スピーカー
|
トランスクリプト
|
| ジェイソンウィギンズ、JMP |
さて、準備ができたら先に進んでください。 |
| |
わかった。 |
| |
みなさん、こんにちは。 |
| |
私の名前はチャールズ・チェンです。 今日は、JMP16を使用するデータサイエンティスト向けのSTEAMSとDMAICカリキュラムに関する興味深いトピックについて説明します。 |
| |
私たちは3人の著者です。 メイソンチェンは最初のものです。 私は2番目のチャールズです。3番目のパトリックです。 私たちはスタンフォードオンライン高校STEAMSクラブの出身です。 メイソン・チェンは高校3年生で、クラブのリーダーです。 そして私とパトリックはクラブの顧問です。 |
| |
プロジェクトの概要、機会ステートメント、従来のシックスシグマDMAICプロセス、および学際的なSTEAMS方法論の組み合わせ |
| |
データサイエンティストがビッグデータの分野でより大きな貢献をするのを助けることができます。 そして、私たちのプロジェクトの目的は、高校生向けのシックスシグマデータサイエンストレーニングカリキュラムの開発を試みています |
| |
JMP 16プラットフォームをDMAICフェーズにマッピングすることにより、業界の専門家に至るまで。 |
| |
始める前に、聴衆は好奇心をそそられるかもしれません、ねえ、シックスシグマは専門家のためであり、データサイエンティストも専門家です。 |
| |
では、なぜ高校生にもこれについて言及するのでしょうか。 そこで、ここでは、筆頭著者であるMasonChenのケーススタディを使用します。 |
| |
彼の多くの経験は、彼が10歳のときに最初に始まります。 彼はデータサイエンティストのトレーニングを受け始め、IBMSPSSとMinitabの認定も試みました。 |
| |
彼が11歳のとき、彼はIBM Modeler DataMiningの認定を受けていました。 それから彼はJMPに移り、約12歳か13歳で勉強しました。 |
| |
そして、JMP STIPSとDOEと認定試験、そしてJMP16テキストマイニング。 そして今年、彼も線形代数を完成させた理由 |
| |
大学のコースと私たちのプログラムによるデータサイエンス。 それで、今日は彼の経験に基づいて、またアドバイザーについて話します、私たちは紹介しようとします、私たちはどのようにJMP16を使うことができますか |
| |
シックスシグマデータサイエンスプログラムを作成します。 また、メイソンは将来的にRに移行します。 彼はRを学ぼうとしたので、JSL言語も学ぶことができます。 |
| |
そして、それはメイソンが2年前にASA会議に出席していたときの写真です。 |
| |
そのため、私たちのプロジェクトはSTEAMSとDMAICを接続しようとします。 つまり、STEAMSは、2017年頃のメイソン創設者STEAMsプログラムです。 |
| |
従来のSTEMプログラム。 では、違いは何ですか？ それで、科学、技術、工学、数学はまだ同じです、理解しますか？ |
| |
しかし、人工知能と統計を追加したので、[それは] STEAMSになります。 そして、データサイエンスは、人工知能、数学、統計の人気のある組み合わせです。 |
| |
また、従来のシックスシグマDMAICは、STEAMS手法にかなりよく対応しています。 あなたは多くの綿密な思考を見ることができます。 （??）他のいくつかの問題解決ツール |
| |
DMAICから。 また、科学分野、さらには工学の問題解決にもかなりうまく対応しています。 データサイエンスで、彼らは |
| |
STEAMSからDMAICにさらに宣伝することもできます。 これが、STEAMS方法論に基づいて高校生向けのシックスシグマデータサイエンスプログラムを開発できると私たちが考える方法です。 |
| |
したがって、この春の初めにJMP 16がリリースされた後の最初のステップでは、すべてのJMP16プラットフォームを調べて特定します。 |
| |
データサイエンティストに適したプラットフォームは何ですか。 したがって、ビッグデータに基づいて、ボリューム、多様性、速度の3つのVを使用します。 |
| |
そして、グラフビルダーなどのデータサイエンスプログラムにうまく適合する可能性のあるツールまたはプラットフォームである3つのVに基づいて、 |
| |
テキストエクスプローラー、テーブル、予測モデリング、スクリーニング、多変量メソッド、クラスタリング、品質メソッド、問題解決。 次に、これらすべてのツールをDMAICフェーズにマッピングします。 |
| |
また、JMP 16プラットフォームを学習することで、これらのJMPツールの背後にある[inaudible]も理解しようとしています。 |
| |
そして、データサイエンス統計が次のモジュールをカバーしている可能性があることがわかりました。 1つ目は、MSAやSPCなどの品質および信頼性エンジニアリングのための従来のDMAICです。 |
| |
そして次は、シックスシグマの設計です。ほとんどがモデリング、DOEモデリング、モンテカルロシミュレーション、堅牢な許容誤差です。 |
| |
次に、線形代数が主成分分析や特異値分解などのデータサイエンスにとって非常に重要であることがわかります。 そして次は、分類、ニューラルネットワーク、パーティション、ランダムフォレストなどのデータマイニングです。 |
| |
また、データサイエンスが時間（？）データを処理するためには、時系列や予測も非常に重要であるため、ARIMAモデルなどがわかります。 |
| |
また、テキストマイニングは、構造化されていないデータにも適しています。 そして、顧客の声のために、調査と消費者調査も理解することが非常に重要です。 |
| |
また、マーケティングセグメンテーションを行う方法。 したがって、JMPプラットフォームを利用するには、これらすべての統計を知ることが重要です。 |
| |
次に、マップを試みます |
| |
これらすべてのJMP16プラットフォームから従来のリーンシックスシグマBBモジュールまで。 そこで、従来のBBモジュールを特定し、3つを開発します。 |
| |
訓練プログラム。 プログラムAは、より伝統的なDMAIC黒帯トレーニングプログラムであり、これらは関連するJMP16プラットフォームです。 2つ目は、より最新のデータマイニングです。 |
| |
[inaudible]カテゴリデータ。 そのため、JMP 16プラットフォームをそれぞれの異なるトレーニングプログラムに合わせて高速化（？）しようとしています。 そして、学生やトレーニングのために、彼らは特別な興味を持っているかもしれませんので、私たちはカスタマイズすることができます |
| |
彼らの特定の関心と分野。 |
| |
これからは、すべてのツールまたは概念をDMAICフェーズにマッピングしてみます。 最初のフェーズは定義フェーズです。 定義フェーズの主な概念は、顧客の声やビジネスの声など、問題の説明を定義しようとすることです。 |
| |
また、プロジェクトの目標と目的、特に重要な品質CTQについて、シックスシグマ言語で定義する必要があります。 |
| |
また、成功基準と仕様の制限を定義する必要があります。 |
| |
また、定義フェーズでは、チームビルディングは、フォーミング、ストーミング、ノーミング、およびパフォーマンスにとって非常に重要です。 |
| |
また、ビルドデータベースなどの関連するJMP16プラットフォーム。 クエリビルダーは非常に強力です。 データの視覚化は重要です。 |
| |
データマイニングは、顧客をクラスター化しようとします。 消費者調査と同様に、市場調査はマーケティングセグメンテーションを行おうとします。それは非常に重要です。 右側は、クラスタリングを使用してマーケティングセグメンテーションを行う方法についての簡単な例です。 |
| |
クラスタリングアフィニティ分析。 おそらく、顧客をグループ化してから、マーケティングの優先順位について戦略を立てることができます。 |
| |
2番目のフェーズは測定フェーズです。 主な焦点は、特に大規模な製造生産の場合、プロセス能力とプロセスの安定性にあります。 |
| |
私たちは3つを見つけようとします |
| |
JMPの強力なツール。 最初のものはゴールプロットです。 したがって、目標プロットは、ロット間プロセス能力を2次元にプロットできます。 |
| |
さまざまな色のゾーンを通して、[inaudible]であり、適切ではないことがわかります。 |
| |
中間プロセスのパフォーマンスプロットも、プロセス機能と安定性を兼ね備えているため、非常に強力です。 両方の基準に合格できる場合は、左上に表示されるため、緑色で表示されます。 両方の基準を満たさない場合は、左下または右下になります。 |
| |
右側にはプロセス履歴エクスプローラーがあり、すべての履歴を一覧表示できます。 |
| |
過去のパフォーマンス。 そして、この種のリストを通して、あなたは低収量に関連するどのような要因を特定するかもしれません。 |
| |
次のフェーズは分析フェーズです。 分析フェーズでは、根本原因分析、複雑なデータセットの要約、パターンと洞察の視覚化と発見、重要な要因の分離とスクリーニングを行います。 |
| |
これらの分析対象に基づいて、フィッシュボーンダイアグラム、集計、テキストエクスプローラー、多変量ベースの方法、クラスタリング、およびカテゴリ別応答分析も特定します。 |
| |
このスライドでは、パレート図を紹介します。 JMP 16パレート図では、2次元を実行できるため、さまざまな種類の要因の中で、より多くの組み合わせ（??）またはパターン認識を見つけることができます。 |
| |
そして、フィッシュボーン図は常に非常に強力で、リアルタイムで役立ちました。セクションでの作業が可能です。 |
| |
フィッシュボーン図を設計またはカスタマイズします。 |
| |
データの要約については、Tabulateを強くお勧めします。 のような |
| |
Excelピボットテーブル、[inaudible]便利で強力 |
| |
記述統計を追加することもできるからです。 |
| |
真ん中のテキストエクスプローラーは、テキストデータベースの分析に非常に強力であるため、キーワードやフレーズを検索でき、テキストマイニングをデータマイニングに変換することもできます。 |
| |
右側は、カテゴリデータがさまざまな種類の要因間の関連を見つけるためのものです。 |
| |
また、色が異なると、さまざまな種類の変数が表示されるため、どのペアでも、それらは互いに近く、原点から遠く離れています。これが、高い関連性の焦点です。それはあなたにこれらの変数の間で何かまたはある種の洞察を教えてくれるかもしれません。 |
| |
次のフェーズは改善フェーズです。 |
| |
改善フェーズでは、予測モデルの構築を試みます。 必要に応じて、新しい実験の設計を試みます。 生産品質の向上に努めています。 |
| |
予測モデリング用のJMP16プラットフォームに関しては、予測プロファイラーまたはカスタムプロファイラーを強くお勧めします。 そしてDOE、私たちはできます |
| |
さまざまな種類のカスタムDOE、混合DOE、さらにはDOE拡張機能があります。 機械学習などの特殊なモデルには、JMPニューラルネットワーク、パーティションモデル、さまざまな種類のスクリーニングがあります。 |
| |
調査および消費者調査については、 |
| |
JMPには選択モデルがあり、最大差設計モデルもあります。 |
| |
設計の最適化については、 |
| |
左側の予測プロファイラーでは、感度分析を行うことができます。 モンテカルロシミュレーションを実行できるため、不適合[inaudible]をシミュレートできます。 |
| |
パーセンテージ。 |
| |
途中で、モデルに多くの要素がある場合、カスタムプロファイラーは非常に多くの要素の中から最適なモデルを見つけるのに適しています。 |
| |
右側、グループ直交過飽和DOEの場合。 これは、ダウンストリームへのオプションを分析するための非常に強力なDOEです。 また、DOEの実行回数を最小限に抑え、コストを削減するために、ブロッキング係数または概念を使用します。 |
| |
予測モデルには、非常に強力なニューラルネットワークをお勧めします |
| |
変換し、それを作るための最良のモデルを見つけようとします |
| |
より高度なトレーニングと検証を取得する |
| |
フィットネス。パーティションの場合、これはバイナリ分割です。 したがって、データセットをさまざまな種類のカテゴリに分割できるため、 |
| |
ハイライトはまた、主要な貢献を結論付けます（??）。 |
| |
設計の最適化のために、JMP16で利用可能なある種のスクリーニングプラットフォームもお勧めします。 右側の最初のものは応答スクリーニングです。 |
| |
JMPは |
| |
FDR、誤検出率。予測モデリングがどれだけ優れているかを判断します。 だからあなたのカーブが低く保たれているなら、大丈夫、そして |
| |
つまり、優れた予測モデリングがあるということです。 あなたが上がっているとき、そしてそれはこの部分を意味します、あなたは良い予測能力を持っていません。 |
| |
真ん中はプロセススクリーニングです。 したがって、すべてのプロセスパラメータを確認できます。 入力パラメータである可能性があります。 それは成果物である可能性があります。 |
| |
また、JMPは緑色と赤色を使用して、アップシフトまたはダウンシフトを識別します。 したがって、緑または赤が多く表示される場合は、ポリシーがあまり安定していないことを意味します。 |
| |
右側も非常にパワフル。 すべての予測子の寄与をランク付けするため、最初に上位の少数、または重要な少数と呼ばれる予測子が表示されます。 したがって、根本的な原因を見つけたり、解決策を見つけたりすることができます。 |
| |
消費者調査のために、JMPは選択デザインを持っていました |
| |
消費者を助けるために、彼らの最高の製品または選択を選ぶ方法。 |
| |
差異を最大化するための設計であり、これは他の調査設計でもあります。 調査では、最も優先度の低い項目も選択します。 したがって、JMPはモデルを実行して、好みをランク付けできます。 |
| |
最後の制御フェーズでは、[inaudible]はプロセス制御をスケールアップし、上流から下流への多変量プロセス制御を長期間にわたって改善し続けます。 |
| |
そして、JMPプラットフォームは、古典的な管理図、時間に敏感な管理図、多変量管理図になります。 消費者調査は多因子分析になります。 また、分解、平滑化、ARIMAモデルおよび予測などの時系列分析。 |
| |
左側の多変量管理図では、変化点検出を見つけることができます。 だから、これはあなたに前後の最大のコントラストを与えるポイントです。 したがって、これらは[inaudible]何が起こったのか、またはいつが最も多いのかについての根本原因分析です。 |
| |
最大の変化点。 真ん中にはT定規があります。 |
| |
モデル駆動管理図。 したがって、これにより障害モードが発生します。 |
| |
OOCポイントに最も寄与するパラメーターは何かについての分解。 右側は多因子分析です。 |
| |
固有値に基づいて、固有因子分析。 つまり、これは親和性図のようなものです。 したがって、固有値、固有係数に基づいて、類似した係数をグループ化できます。 |
| |
左側の時系列分析では、モデル診断を行うことができます。 したがって、彼らはトレンドの季節的および周期的な要素を特定することができます。 |
| |
途中で、ARIMAモデルを使用して、季節モデルまたは非季節モデルを使用してデータを適合させることができます。 予測のために、彼らは将来のポイントを予測するための最適なモデルを見つけることができます。 |
| |
したがって、この講演からのポイント...従来のシックスシグマDMAICと学際的なSTEAMS手法は、リーダーシップとチームビルディングに関するデータサイエンティストの育成に役立ちます。 |
| |
最新のJMP16プラットフォームはDMAICフェーズにマッピングされており、データサイエンス分野でのシックスシグマプロジェクトの展開を支援します。 データベース管理、応用工学、統計、データマイニング、テキストマイニングはすべて、今日のデータ科学分析にとって重要です。 |
| |
本日はこれでプレゼンテーションは終了です。ありがとうございました。 |
