398706_ja-JP

liliconcom

データ サイエンティスト向けの JMP ベースのシックス シグマ DMAIC トレーニング カリキュラムの開発 (2021-US-30MP-872)

レベル: 中級

 

Charles Chen、マスター黒帯 Q&R、アプライド マテリアルズ
メイソン・チェン、黒帯学生、スタンフォードOHS

 

DMAIC、DFSS、リーンを含む従来のシックス シグマ カリキュラムは、今日の AI データ サイエンティスト向けに特別かつ効果的に開発されたものではありません。 このペーパーでは、いくつかの目的を使用して、データ サイエンティスト向けの革新的なシックス シグマ トレーニング カリキュラムを示します。

1. 根本原因の分析と問題解決のために、最新の JMP Text Explorer と datamMining テクニックを採用します。
2. さまざまな JMP プラットフォームを総合的に統合して、パターン認識を分析したり、洞察を発見したりできます。
3. ニューラル、パーティション、主成分分析を通じて予測モデリング機能を強化します。
4. 目標プロット モデル駆動の多変量 SPC など、最新の品質およびプロセス プラットフォームを利用します。
5. これらの最新の JMP プラットフォームをシックス シグマ プロジェクト実行用のシックス シグマ DMAIC/DFSS/リーン フレームワークにマッピングします。  

この革新的なシックス シグマ カリキュラムは、ビッグデータ AI ビジネスで重要な意思決定を行う管理者と個人の貢献者の両方を含む、業界の専門家に適用できます。 このカリキュラムはデータ サイエンティストだけを対象としたものではありません。また、信頼できる意思決定者や真のプロジェクト リーダーになりたい設計およびプロセス エンジニア、品質および信頼性エンジニア、サプライ チェーン エンジニア、ビジネス アナリスト、統計学者、マーケティング担当者にとっても強力なツールです。  

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
ジェイソン・ウィギンズ、JMP	さて、準備ができたら先に進みましょう。
	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、JMP 16 を使用したデータ 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お話します。
	著者は3人です。 メイソン・チェンが最初の選手です。 そして私は2番目のチャールズで、パトリックは3番目です。 私たちはスタンフォードオンラインハイスクールSTEAMSクラブのメンバーです。 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アドバイザーです。
	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 プロセスと学際的な 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に役立ちます。 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を開発することです。
	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で、業界の専門家にまで提供されます。
	始める前に、聴衆は、シックス シグマはプロフェッショナル向けであり、データ サイエンティストもプロフェッショナルであることに興味があるかもしれません。
	では、なぜ高校生にもこのことを言及するのでしょうか？ そこでここでは、筆頭著者であるメイソン・チェンのケーススタディを取り上げたいと思います。
	彼の多くの経験は10歳の時に始まりました。 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、IBM SPSS と Minitab の認定にも挑戦しました。
	彼は 11 歳のときに IBM Modeler Data Mining の認定を受けました。 その後、12歳か13歳の頃にJMPに移り、勉強しました。
	そして、JMP STIPS、DOE、認定試験、そして JMP 16 テキストマイニングです。 そして今年、彼が線形代数学も終えた理由
	大学のコースだけでなく、プログラムを通じてデータ サイエンスも受講できます。 そこで今日は、私たちが紹介しようとしているアドバイザーの彼の経験に基づいて、JMP 16 をどのように使用すれば、
	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。 そしてメイソンも将来的にはRに移る予定です。 彼は R を学ぼうとしたので、JSL 言語も学ぶことができました。
	これは、2年前にASAカンファレンスに出席したときのメイソンの写真です。
	そこで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 年にメイソンが創設した STEAMs プログラムです。
	従来の STEM プログラム。 それで、違いは何ですか？ つまり、科学、技術、工学、数学は依然として同じです、わかりますか?
	しかし、人工知能と統計も追加したので、STEAMS になります。 データ サイエンスは、人工知能、数学、統計を組み合わせた人気のあるものです。
	そして、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。 緻密な思考がたくさん見られます。 (??) その他の問題解決ツール
	DMAICから。 また、それらは科学分野、さらには工学の問題解決にもかなりよく対応しています。 データ サイエンスを活用することで、
	STEAMS から DMAIC への移行をさらに促進する可能性もあります。 このようにして、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考えています。
	したがって、最初のステップは、この春初めに JMP 16 がリリースされた後、すべての JMP 16 プラットフォームを調べて特定することです。
	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。 そこで私たちはビッグデータに基づいて、ボリューム、多様性、ベロシティの 3 つの V を設定しました。
	そして、3 つの V に基づいて、グラフ ビルダーなどのデータ サイエンス プログラムに適したツールまたはプラットフォームを示します。
	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、多変量手法、クラスタリング、品質手法、問題解決。 ここで、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。
	次はシックス シグマの設計で、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、ロバストトレランスがほとんどです。
	すると、主成分分析や特異値分解などの線形代数が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。 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。
	そして、時間（？）データを扱うデータサイエンスにとって時系列や予測も非常に重要なので、ARIMAモデルのようなものを見つけます。
	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。 また、アンケートや消費者調査は、顧客の声を理解するために非常に重要です。
	また、マーケティングセグメンテーションをどのように行うか。 したがって、これらの統計はすべて、JMP プラットフォームを利用するために知ることが重要であることがわかりました。
	次に、マッピングしてみます
	これらすべての JMP 16 プラットフォームを従来のリーン シックス シグマ BB モジュールに統合します。 そこで私たちは従来の BB モジュールを特定し、3 つのモジュールを開発しました。
	トレーニングプログラム。 プログラム A は、より伝統的な DMAIC Black Belt トレーニング プログラムであり、これらは JMP 16 プラットフォームに関連付けられています。 2 つ目は、より現代的なデータ マイニングです。
	[聴取不可] カテゴリデータ。 そこで私たちは、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。 学生やトレーニングには特別な興味があるかもしれないので、カスタマイズすることができます。
	彼らの特別な興味と分野。
	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コンセプトは、顧客の声や企業の声を含めて、問題ステートメント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、特に品質の重要な 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、成功基準と仕様制限を定義する必要もあります。
	また、定義フェーズでは、チームの形成、ストーミング、規範化、パフォーマンスのためにチームビルディングが非常に重要です。
	また、データベースの構築など、関連する JMP 16 プラットフォームも同様です。 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。 市場調査は、消費者調査と同様に、マーケティングのセグメント化を試みます。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のセグメンテーションを行う方法に関する簡単な例です。
	クラスタリング親和性分析。 おそらく、顧客をグループ化して、何がマーケティングの優先事項であるかについて戦略を立てることができるでしょう。
	2 番目のフェーズは測定フェーズです。 特に大規模な製造生産においては、プロセス能力とプロセスの安定性に主な焦点が当てられています。
	3つを見つけようとします
	JMP の強力なツール。 1 つ目は目標プロットです。 したがって、目標プロットでは、ロット間の工程能力を 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、それが [inaudible] であり、それが適切ではないことがわかります。
	中間のプロセスパフォーマンスプロットも、プロセス能力と安定性を組み合わせているため、非常に強力です。 両方の基準を満たしている場合は、左上に表示されるため、緑色になります。 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、すべての履歴をリストできます。
	過去のパフォーマンス。 そして、この種のリストを通じて、どのような要因が歩留まりの低下に関連しているかを特定することができます。
	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。
	これらの分析主題に基づいて、フィッシュボーン ダイアグラム、表作成、テキスト エクスプローラー、多変量ベースの手法、クラスタリング、カテゴリ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素間のより多くの組み合わせ (??) や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 ダイアグラムは常に非常に強力で、リアルタイムでセクションを操作するのに役立ちます。
	特性要因図をデザインまたはカスタマイズします。
	データの要約には、Tabulate を強くお勧めします。 まるで
	Excel ピボット テーブル、[inaudible] 便利で強力
	記述統計も追加できるからです。
	中間の Text Explorer はテキスト データベースの分析に非常に強力なので、キーワードや語句を検索でき、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、さまざまな種類の要因間の関連性を見つけるためのカテゴリデータです。
	そして、色が異なると、それらは異なる種類の変数を示します。そのため、どのペアでも、それらは互いに近く、原点からは遠く離れており、これが高度な関連性に関する焦点です。それは、これらの変数の中から何か、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を計画します。 私たちは生産品質の向上に努めます。
	予測モデリング用の JMP 16 プラットフォームについては、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 ならできる
	さまざまな種類のカスタム DOE、混合 DOE、さらには DOE 拡張があります。 機械学習のような特殊なモデルについては、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。
	アンケートや消費者調査のため、
	JMPには選択モデルと最大差分設計モデルもあります。
	設計の最適化のために、
	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、不適合をシミュレートできます [inaudible]
	割合。
	中間では、モデルに多くの要素がある場合、非常に多くの要素の中から最適なモデルを見つけるにはカスタム プロファイラーが適しています。
	右側は、グループ直交過飽和 DOE の場合です。 これは、下流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てコストを削減するために、ブロッキング要因または概念が使用されます。
	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、それを実現するための最適な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受ける
	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、
	ハイライトは主要な貢献を締めくくる (??) ものでもあります。
	設計の最適化のために、JMP 16 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推奨します。 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の程度優れているかを判断します。 それで、あなたの曲線がより低いままであれば、大丈夫、そして
	これは、優れた予測モデリングを備えていることを意味します。 上昇しているとき、つまりこの部分を意味するとき、優れた予測能力はありません。
	真ん中は工程審査です。 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。 それは出力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。
	右側も非常に強力です。 すべての予測子の寄与をランク付けするため、最初に上位数個、または重要な少数の予測子が表示されます。 したがって、根本原因を見つけたり、解決策を見つけたりすることができます。
	消費者調査では、JMP が選択可能なデザインを提供しました
	消費者に最適な製品や選択を選択する方法を支援します。
	差分最大化計画の場合、これは他の調査計画でもあります。 アンケートでは、最も好まれない項目と最も好まれない項目を選択します。 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] プロセス制御をスケールアップし、上流から下流まで長期間にわたって改善を維持し、多変量のプロセス制御を行います。
	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。 消費者調査は多要素分析になります。 また、分解、平滑化、ARIMA モデルと予測などの時系列分析も可能です。
	左側の多変量管理図では、変化点の検出がわかります。 つまり、これが前後で最も大きなコントラストをもたらすポイントです。 つまり、これらは何が起こったのか、いつが最も多かったのかについての根本原因分析です [inaudible]
	最大の変更点。 真ん中にあるのがTスクエアです。
	モデル駆動の管理図。 これにより、失敗モードが得られます。
	OOC ポイントに最も寄与するパラメータ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、これは親和図のようなものです。 したがって、固有値、固有因子に基づいて、類似した因子をグループ化できます。
	左側の時系列分析では、モデルの診断を行うことができます。 そのため、トレンドの季節的要素と循環的要素を特定できます。
	中間では、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。 予測では、将来の時点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。
	この講演から得られるポイントは...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構築に関するデータ サイエンティストの育成に役立ちます。
	最新の JMP 16 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、応用エンジニアリング、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 サイエンティフィック分析にとって重要です。
	本日のプレゼンテーションはこれで終了とさせていただきます。お忙しいところ、誠にありがとうございました。

起こる品質と信頼性統計とモデリングRe: データ サイエンティスト向けの JMP ベースのシックス シグマ DMAIC トレーニング カリキュラムの開発 (2021-US-30MP-872)

プレゼンテーションのPDFファイルをアップロードしました。JMP プロフェッショナルからのフィードバックを歓迎します。