzupassen. Für die Vorhersage können sie das optimale Modell finden, um den zukünftigen Punkt vorherzusagen. |
| |
Das Fazit aus diesem Vortrag ... Traditionelles Six Sigma DMAIC und interdisziplinäre STEAMS-Methode können dabei helfen, Data Scientists in den Bereichen Führung und Teambildung zu entwickeln. |
| |
Moderne JMP 16-Plattformen sind den DMAIC-Phasen zugeordnet, um die Bereitstellung von Six Sigma-Projekten in datenwissenschaftlichen Bereichen zu unterstützen. Datenbankmanagement, angewandte Technik, Statistik, Data Mining und Text Mining sind für die heutige datenwissenschaftliche Analyse von entscheidender Bedeutung. |
| |
Damit endet unsere Präsentation heute, und vielen Dank für Ihre Zeit. |
