Vocero
|
Transcripción
|
| Jason WigginsJMP |
Está bien, adelante cuando estés listo. |
| |
Bueno. |
| |
Hola todos. |
| |
Mi nombre es Charles Chen. Hoy vamos a hablar sobre un tema interesante relacionado con 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 la escuela secundaria en línea de Stanford. 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 oportunidad, el proceso tradicional Six Sigma DMAIC, combinado con la metodología STEAMS interdisciplinaria |
| |
puede ayudar a los científicos de datos a hacer una mayor contribución en el campo de los grandes datos. Y nuestro objetivo de proyecto trata de desarrollar un plan de estudios de capacitación en ciencia de datos Six Sigma para estudiantes de secundaria |
| |
hasta los profesionales de la industria mapeando 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 usar el estudio de caso de nuestro primer autor, Mason Chen. |
| |
Su gran experiencia comienza cuando tenía 10 años. Comenzó a recibir capacitación en ciencia de datos y también trató de certificar IBM SPSS y Minitab. |
| |
Cuando tenía 11 años, obtuvo la certificación IBM Modeler Data Mining. Luego se pasó a la JMP, estudiando como a 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 también terminó el álgebra lineal |
| |
cursos universitarios y también ciencia de datos a través de nuestro programa. Entonces, hoy, vamos a hablar sobre la base de su experiencia, también los asesores, tratamos de presentar, 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 puede aprender el lenguaje JSL. |
| |
Y esa es la foto de Mason, cuando asistía a la conferencia de la ASA hace dos años. |
| |
Así que nuestro proyecto intenta conectar STEAMS y DMAIC. Así que STEAMS es el programa STEAMs del fundador de Mason sobre 2017 desde el |
| |
programa STEM tradicional. Entonces, ¿cuál es la diferencia? Así que la ciencia, la tecnología, la ingeniería, las matemáticas siguen siendo las mismas, ¿entiendes? |
| |
Pero agregamos inteligencia artificial y también estadísticas, [así que] se convierte en STEAMS. Y la ciencia de datos es una combinación popular de inteligencia artificial, matemáticas y estadísticas. |
| |
Y el tradicional mapa Six Sigma DMAIC bastante bien con la metodología STEAMS, bastante bien. Puedes ver mucho pensamiento cerrado. (??) Algunas otras herramientas para resolver problemas |
| |
de la DMAIC. También se relacionan bastante bien con el campo de la ciencia, o incluso con la ingeniería, la resolución de problemas. Con la ciencia de datos, ellos |
| |
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 se lanzó el JMP 16 a principios de esta primavera, es que observamos toda la plataforma JMP 16 e identificamos |
| |
cuáles son las plataformas que podrían ser buenas para el científico de datos. Entonces, basándonos en los grandes datos, las tres V: volumen, variedad y velocidad. |
| |
Y, según las tres V, que son las herramientas o las plataformas que pueden encajar bien en el programa de ciencia de datos, como Graph Builder, |
| |
Explorador de texto, tablas, modelado predictivo, cribado, métodos multivariados, agrupación, método de calidad, resolución de problemas. Ahora vamos a mapear todas estas herramientas a las fases DMAIC. |
| |
Además, a través del aprendizaje de las plataformas JMP 16, también tratamos de entender [inaudible] detrás de estas herramientas JMP. |
| |
Y descubrimos que las estadísticas de ciencia de datos pueden cubrir los siguientes módulos. El primero, el tradicional DMAIC para la ingeniería de calidad y confiabilidad, como MSA o SPC. |
| |
Y el próximo será el Diseño para Six Sigma, la mayoría para el modelado, 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, incluyendo la clasificación, red neuronal, partición o bosque aleatorio. |
| |
Y las series de tiempo o 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 son muy importantes de entender debido a la voz de los clientes. |
| |
También, cómo hacer la segmentación de marketing. Entonces, todas estas estadísticas que descubrimos son fundamentales para conocer para utilizar una plataforma JMP. |
| |
Luego tratamos de mapear |
| |
todas estas plataformas JMP 16 a los módulos Lean Six Sigma BB tradicionales. Entonces identificamos los módulos BB tradicionales y desarrollamos tres |
| |
Programas de entrenamiento. El programa A es el programa de capacitación DMAIC Black Belt más tradicional, y estas son las plataformas JMP 16 asociadas. La segunda es la minería de datos más moderna. |
| |
[inaudible] datos categóricos. Así que tratamos de acelerar (?) las plataformas JMP 16 para cada programa de entrenamiento diferente. Y debido a que los estudiantes o la capacitación pueden tener un interés particular, podemos personalizar |
| |
su particular interés y campo. |
| |
De ahora en adelante, intentaremos mapear todas las herramientas o los conceptos a las fases DMAIC. La primera fase es la fase Definir. El concepto principal de la fase Definir es tratar de definir la declaración del problema, incluida la voz de los clientes o la voz del negocio. |
| |
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 Definir, la creación de equipos es muy importante para la formación, la tormenta, la normatividad 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 del consumidor, trata de hacer la segmentación de marketing; es muy importante. En el lado derecho está el ejemplo simple de cómo hacemos la segmentación de marketing usando 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 Medición. El enfoque principal está en la capacidad del proceso y la estabilidad del proceso, especialmente para la producción manufacturera a gran escala. |
| |
Tratamos de encontrar tres |
| |
poderosa herramienta de JMP. El primero es un gráfico de objetivos. Por lo tanto, la gráfica 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. |
| |
La gráfica de rendimiento del proceso medio también es muy poderosa porque combina la capacidad y la estabilidad del proceso. Si puede pasar ambos criterios, estará en la esquina superior izquierda, lo que significa que está en verde. Si no cumple con ambos criterios, estará en la esquina inferior izquierda o en la esquina inferior derecha. |
| |
En el lado derecho hay un explorador de 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, análisis de causa raíz, resuma conjuntos de datos complejos, visualice y descubra patrones e información, aísle y evalúe factores importantes. |
| |
Con base en estos temas de Analizar, también identificamos el diagrama de espina de pescado, Tabular, Explorador de texto, métodos basados en múltiples variables, agrupamiento, también el análisis de respuesta categórica. |
| |
Para esta diapositiva, queremos presentar el diagrama de Pareto. El diagrama de Pareto JMP 16, pueden hacer el bidimensional, para que puedan encontrar más combinación (??) o el reconocimiento de patrones entre diferentes tipos de factores. |
| |
Y el diagrama de espina de pescado siempre fue muy poderoso y útil para la sección de trabajo en tiempo real, puede hacerlo. |
| |
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 poderosa |
| |
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 podemos incluso convertir la minería de texto en minería de datos. |
| |
En el lado derecho están 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 entre sí y lejos del origen y ese es el enfoque de una alta asociación; eso puede decirle algo o algún tipo de idea entre estas variables. |
| |
La siguiente fase es la fase de mejora. |
| |
Para la fase de mejora, tratamos de construir modelos predictivos. Intentamos diseñar nuevos experimentos según sea necesario. Intentamos mejorar la calidad de la producción. |
| |
En cuanto a las plataformas JMP 16 para el modelado predictivo, recomendamos encarecidamente el Prediction Profiler o el perfilador personalizado. Y DOE, podemos |
| |
tener 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, también diferentes tipos de detección. |
| |
Para la encuesta y la investigación del consumidor, |
| |
JMP tiene el modelo de elección, también el modelo de diseño de máxima diferencia. |
| |
Para la optimización del diseño, |
| |
En el lado izquierdo, Prediction Profiler, podemos hacer el análisis de sensibilidad. Podemos hacer la simulación de Monte Carlo para poder simular la disconformidad [inaudible] |
| |
porcentaje. |
| |
En el medio, si tenemos muchos factores en el modelo, Custom Profiler será la buena 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 una opción para el downstream. Y usan un factor o concepto de bloqueo para minimizar el número de ejecuciones del DOE, para 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 |
| |
conseguir 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 (??) la mayor contribución. |
| |
Para la optimización del diseño, también recomendamos algún tipo de plataforma de cribado disponible en JMP 16. El primero en el lado derecho es la evaluación 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 estás subiendo, y eso significa esta parte, no tienes una buena capacidad de predicción. |
| |
Para el del medio, es la selección de procesos. 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 de los predictores, por lo que le darán primero los primeros, o lo que llamamos los pocos vitales, los predictores. Para que pueda encontrar las causas raíz o encontrar las soluciones. |
| |
Para la investigación del consumidor, JMP tenía un diseño de elección |
| |
para ayudar al consumidor, cómo escoger 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, usted elige los artículos más preferidos y menos preferidos. Entonces JMP puede ejecutar el modelo para clasificar su preferencia. |
| |
Para la última fase de control, [inaudible] escalar el control de procesos, mantener la mejora durante un largo período, de arriba a abajo, control de procesos multivariado. |
| |
Y luego, las plataformas JMP serán el gráfico de control clásico, el gráfico de control sensible al tiempo, el gráfico de control multivariado. 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 multivariados del lado izquierdo, podemos encontrar la detección de puntos 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 causa raíz sobre lo que sucedió o cuándo es lo más, |
| |
mayor punto de cambio. En el medio, está el cuadrado T. |
| |
Gráfica de control impulsada por modelos. 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 factores propios. Esto es como un diagrama de afinidad. Para que puedan agrupar los factores similares, según el valor propio, el factor propio. |
| |
Para el análisis de series de tiempo en el lado izquierdo, pueden hacer el diagnóstico 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 Six Sigma DMAIC tradicional y el método STEAMS interdisciplinario pueden ayudar a desarrollar científicos de datos sobre liderazgo y formación de equipos. |
| |
Las modernas plataformas JMP 16 están asignadas 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. |
| |
Esto concluirá nuestra presentación de hoy, y muchas gracias por su tiempo. |
