Vocero
|
Transcripción
|
| Jason Wiggins, JMP |
Está bien, adelante cuando estés listo. |
| |
Bueno. |
| |
Hola todos. |
| |
Mi nombre es Charles Chen. Hoy vamos a hablar de un tema interesante sobre STEAMS y el plan de estudios DMAIC para científicos de datos que utilizan JMP 16. |
| |
Somos tres autores. Mason Chen es el primero. Y yo soy Charles, el segundo, y Patrick es el tercero. Somos del Club STEAMS de Stanford Online High School. Mason Chen es un estudiante de secundaria y es el líder del club. Y Patrick y yo somos los asesores del club. |
| |
La descripción general del proyecto, la declaración de oportunidades, el proceso tradicional Six Sigma DMAIC, combinado con la metodología STEAMS interdisciplinaria |
| |
puede ayudar a los científicos de datos a realizar una mayor contribución en el campo de los macrodatos. Y el objetivo de nuestro proyecto es tratar de desarrollar un plan de estudios de capacitación en ciencia de datos Six Sigma para estudiantes de secundaria. |
| |
hasta los profesionales de la industria al mapear la plataforma JMP 16 en las fases DMAIC. |
| |
Antes de comenzar, la audiencia puede tener curiosidad, oye, Six Sigma es para el profesional y el científico de datos también es profesional. |
| |
Entonces, ¿cómo es que mencionamos esto también para los estudiantes de secundaria? Así que aquí queremos utilizar el estudio de caso de nuestro primer autor, Mason Chen. |
| |
Su gran experiencia comenzó cuando tenía 10 años. Comenzó a recibir la capacitación de científico de datos y también intentó certificar IBM SPSS y Minitab. |
| |
Cuando tenía 11 años, obtuvo la certificación de IBM Modeler Data Mining. Luego se trasladó al JMP, estudiando alrededor de los 12 o 13 años. |
| |
Y luego JMP STIPS y el DOE y el examen de certificación y también la minería de texto JMP 16. Y la razón por la que este año, ahora también terminó el álgebra lineal |
| |
cursos universitarios y también ciencia de datos a través de nuestro programa. Así que hoy, vamos a hablar sobre la base de su experiencia, también los asesores, intentamos presentarles, cómo podemos usar JMP 16 para |
| |
crear el programa de ciencia de datos Six Sigma. Y también Mason se está moviendo a la R en el futuro. Trató de aprender R, por lo que también pudo aprender el lenguaje JSL. |
| |
Y esa es la foto de Mason, cuando asistía a la conferencia de ASA hace dos años. |
| |
Entonces nuestro proyecto intenta conectar STEAMS y DMAIC. Entonces STEAMS es el programa STEAMs fundador de Mason sobre 2017 de la |
| |
programa STEM tradicional. Entonces, ¿cuál es la diferencia? Entonces, la ciencia, la tecnología, la ingeniería, las matemáticas siguen siendo las mismas, ¿entiendes? |
| |
Pero agregamos inteligencia artificial y también estadísticas, [por lo que] se convierte en STEAMS. Y la ciencia de datos es una combinación popular de inteligencia artificial, matemáticas y estadística. |
| |
Y el mapa tradicional de Six Sigma DMAIC bastante bien con la metodología STEAMS, bastante bien. Puedes ver mucho pensamiento de cerca. (??) Algunas otras herramientas de resolución de problemas |
| |
de la DMAIC. También se asignan bastante bien al campo de la ciencia, o incluso a la ingeniería, en la resolución de problemas. Con la ciencia de datos, |
| |
incluso puede promover más de STEAMS a DMAIC. Así es como pensamos que podemos desarrollar el programa de ciencia de datos Six Sigma para estudiantes de secundaria basado en la metodología STEAMS. |
| |
Entonces, el primer paso, una vez que el JMP 16 se lanzó a principios de esta primavera, es que analicemos toda la plataforma JMP 16 e identifiquemos |
| |
¿Cuáles son las plataformas que podrían ser buenas para el científico de datos? Así que basamos en el big data las tres V: volumen, variedad y velocidad. |
| |
Y, en función de las tres V, que son las herramientas o las plataformas que pueden adaptarse bien al programa de ciencia de datos, como un Graph Builder, |
| |
Explorador de texto, tablas, modelado predictivo, cribado, métodos multivariados, agrupamiento, método de calidad, resolución de problemas. Ahora vamos a mapear todas estas herramientas a las fases DMAIC. |
| |
También a través del aprendizaje de las plataformas JMP 16, también tratamos de comprender [inaudible] detrás de estas herramientas JMP. |
| |
Y descubrimos que las estadísticas de ciencia de datos pueden cubrir los siguientes módulos. El primero, el DMAIC tradicional para la ingeniería de calidad y confiabilidad, como MSA o SPC. |
| |
Y el siguiente será el Diseño para Six Sigma, la mayoría para el modelado, el modelado DOE, la simulación Monte Carlo, tolerancia robusta. |
| |
Luego, descubrimos que el álgebra lineal es muy importante para la ciencia de datos, como el análisis de componentes principales o la descomposición de valores singulares. Y el siguiente será la minería de datos, incluida la clasificación, red neuronal, partición o bosque aleatorio. |
| |
Y las series de tiempo o los pronósticos también son muy importantes para que la ciencia de datos maneje los datos de tiempo (?), Por lo que descubrimos que, como el modelo ARIMA. |
| |
Y la minería de texto también es buena para los datos no estructurados. Y la encuesta y la investigación del consumidor también es muy importante de entender debido a la voz de los clientes. |
| |
Además, cómo hacer la segmentación de marketing. Entonces, descubrimos que es fundamental conocer todas estas estadísticas para poder utilizar una plataforma JMP. |
| |
Entonces tratamos de mapear |
| |
todas estas plataformas JMP 16 a los tradicionales módulos Lean Six Sigma BB. Entonces identificamos los módulos BB tradicionales y desarrollamos tres |
| |
Programas de entrenamiento. El programa A es el programa de formación más tradicional de DMAIC Black Belt, y estas son las plataformas JMP 16 asociadas. El segundo es la minería de datos más moderna. |
| |
[inaudible] datos categóricos. Así que intentamos acelerar (?) Las plataformas JMP 16 para cada programa de entrenamiento diferente. Y debido a que los alumnos o la formación, pueden tener un interés particular, por eso podemos personalizar |
| |
su interés y campo particular. |
| |
A partir de ahora, intentaremos mapear todas las herramientas o los conceptos a las fases DMAIC. La primera fase es la fase Definir. El concepto principal para la fase de Definición es tratar de definir el planteamiento del problema, incluyendo la voz de los clientes o la voz de la empresa. |
| |
Y también, necesitamos definir la meta y el objetivo del proyecto, especialmente sobre el CTQ Crítico para la Calidad, en lenguaje Six Sigma. |
| |
También necesitan definir los criterios de éxito y cualquier límite de especificación. |
| |
También en la fase de definición, la formación de equipos es muy importante para la formación, el asalto, la normalización y el desempeño. |
| |
Y las plataformas JMP 16 asociadas, como la base de datos de compilación. Query Builder es muy poderoso. La visualización de datos es importante. |
| |
La minería de datos intenta agrupar a los clientes. La investigación de mercado, como la investigación de consumidores, intenta realizar la segmentación del marketing; es muy importante. En el lado derecho está el ejemplo simple sobre cómo hacemos la segmentación de marketing utilizando el agrupamiento. |
| |
Análisis de afinidad de agrupamiento. Probablemente podamos agrupar a los clientes y luego intentar establecer una estrategia sobre cuál es la prioridad de marketing. |
| |
La segunda fase es la fase de Medida. El enfoque principal está en la capacidad del proceso y la estabilidad del proceso, especialmente para la producción de fabricación a gran escala. |
| |
Tratamos de encontrar tres |
| |
poderosa herramienta de JMP. El primero es una trama de objetivos. Por tanto, el gráfico de objetivos puede trazar la capacidad del proceso de lote a lote y en las dos dimensiones. |
| |
A través de las diferentes zonas de colores, sabemos que [inaudible] y no es adecuado. |
| |
El gráfico de rendimiento del proceso intermedio también es muy poderoso porque combina la capacidad del proceso y la estabilidad. Si puede pasar ambos criterios, estará en la esquina superior izquierda, es decir, en verde. Si no cumple con ambos criterios, estará en la parte inferior izquierda o en la parte inferior derecha. |
| |
En el lado derecho hay un explorador del historial de procesos para que puedan enumerar todos los |
| |
Actuaciones pasadas. Y a través de este tipo de lista, puede identificar qué tipo de factores asociados con el bajo rendimiento. |
| |
La siguiente fase es la fase de análisis. En la fase de análisis, el análisis de la causa raíz, resume conjuntos de datos complejos, visualiza y descubre patrones y conocimientos, aísla y analiza los factores importantes. |
| |
Con base en estos temas de Analizar, también identificamos el diagrama de espina de pescado, Tabular, Explorador de texto, métodos basados en multivariantes, agrupamiento, también el análisis de respuesta categórica. |
| |
Para esta diapositiva, queremos presentar el diagrama de Pareto. El diagrama de Pareto de JMP 16, pueden hacer el bidimensional, por lo que pueden encontrar más combinación (??) o el reconocimiento de patrones entre diferentes tipos de factores. |
| |
Y el diagrama de espina de pescado siempre fue una sección muy poderosa y útil para trabajar en tiempo real. |
| |
diseñar o personalizar el diagrama de espina de pescado. |
| |
Para el resumen de datos, Tabulate es el que recomendamos encarecidamente. Es como |
| |
la tabla dinámica de Excel, [inaudible] conveniente y potente |
| |
porque también pueden agregar estadísticas descriptivas. |
| |
En el medio, el Explorador de texto es tan poderoso para analizar la base de datos de texto, por lo que pueden buscar la palabra clave y las frases, luego incluso podemos convertir la minería de texto a la minería de datos. |
| |
En el lado derecho se encuentran los datos categóricos para encontrar asociaciones entre diferentes tipos de factores. |
| |
Y los diferentes colores, presentan diferentes tipos de variables, por lo que para cualquier par están cerca y lejos del origen y ese es el foco de una alta asociación; eso puede decirle algo o algún tipo de conocimiento entre estas variables. |
| |
La siguiente fase es la fase de Mejora. |
| |
Para la fase de Mejora, intentamos construir modelos predictivos. Intentamos diseñar nuevos experimentos según sea necesario. Intentamos mejorar la calidad de la producción. |
| |
Con respecto a las plataformas JMP 16 para el modelado predictivo, recomendamos encarecidamente el Prediction Profiler o el generador de perfiles personalizado. Y DOE, podemos |
| |
tienen diferentes tipos de DOE personalizado, DOE mixto o incluso el aumento DOE. Para los modelos especializados, como el aprendizaje automático, tenemos la red neuronal JMP, el modelo de partición y también diferentes tipos de cribado. |
| |
Para la encuesta y la investigación de consumidores, |
| |
JMP tiene el modelo de elección, también el modelo de diseño de máxima diferencia. |
| |
Para la optimización del diseño, |
| |
En el lado izquierdo, el Prediction Profiler, podemos hacer el análisis de sensibilidad. Podemos hacer la simulación de Monte Carlo para poder simular lo no conforme [inaudible] |
| |
porcentaje. |
| |
En el medio, si tenemos muchos factores en el modelo, Custom Profiler será la mejor opción para encontrar el modelo óptimo entre tantos factores. |
| |
En el lado derecho, para grupo DOE sobresaturado ortogonal. Este es el DOE muy poderoso para analizar en busca de una opción para el flujo descendente. Y utilizan un concepto o factores de bloqueo para minimizar el número de ejecuciones del DOE y reducir el costo. |
| |
Para los modelos predictivos, recomendaremos una red neuronal, una red muy potente |
| |
transformación y tratar de encontrar el mejor modelo para hacerlo |
| |
obtener una mayor formación y validación |
| |
aptitud física. Para la partición, esta es una división binaria. Para que puedan dividir el conjunto de datos en diferentes tipos de categorías, para que puedan |
| |
Destacar también concluir (??) el mayor aporte. |
| |
Para la optimización del diseño, también recomendamos algún tipo de plataforma de cribado disponible en JMP 16. El primero en el lado derecho es el cribado de respuesta. |
| |
JMP utiliza el |
| |
FDR, tasa de detección falsa, para determinar qué tan bueno es su modelo de predicción. Entonces, si su curva se mantiene más baja, está bien y |
| |
y eso significa que tiene un buen modelo de predicción. Cuando subes, y eso significa esta parte, no tienes una buena capacidad de predicción. |
| |
Para el del medio, es el proceso de cribado. Para que pueda ver todos los parámetros del proceso. Podría ser un parámetro de entrada. Podrían ser entregables de salida. |
| |
Y JMP usa el color verde y el color rojo para identificar el cambio hacia arriba o hacia abajo. Entonces, si ve más verde o rojo, eso significa que su póliza no es muy estable. |
| |
Para el lado derecho, también muy potente. Clasifica toda la contribución del predictor, por lo que le darán primero los primeros, o lo que llamamos los pocos vitales, los predictores. Para que pueda encontrar las causas fundamentales o encontrar las soluciones. |
| |
Para la investigación del consumidor, JMP tuvo un diseño de elección |
| |
para ayudar al consumidor, cómo elegir su mejor producto o la elección. |
| |
Para el diseño de maximizar la diferencia, y este es también el otro diseño de encuesta. Para la encuesta, elige la mayoría y los elementos menos preferidos. Por lo tanto, JMP puede ejecutar el modelo para clasificar su preferencia. |
| |
Para la última fase de control, [inaudible] escalar el control del proceso, mantener la mejora durante un período prolongado, de aguas arriba a aguas abajo, control de procesos multivariante. |
| |
Y luego las plataformas JMP serán un gráfico de control clásico, un gráfico de control sensible al tiempo, un gráfico de control multivariante. La investigación del consumidor será el análisis de factores múltiples. También el análisis de series de tiempo, como descomposición, suavizado y modelo y pronóstico ARIMA. |
| |
Para los gráficos de control multivariante en el lado izquierdo, podemos encontrar la detección del punto de cambio. Así que este es el punto que te dará el mayor contraste antes y después. Así que estos son [inaudible] el análisis de la causa raíz de lo que sucedió o cuándo es más, |
| |
mayor punto de cambio. En el medio, está el cuadrado T. |
| |
Gráfico de control impulsado por modelo. Entonces esto le dará el modo de falla, |
| |
descomposición sobre cuáles son los parámetros que más contribuyen al punto OOC. En el lado derecho hay un análisis de factores múltiples. |
| |
Basado en el valor propio, análisis de factor propio. Entonces esto es como un diagrama de afinidad. Por lo tanto, pueden agrupar los factores similares, basándose en el valor propio, el factor propio. |
| |
Para el análisis de series de tiempo en el lado izquierdo, pueden hacer los diagnósticos del modelo. Para que puedan identificar los componentes estacionales y cíclicos de la tendencia. |
| |
En el medio, pueden usar los modelos ARIMA para ajustar los datos usando los modelos estacionales o no estacionales. Para el pronóstico, pueden encontrar el modelo óptimo para predecir el punto futuro. |
| |
Entonces, la conclusión de esta charla ... El método tradicional Six Sigma DMAIC y STEAMS interdisciplinario pueden ayudar a desarrollar científicos de datos sobre liderazgo y formación de equipos. |
| |
Las plataformas JMP 16 modernas se asignan a las fases DMAIC para ayudar a implementar proyectos Six Sigma en los campos de la ciencia de datos. La gestión de bases de datos, la ingeniería aplicada, las estadísticas, la minería de datos y la minería de textos son fundamentales para el análisis científico de datos actual. |
| |
Con esto concluirá nuestra presentación de hoy y muchas gracias por su tiempo. |
