Altoparlante
|
Trascrizione
|
| Jason Wiggins, JMP |
Ok, vai avanti quando sei pronto. |
| |
Va bene. |
| |
Ciao a tutti. |
| |
Mi chiamo Charles Chen. Oggi parleremo di un argomento interessante relativo a STEAMS e al curriculum DMAIC per i data scientist che utilizzano JMP 16. |
| |
Siamo tre autori. Mason Chen è il primo. E io sono Charles, il secondo, e Patrick è il terzo. Siamo del club STEAMS della Stanford Online High School. Mason Chen è un liceale ed è il leader del club. E io e Patrick siamo gli advisor del club. |
| |
La panoramica del progetto, la dichiarazione di opportunità, il tradizionale processo Six Sigma DMAIC, combinato con la metodologia interdisciplinare STEAMS |
| |
può aiutare i data scientist a dare un contributo maggiore nel campo dei big data. E il nostro obiettivo del progetto cerca di sviluppare un curriculum di formazione sulla scienza dei dati Six Sigma per gli studenti delle scuole superiori |
| |
fino ai professionisti del settore mappando la piattaforma JMP 16 sulle fasi DMAIC. |
| |
Prima di iniziare, il pubblico potrebbe essere curioso, ehi, il Six Sigma è per i professionisti e anche lo scienziato dei dati è professionale. |
| |
Allora come mai lo diciamo anche per i liceali? Quindi qui vogliamo usare il caso di studio per il nostro primo autore, Mason Chen. |
| |
Le sue numerose esperienze iniziano quando aveva 10 anni. Ha iniziato a ricevere la formazione di data scientist e ha anche provato a certificare IBM SPSS e Minitab. |
| |
Quando aveva 11 anni, era certificato IBM Modeler Data Mining. Poi si è trasferito al JMP, studiando a circa 12 o 13 anni. |
| |
E poi JMP STIPS e il DOE e l'esame di certificazione e anche il text mining JMP 16. E il motivo per cui quest'anno ha anche finito l'algebra lineare |
| |
corsi universitari e anche scienza dei dati attraverso il nostro programma. Quindi oggi parleremo in base alla sua esperienza, anche dei consulenti, cerchiamo di introdurre, come possiamo usare JMP 16 per |
| |
creare il programma di scienza dei dati Six Sigma. E anche Mason si trasferirà alla R in futuro. Ha cercato di imparare R, così può imparare anche il linguaggio JSL. |
| |
E questa è la foto di Mason, quando ha partecipato alla conferenza dell'ASA due anni fa. |
| |
Quindi il nostro progetto cerca di connettere i STEAMS e il DMAIC. Quindi STEAMS è il programma STEAMs del fondatore di Mason sul 2017 dal |
| |
tradizionale programma STEM. Allora qual è la differenza? Quindi la scienza, la tecnologia, l'ingegneria, la matematica sono sempre le stesse, capito? |
| |
Ma abbiamo aggiunto l'intelligenza artificiale e anche le statistiche, [quindi] diventa STEAMS. E la scienza dei dati è una combinazione popolare di intelligenza artificiale, matematica e statistica. |
| |
E il tradizionale Six Sigma DMAIC mappa abbastanza bene la metodologia STEAMS, abbastanza bene. Puoi vedere un sacco di pensieri ravvicinati. (??) Alcuni altri strumenti per la risoluzione dei problemi |
| |
dal DMAIC. Si mappano anche abbastanza bene nel campo della scienza, o anche dell'ingegneria, nella risoluzione dei problemi. Con la scienza dei dati, loro |
| |
può anche promuovere di più da STEAMS al DMAIC. Ecco come pensiamo di poter sviluppare il programma di scienza dei dati Six Sigma per i liceali basato sulla metodologia STEAMS. |
| |
Quindi il primo passo, una volta rilasciato JMP 16 all'inizio di questa primavera, che esaminiamo tutta la piattaforma JMP 16 e identifichiamo |
| |
quali sono le piattaforme che potrebbero essere utili per il data scientist. Quindi abbiamo basato sui big data le tre V: volume, varietà e velocità. |
| |
E, in base alle tre V, quali sono gli strumenti o le piattaforme che potrebbero adattarsi bene al programma di data science, quindi come un Graph Builder, |
| |
Text Explorer, tabelle, modellazione predittiva, screening, metodi multivariati, clustering, metodo della qualità, problem solving. Ora mapperemo tutti questi strumenti nelle fasi DMAIC. |
| |
Anche attraverso l'apprendimento delle piattaforme JMP 16, cerchiamo anche di capire anche [incomprensibile] dietro questi strumenti JMP. |
| |
E scopriamo che le statistiche sulla scienza dei dati possono coprire i seguenti moduli. Il primo, il tradizionale DMAIC per l'ingegneria della qualità e dell'affidabilità, come MSA o SPC. |
| |
E il prossimo sarà il Design for Six Sigma, la maggior parte per la modellazione, la modellazione DOE, la simulazione Monte Carlo, la robusta tolleranza. |
| |
Quindi scopriamo che l'algebra lineare è molto importante per la scienza dei dati, come l'analisi delle componenti principali o la scomposizione del valore singolare. E il prossimo sarà il data mining, inclusa la classificazione, la rete neurale, la partizione o la foresta casuale. |
| |
E anche le serie temporali o le previsioni sono molto importanti per la scienza dei dati per gestire i dati temporali (?), quindi scopriamo che come il modello ARIMA. |
| |
E il text mining è utile anche per i dati non strutturati. E anche il sondaggio e la ricerca sui consumatori sono molto importanti da capire a causa della voce dei clienti. |
| |
Inoltre, come eseguire la segmentazione del marketing. Quindi tutte queste statistiche che abbiamo scoperto sono fondamentali da conoscere per utilizzare una piattaforma JMP. |
| |
Poi proviamo a mappare |
| |
tutte queste piattaforme JMP 16 ai tradizionali moduli Lean Six Sigma BB. Quindi identifichiamo i moduli BB tradizionali e ne sviluppiamo tre |
| |
programmi di allenamento. Il programma A è il più tradizionale programma di formazione DMAIC Black Belt e queste sono le piattaforme JMP 16 associate. Il secondo è il data mining più moderno |
| |
dati categorici [non udibili]. Quindi cerchiamo di velocizzare (?) le piattaforme JMP 16 per ogni diverso programma di allenamento. E poiché gli studenti o la formazione, potrebbero avere un interesse particolare, quindi possiamo personalizzare |
| |
loro particolare interesse e campo. |
| |
D'ora in poi cercheremo di mappare tutti gli strumenti oi concetti alle fasi DMAIC. La prima fase è la fase di definizione. Il concetto principale per la fase di definizione è cercare di definire la dichiarazione del problema, inclusa la voce dei clienti o la voce dell'azienda. |
| |
Inoltre, dobbiamo definire l'obiettivo e l'obiettivo del progetto, in particolare per quanto riguarda il Critical to the Quality CTQ, in linguaggio Six Sigma. |
| |
Devono anche definire i criteri di successo e qualsiasi limite di specifica. |
| |
Anche nella fase di definizione, il team building è molto importante per la formazione, l'assalto, la normalizzazione e l'esecuzione. |
| |
E le piattaforme JMP 16 associate, come il database di compilazione. Il generatore di query è molto potente. La visualizzazione dei dati è importante. |
| |
Il data mining tenta di raggruppare i clienti. Le ricerche di mercato, come le ricerche sui consumatori, cercano di fare la segmentazione del marketing; è molto importante. Sul lato destro c'è il semplice esempio su come facciamo la segmentazione del marketing usando il clustering. |
| |
Analisi dell'affinità di clustering. Probabilmente possiamo raggruppare i clienti e poi provare a impostare una strategia su quale sia la priorità di marketing. |
| |
La seconda fase è la fase di misurazione. L'obiettivo principale è la capacità di processo e la stabilità del processo, in particolare per la produzione manifatturiera su larga scala. |
| |
Cerchiamo di trovarne tre |
| |
potente strumento di JMP. Il primo è una trama di obiettivi. Quindi il diagramma degli obiettivi può tracciare la capacità del processo da lotto a lotto e nelle due dimensioni. |
| |
Attraverso le diverse zone colorate, sappiamo che [non udibile] e non è adatto. |
| |
Anche il grafico delle prestazioni del processo intermedio è molto potente perché combina la capacità del processo e la stabilità. Se può superare entrambi i criteri, sarai in alto a sinistra, quindi significa in verde. Se fallisci entrambi i criteri, sarai in basso a sinistra o in basso a destra. |
| |
Sul lato destro c'è un esploratore della cronologia dei processi in modo che possano elencare tutto lo storico |
| |
performance passate. E attraverso questo tipo di elenco, puoi identificare il tipo di fattori associati alla scarsa resa. |
| |
La fase successiva è la fase di analisi. Nella fase di analisi, analisi della causa principale, riepilogo di set di dati complessi, visualizzazione e scoperta di modelli e approfondimenti, isolamento e screening di fattori importanti. |
| |
Sulla base di questi argomenti di analisi, identifichiamo anche il diagramma a lisca di pesce, Tabulate, Text Explorer, metodi basati su più variabili, clustering, anche l'analisi della risposta categorica. |
| |
Per questa diapositiva, vogliamo introdurre il diagramma di Pareto. La trama di JMP 16 Pareto, possono fare il bidimensionale, quindi possono trovare più combinazioni (??) o il riconoscimento di schemi tra diversi tipi di fattori. |
| |
E il diagramma a lisca di pesce è sempre stato molto potente e utile per il tempo reale, lavorare sulla sezione, puoi. |
| |
progettare o personalizzare il diagramma a lisca di pesce. |
| |
Per il riepilogo dei dati, Tabulate è quello che consigliamo vivamente. È come |
| |
la tabella pivot di Excel, [non udibile] comoda e potente |
| |
perché possono anche aggiungere statistiche descrittive. |
| |
Nel mezzo, Text Explorer è così potente per analizzare il database di testo, in modo che possano cercare la parola chiave e le frasi, quindi possiamo persino convertire il text mining nel data mining. |
| |
Sul lato destro ci sono i dati categoriali per trovare associazioni tra diversi tipi di fattori. |
| |
E i diversi colori, presentano diversi tipi di variabili, quindi per ogni coppia sono vicini l'uno all'altro e sono lontani dall'origine e questo è l'obiettivo di un'alta associazione; che potrebbe dirti qualcosa o qualche tipo di intuizione tra queste variabili. |
| |
La fase successiva è la fase di miglioramento. |
| |
Per la fase di miglioramento, cerchiamo di costruire modelli predittivi. Cerchiamo di progettare nuovi esperimenti, se necessario. Cerchiamo di migliorare la qualità della produzione. |
| |
Per quanto riguarda le piattaforme JMP 16 per la modellazione predittiva, consigliamo vivamente il Prediction Profiler o il profiler personalizzato. E DOE, possiamo |
| |
avere diversi tipi di DOE personalizzato, DOE misto o persino l'aumento DOE. Per i modelli specializzati, come l'apprendimento automatico, abbiamo la rete neurale JMP, il modello di partizione e anche diversi tipi di screening. |
| |
Per il sondaggio e la ricerca sui consumatori, |
| |
JMP ha il modello di scelta, anche il modello di progettazione della massima differenza. |
| |
Per l'ottimizzazione del design, |
| |
Sul lato sinistro, il Prediction Profiler, possiamo fare l'analisi di sensitività. Possiamo fare la simulazione Monte Carlo in modo da poter simulare il non conforme [non udibile] |
| |
percentuale. |
| |
Nel mezzo, se abbiamo molti fattori nel modello, il Custom Profiler sarà la buona scelta per trovare il modello ottimale tra tanti fattori. |
| |
A destra, per il gruppo DOE ortogonale sovrasaturato. Questo è il DOE molto potente da analizzare per un'opzione a valle. E usano un fattore o un concetto di blocco per ridurre al minimo il numero di esecuzioni del DOE, per ridurre il costo. |
| |
Per i modelli predittivi, raccomanderemo una rete neurale, molto potente |
| |
trasformazione e prova a trovare il modello migliore per realizzarla |
| |
ottenere una formazione e una convalida superiori |
| |
fitness. Per la partizione, questa è una suddivisione binaria. Quindi possono dividere il set di dati in diversi tipi di categorie, quindi possono |
| |
evidenziare anche concludere (??) il contributo maggiore. |
| |
Per l'ottimizzazione del design, consigliamo anche un qualche tipo di piattaforma di screening disponibile in JMP 16. Il primo a destra è lo screening della risposta. |
| |
JMP utilizza il |
| |
FDR, tasso di falsi rilevamenti, per determinare quanto è buono il tuo modello di previsione. Quindi se la tua curva si mantiene più bassa, ok, e |
| |
e questo significa che hai una buona modellazione di previsione. Quando stai salendo, e questo significa che questa parte, non hai una buona capacità di previsione. |
| |
Per quello centrale, è lo screening del processo. Quindi puoi vedere tutti i parametri di processo. Potrebbe essere un parametro di input. Potrebbero essere risultati finali. |
| |
E JMP utilizza il colore verde e il colore rosso per identificare lo spostamento verso l'alto o verso il basso. Quindi, se vedi più verde o rosso, significa che la tua politica non è molto stabile. |
| |
Per il lato destro, anche molto potente. Classifica tutto il contributo dei predittori, quindi ti daranno prima i primi pochi, o quelli che chiamiamo i pochi vitali, i predittori. Quindi puoi trovare le cause alla radice o trovare le soluzioni. |
| |
Per la ricerca sui consumatori, JMP ha scelto il design |
| |
per aiutare il consumatore, come scegliere il prodotto migliore o la scelta. |
| |
Per il design della massima differenza, e questo è anche l'altro design del sondaggio. Per il sondaggio, scegli gli elementi più preferiti anche quelli meno preferiti. Quindi JMP può eseguire il modello per classificare le tue preferenze. |
| |
Per l'ultima fase di controllo, [non udibile] aumentare il controllo del processo, sostenere il miglioramento nel lungo periodo, da monte a valle, controllo del processo multivariato. |
| |
E poi le piattaforme JMP saranno la carta di controllo classica, la carta di controllo sensibile al tempo, la carta di controllo multivariata. La ricerca sui consumatori sarà l'analisi multifattoriale. Anche l'analisi delle serie temporali, come la scomposizione, il livellamento e il modello e la previsione ARIMA. |
| |
Per le carte di controllo multivariate sul lato sinistro, possiamo trovare il rilevamento del punto di cambiamento. Quindi questo è il punto che ti darà il maggior contrasto prima e dopo. Quindi queste sono [non udibili] l'analisi della causa principale su ciò che è successo o quando è il più, |
| |
punto di cambiamento più grande. Al centro c'è la Piazza T. |
| |
Carta di controllo guidata dal modello. Quindi questo ti darà la modalità di errore, |
| |
scomposizione su quali sono i parametri che contribuiscono maggiormente al punto OOC. Sul lato destro c'è un'analisi multifattoriale. |
| |
Sulla base dell'autovalore, analisi dell'autofattore. Quindi questo è come un diagramma di affinità. Quindi possono raggruppare i fattori simili insieme, in base all'autovalore, autofattore. |
| |
Per l'analisi delle serie temporali sul lato sinistro, possono eseguire la diagnostica del modello. Così possono identificare le componenti stagionali e cicliche dell'andamento. |
| |
Nel mezzo, possono utilizzare i modelli ARIMA per adattare i dati utilizzando i modelli stagionali o non stagionali. Per la previsione, possono trovare il modello ottimale per prevedere il punto futuro. |
| |
Quindi la conclusione di questo discorso... Il metodo DMAIC Six Sigma tradizionale e il metodo STEAMS interdisciplinare possono aiutare a sviluppare lo scienziato dei dati sulla leadership e sul team building. |
| |
Le moderne piattaforme JMP 16 sono mappate alle fasi DMAIC per aiutare a distribuire i progetti Six Sigma nei campi della scienza dei dati. La gestione del database, l'ingegneria applicata, le statistiche, il data mining e il text mining sono tutti elementi fondamentali per l'analisi scientifica dei dati di oggi. |
| |
Questo concluderà la nostra presentazione di oggi e grazie mille per il tuo tempo. |
