揚聲器
|
成績單
|
| 傑森威金斯，JMP |
好的，準備好了就去吧。 |
| |
好的。 |
| |
大家好。 |
| |
我的名字是查爾斯·陳。 今天我們將討論一個有趣的話題，關於使用 JMP 16 的數據科學家的 STEAMS 和 DMAIC 課程。 |
| |
我們是三位作者。 陳美森是第一個。 我是查爾斯，第二個，帕特里克是第三個。 我們來自斯坦福在線高中STEAMS俱樂部。 Mason Chen 是一名高中生，是俱樂部的領導者。 我和帕特里克是俱樂部的顧問。 |
| |
項目概述、機會陳述、傳統的 6 Sigma DMAIC 流程，結合跨學科的 STEAMS 方法論 |
| |
可以幫助數據科學家在大數據領域做出更大的貢獻。 我們的項目目標嘗試為高中生開發六西格碼數據科學培訓課程 |
| |
通過將 JMP 16 平台映射到 DMAIC 階段，一直到行業專業人士。 |
| |
在我們開始之前，觀眾可能會好奇，嘿，六西格碼是專業的，數據科學家也是專業的。 |
| |
那麼我們怎麼也為高中生提到這一點呢？ 所以在這裡我們想使用我們的第一作者 Mason Chen 的案例研究。 |
| |
他的許多經驗首先開始於他 10 歲。 他開始接受數據科學家培訓，並嘗試認證 IBM SPSS 和 Minitab。 |
| |
在他 11 歲時，他獲得了 IBM Modeler Data Mining 認證。 然後他搬到 JMP，學習大約 12 或 13 歲。 |
| |
然後是 JMP STIPS、DOE 和認證考試以及 JMP 16 文本挖掘。 而今年，他現在也完成了線性代數的原因 |
| |
大學課程和數據科學通過我們的計劃。 所以今天，我們要根據他的經驗談談，還有顧問，我們嘗試介紹，我們如何使用JMP 16 |
| |
創建六西格碼數據科學計劃。 而且 Mason 將來會轉向 R。 他嘗試學習R，所以他也可以學習JSL語言。 |
| |
那是梅森兩年前參加 ASA 會議時的照片。 |
| |
所以我們的項目嘗試連接STEAMS和DMAIC。 所以STEAMS是梅森創始人STEAMs計劃大約2017年從 |
| |
傳統的 STEM 項目。 那麼有什麼區別呢？ 所以科學、技術、工程、數學還是一樣的，明白嗎？ |
| |
但是我們添加了人工智能和統計數據，[所以它] 變成了 STEAMS。 數據科學是人工智能、數學和統計學的流行組合。 |
| |
傳統的 6 Sigma DMAIC 與 STEAMS 方法的映射相當好，相當好。 你可以看到很多仔細的思考。 (??) 其他一些解決問題的工具 |
| |
來自 DMAIC。 它們也很好地映射到科學領域，甚至工程，解決問題。 有了數據科學，他們 |
| |
甚至可能更多地從STEAMS 推廣到DMAIC。 這就是我們認為我們可以基於 STEAMS 方法為高中生開發六西格碼數據科學計劃的方式。 |
| |
所以第一步，一旦 JMP 16 在今年春天早些時候發布，我們就會查看所有 JMP 16 平台並確定 |
| |
哪些平台可能對數據科學家有益？ 所以我們基於大數據的三個 Vs - 數量、種類和速度。 |
| |
而且，基於三個 V，它們是可能非常適合數據科學程序的工具或平台，例如 Graph Builder， |
| |
文本資源管理器、表格、預測建模、篩選、多元方法、聚類、質量方法、問題解決。 現在我們要將所有這些工具映射到 DMAIC 階段。 |
| |
此外，通過學習 JMP 16 平台，我們還嘗試了解這些 JMP 工具背後的 [音頻不清晰]。 |
| |
我們發現數據科學統計可能涵蓋以下模塊。 第一個，用於質量和可靠性工程的傳統 DMAIC，例如 MSA 或 SPC。 |
| |
接下來將是六西格瑪的設計，大部分用於建模、DOE 建模、蒙特卡羅模擬、魯棒容差。 |
| |
然後我們發現線性代數對於數據科學非常重要，例如主成分分析或奇異值分解。 接下來是數據挖掘，包括分類、神經網絡、分區或隨機森林。 |
| |
時間序列或預測對於數據科學處理時間（？）數據也非常重要，因此我們發現了諸如 ARIMA 模型。 |
| |
文本挖掘也適用於非結構化數據。 由於客戶的聲音，調查和消費者研究也非常重要。 |
| |
另外，如何進行營銷細分。 因此，我們發現的所有這些統計數據對於使用 JMP 平台都至關重要。 |
| |
然後我們嘗試映射 |
| |
所有這些 JMP 16 平台都適用於傳統的精益六西格碼 BB 模塊。 所以我們確定了傳統的 BB 模塊，我們開發了三個 |
| |
培訓計劃。 計劃 A 是更傳統的 DMAIC 黑帶培訓計劃，這些是與之相關的 JMP 16 平台。 第二個是更現代的數據挖掘 |
| |
[聽不清] 分類數據。 因此，我們嘗試將 JMP 16 平台加速 (?) 用於每個不同的培訓計劃。 並且因為學生或培訓，他們可能有特別的興趣，所以我們可以定制 |
| |
他們的特殊興趣和領域。 |
| |
從現在開始，我們將嘗試將所有工具或概念映射到 DMAIC 階段。 第一個階段是定義階段。 定義階段的主要概念是嘗試定義問題陳述，包括客戶的聲音或業務的聲音。 |
| |
而且，我們需要用六西格碼語言定義項目目標和目標，特別是關於質量 CTQ 的關鍵。 |
| |
他們還需要定義成功標準和任何規格限制。 |
| |
同樣在定義階段，團隊建設對於形成、風暴、規範和執行非常重要。 |
| |
以及相關的 JMP 16 平台，如構建數據庫。 查詢生成器非常強大。 數據可視化很重要。 |
| |
數據挖掘嘗試對客戶進行聚類。 市場調研，和消費者調研一樣，嘗試做市場細分；這是非常重要的。 右側是關於我們如何使用聚類進行營銷細分的簡單示例。 |
| |
聚類親和力分析。 我們可能可以將客戶分組，然後嘗試制定關於營銷優先級的策略。 |
| |
第二階段是測量階段。 主要關注過程能力和過程穩定性，特別是對於大規模製造生產。 |
| |
我們試圖找到三個 |
| |
來自 JMP 的強大工具。 第一個是目標圖。 因此，目標圖可以將批次間的過程能力繪製成兩個維度。 |
| |
通過不同的顏色區域，我們知道 [聽不清] 並且它不適合。 |
| |
中間過程性能圖也非常強大，因為它們結合了過程能力和穩定性。 如果它可以通過這兩個條件，您將位於左上角，因此表示為綠色。 如果您不符合這兩個條件，您將位於左下角或右下角。 |
| |
右側是流程歷史瀏覽器，因此他們可以列出所有歷史 |
| |
過去的表現。 通過這種列表，您可以確定哪些因素與產量低下相關。 |
| |
下一階段是分析階段。 在分析階段，根本原因分析，總結複雜的數據集，可視化和發現模式和見解，隔離和篩選重要因素。 |
| |
基於這些分析主題，我們還確定了魚骨圖、製表、文本資源管理器、基於多變量的方法、聚類以及分類響應分析。 |
| |
對於這張幻燈片，我們想介紹帕累托圖。 JMP 16 Pareto plot，他們可以做二維，所以他們可以找到更多的組合（??）或不同類型因素之間的模式識別。 |
| |
魚骨圖總是一個非常強大和有用的實時、部分工作，你可以。 |
| |
設計或定制魚骨圖。 |
| |
對於數據匯總，我們強烈推薦使用 Tabulate。 它像是 |
| |
Excel 數據透視表，[聽不清] 方便而強大 |
| |
因為他們還可以添加描述性統計數據。 |
| |
中間，文本資源管理器對文本數據庫的分析非常強大，所以他們可以搜索關鍵字和短語，然後我們甚至可以將文本挖掘轉換為數據挖掘。 |
| |
右側是分類數據，用於查找不同類型因素之間的關聯。 |
| |
並且不同的顏色，它們呈現出不同種類的變量，所以對於任何一對它們彼此靠近而遠離原點，這就是高度關聯的重點；這可能會告訴您這些變量中的某些內容或某種見解。 |
| |
下一階段是改進階段。 |
| |
對於改進階段，我們嘗試構建預測模型。 我們嘗試根據需要設計新的實驗。 我們努力提高生產質量。 |
| |
關於用於預測建模的 JMP 16 平台，我們強烈推薦使用 Prediction Profiler 或自定義 Profiler。 和能源部，我們可以 |
| |
有不同種類的自定義 DOE、混合 DOE，甚至 DOE 增強。 對於專門的模型，比如機器學習，對，我們有 JMP 神經網絡、分區模型，還有不同種類的篩選。 |
| |
對於調查和消費者研究， |
| |
JMP 有選擇模型，也有最大差異設計模型。 |
| |
對於設計優化， |
| |
在左側，即預測刻畫器，我們可以進行敏感性分析。 我們可以進行蒙特卡羅模擬，因此我們可以模擬不合格的 [聽不清] |
| |
百分比。 |
| |
在中間，如果我們在模型中有很多因素，那麼 Custom Profiler 將是在這麼多因素中找到最佳模型的不錯選擇。 |
| |
在右側，對於群正交過飽和 DOE。 這是分析下游選項的非常強大的 DOE。 他們使用阻塞因子或概念來最小化 DOE 運行的次數，以降低成本。 |
| |
對於預測模型，我們將推荐一個神經網絡，一個非常強大的 |
| |
轉換並嘗試找到最好的模型來實現它 |
| |
獲得更高的訓練和驗證 |
| |
健康。對於分區，這是一個二進制拆分。 所以他們可以把數據集分成不同種類的類別，所以他們可以 |
| |
亮點也總結了（??）的主要貢獻。 |
| |
對於設計優化，我們還推薦了 JMP 16 中可用的某種篩選平台。 右手邊的第一個是響應篩選。 |
| |
JMP 使用 |
| |
FDR，誤檢率，用於確定您的預測建模有多好。 所以如果你的曲線保持較低，好的，並且 |
| |
這意味著你有很好的預測模型。 當你上升時，這意味著這部分，你沒有很好的預測能力。 |
| |
對於中間一個，是過程篩選。 所以你可以看到所有的工藝參數。 它可以是輸入參數。 它可以是輸出可交付成果。 |
| |
JMP 使用綠色和紅色來識別升檔或降檔。 因此，如果您看到更多綠色或紅色，則表示您的政策不是很穩定。 |
| |
對於右手邊，也很強大。 它對所有預測變量的貢獻進行排名，因此它們會首先為您提供前幾個，或者我們稱之為重要的少數預測變量。 因此，您可以找到根本原因或找到解決方案。 |
| |
對於消費者研究，JMP 有選擇設計 |
| |
幫助消費者，如何挑選他們最好的產品或選擇。 |
| |
對於最大化差異設計，這也是另一種調查設計。 對於調查，您選擇最不受歡迎的項目。 因此 JMP 可以運行模型來對您的偏好進行排序。 |
| |
對於最後一個控制階段，[聽不清] 擴大過程控制，長期保持改進，從上游到下游，多變量過程控制。 |
| |
然後JMP平台將是經典控製圖、時間敏感控製圖、多元控製圖。 消費者研究將是多因素分析。 還有時間序列分析，如分解、平滑和 ARIMA 模型和預測。 |
| |
對於左側的多元控製圖，我們可以找到變化點檢測。 所以這點會給你最大的前後對比。 所以這些是[聽不清]關於發生了什麼或什麼時候發生最多的根本原因分析， |
| |
最大的變化點。 中間是T廣場。 |
| |
模型驅動控製圖。 所以這會給你失敗模式， |
| |
分解對 OOC 點貢獻最大的參數是什麼。 右側是多因素分析。 |
| |
基於特徵值，特徵因子分析。 所以這就像一個親和圖。 因此，他們可以根據特徵值、特徵因子將相似的因子組合在一起。 |
| |
對於左側的時間序列分析，他們可以進行模型診斷。 因此他們可以識別趨勢季節性和周期性成分。 |
| |
在中間，他們可以使用 ARIMA 模型來擬合使用季節性或非季節性模型的數據。 對於預測，他們可以找到最佳模型來預測未來點。 |
| |
所以這次演講的要點是……傳統的六西格碼 DMAIC 和跨學科的 STEAMS 方法可以幫助培養數據科學家的領導力和團隊建設。 |
| |
現代 JMP 16 平台映射到 DMAIC 階段，以幫助在數據科學領域部署 6 Sigma 項目。 數據庫管理、應用工程、統計、數據挖掘和文本挖掘對於當今的數據科學分析都至關重要。 |
| |
我們今天的演講到此結束，非常感謝您抽出寶貴時間。 |
