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 riguardante il curriculum STEAMS e DMAIC per 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 dello STEAMS Club della Stanford Online High School. Mason Chen è un liceale ed è il leader del club. E io e Patrick siamo i consiglieri 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 programma 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 il data scientist è un professionista. |
| |
Allora come mai lo accenniamo anche ai liceali? Quindi qui vogliamo utilizzare 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 di JMP 16. E la ragione per cui quest'anno ha finito anche l'algebra lineare |
| |
corsi universitari e anche scienza dei dati attraverso il nostro programma. Quindi oggi, sulla base della sua esperienza, parleremo anche dei consulenti, cercheremo di presentare come possiamo utilizzare JMP 16 per |
| |
creare il programma di data science Six Sigma. E anche Mason si trasferirà in R in futuro. Ha cercato di imparare R, così può anche imparare il linguaggio JSL. |
| |
E questa è la foto di Mason, quando stava partecipando alla conferenza dell'ASA due anni fa. |
| |
Quindi il nostro progetto cerca di connettere STEAMS e DMAIC. Quindi STEAMS è il programma STEAMs del fondatore di Mason su 2017 dal |
| |
programma STEM tradizionale. Quindi 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 popolare combinazione di intelligenza artificiale, matematica e statistica. |
| |
E il tradizionale Six Sigma DMAIC si adatta abbastanza bene alla metodologia STEAMS, abbastanza bene. Puoi vedere un sacco di pensieri ravvicinati. (??) Alcuni altri strumenti per la risoluzione dei problemi |
| |
dal DMAIC. Si adattano anche abbastanza bene al campo scientifico, o persino all'ingegneria, alla risoluzione dei problemi. Con la scienza dei dati, loro |
| |
può anche promuovere di più da STEAMS a DMAIC. Quindi è così che pensiamo di poter sviluppare il programma di scienza dei dati Six Sigma per gli studenti delle scuole superiori basato sulla metodologia STEAMS. |
| |
Quindi il primo passo, una volta che JMP 16 è stato rilasciato all'inizio di questa primavera, esaminiamo tutta la piattaforma JMP 16 e identifichiamo |
| |
quali sono le piattaforme che potrebbero andare bene per il data scientist. Quindi abbiamo basato sui big data le tre V: volume, varietà e anche velocità. |
| |
E, in base alle tre V, quali sono gli strumenti o le piattaforme che possono adattarsi bene al programma di data science, come un Graph Builder, |
| |
Text Explorer, tabelle, modellazione predittiva, screening, metodi multivariati, clustering, metodo di qualità, problem solving. Ora assoceremo tutti questi strumenti alle fasi DMAIC. |
| |
Anche attraverso l'apprendimento delle piattaforme JMP 16, cerchiamo anche di capire anche [impercettibile] dietro questi strumenti JMP. |
| |
E scopriamo che le statistiche della 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, soprattutto per la modellazione, la modellazione DOE, la simulazione Monte Carlo, la tolleranza robusta. |
| |
Quindi scopriamo che l'algebra lineare è molto importante per la scienza dei dati, come l'analisi delle componenti principali o la decomposizione 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 lo scopriamo come il modello ARIMA. |
| |
E anche il text mining va bene 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. |
| |
Quindi proviamo a mappare |
| |
tutte queste piattaforme JMP 16 ai tradizionali moduli Lean Six Sigma BB. Quindi identifichiamo i tradizionali moduli BB 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 [impercettibili]. Quindi proviamo a velocizzare (?) le piattaforme JMP 16 per ogni diverso programma di allenamento. E poiché gli studenti o la formazione possono avere un interesse particolare, 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 Define 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 CTQ critico per la qualità, nel 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 build database. 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 di come eseguiamo la segmentazione del marketing utilizzando il clustering. |
| |
Analisi di affinità di clustering. Probabilmente possiamo raggruppare i clienti e quindi provare a impostare una strategia su quale sia la priorità di marketing. |
| |
La seconda fase è la fase di misura. L'obiettivo principale è la capacità di processo e la stabilità del processo, in particolare per la produzione su larga scala. |
| |
Cerchiamo di trovarne tre |
| |
potente strumento di JMP. Il primo è una trama obiettivo. Quindi il grafico dell'obiettivo può tracciare la capacità del processo da lotto a lotto e nelle due dimensioni. |
| |
Attraverso le diverse zone colorate, lo sappiamo [impercettibile] e non è adatto. |
| |
Anche il grafico delle prestazioni del processo intermedio è molto potente perché combina la capacità e la stabilità del processo. Se può soddisfare 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 allo scarso rendimento. |
| |
La fase successiva è la fase di analisi. Nella fase di analisi, analisi delle cause alla radice, riepilogo set di dati complessi, visualizzazione e scoperta di modelli e approfondimenti, isolamento e selezione di fattori importanti. |
| |
Sulla base di questi argomenti di analisi, identifichiamo anche il diagramma a lisca di pesce, la tabulazione, l'esploratore di testo, i metodi basati su multivariate, il clustering e anche l'analisi della risposta categorica. |
| |
In questa diapositiva vogliamo introdurre il diagramma di Pareto. Il grafico 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, [impercettibile] comoda e potente |
| |
perché possono anche aggiungere statistiche descrittive. |
| |
Nel mezzo, Text Explorer è così potente per analizzare il database di testo, quindi possono cercare la parola chiave e le frasi, quindi possiamo persino convertire il text mining in data mining. |
| |
Sul lato destro è per i dati categorici 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 Migliora, proviamo a costruire modelli predittivi. Cerchiamo di progettare nuovi esperimenti secondo necessità. 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, giusto, abbiamo la rete neurale JMP, il modello di partizione, anche diversi tipi di screening. |
| |
Per il sondaggio e la ricerca sui consumatori, |
| |
JMP ha il modello di scelta, anche il modello di progettazione massimizza la differenza. |
| |
Per l'ottimizzazione del design, |
| |
Sul lato sinistro, il Prediction Profiler, possiamo eseguire l'analisi di sensibilità. Possiamo fare la simulazione Monte Carlo in modo da poter simulare la non conformità [non udibile] |
| |
percentuale. |
| |
Nel mezzo, se abbiamo molti fattori nel modello, il Custom Profiler sarà la scelta giusta per trovare il modello ottimale tra tanti fattori. |
| |
Sul lato destro, per il gruppo DOE sovrasaturato ortogonale. Questo è il DOE molto potente da analizzare per un'opzione a valle. E usano fattori o concetti di blocco per ridurre al minimo il numero di corse DOE, per ridurre i costi. |
| |
Per i modelli predittivi, consiglieremo una rete neurale, molto potente |
| |
trasformazione e cercare di trovare il modello migliore per realizzarla |
| |
ottenere una formazione e una convalida superiori |
| |
fitness. Per la partizione, questa è una divisione binaria. Quindi possono dividere il set di dati in diversi tipi di categorie, così possono |
| |
evidenziare anche concludere (??) il contributo principale. |
| |
Per l'ottimizzazione del progetto, consigliamo anche un qualche tipo di piattaforma di screening disponibile in JMP 16. Il primo sul lato destro è lo screening della risposta. |
| |
JMP utilizza l'estensione |
| |
FDR, tasso di rilevamento falso, per determinare quanto è buono il tuo modello di previsione. Quindi se la tua curva rimane più bassa, va bene, e |
| |
e questo significa che hai una buona modellazione di previsione. Quando sali, e questo significa 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 tutti i contributi 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 loro miglior prodotto o la scelta. |
| |
Per il progetto di massimizzazione della differenza, e questo è anche l'altro progetto di indagine. Per il sondaggio, scegli anche gli articoli 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 per un lungo periodo, da monte a valle, controllo di processo multivariato. |
| |
E poi le piattaforme JMP saranno carta di controllo classica, carta di controllo sensibile al tempo, carta di controllo multivariata. La ricerca sui consumatori sarà l'analisi a più fattori. Anche l'analisi delle serie temporali, come decomposizione, livellamento e modello e previsione ARIMA. |
| |
Per i grafici di controllo multivariati sul lato sinistro, possiamo trovare il rilevamento del punto di cambiamento. Quindi questo è il punto che ti darà il più grande contrasto prima e dopo. Quindi queste sono [impercettibili] l'analisi della causa principale su cosa è successo o quando è il massimo, |
| |
più grande punto di cambiamento. Nel mezzo, c'è la T Square. |
| |
Grafico di controllo guidato 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 a più fattori. |
| |
Basato sull'analisi degli autovalori e degli autofattori. 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. In questo modo possono identificare le componenti stagionali e cicliche del trend. |
| |
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 il takeaway di questo discorso ... Il tradizionale DMAIC Six Sigma e il metodo STEAMS interdisciplinare possono aiutare a sviluppare data scientist sulla leadership e sul team building. |
| |
Le moderne piattaforme JMP 16 sono mappate alle fasi DMAIC per aiutare a implementare progetti Six Sigma nei campi della scienza dei dati. La gestione dei database, l'ingegneria applicata, le statistiche, il data mining e il text mining sono tutti fondamentali per l'analisi scientifica dei dati di oggi. |
| |
Questo concluderà la nostra presentazione di oggi, e grazie mille per il tuo tempo. |
