揚聲器
|
成績單
|
| 賈森·維金斯，JMP |
好吧，準備好了就繼續吧。 |
| |
好的。 |
| |
大家好。 |
| |
我叫查爾斯·陳。 今天我們將討論一個有趣的話題，涉及使用 JMP 16 為數據科學家提供的 STEAMS 和 DMAIC 課程。 |
| |
我們是三位作者。 陳梅森是第一個。 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 STEAM 俱樂部。 陳梅森 (Mason Chen) 是一名高中三年級學生，也是俱樂部的隊長。 我和帕特里克是俱樂部的顧問。 |
| |
項目概述、機會聲明、傳統的六西格碼 DMAIC 流程以及跨學科的 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。 我們的項目目標是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 相，一直向行業專業人士提供幫助。 |
| |
在開始之前，觀眾可能會好奇，嘿，六西格碼是專業人士的，數據科學家也是專業的。 |
| |
那麼為什麼我們也向高中生提及這一點呢？ 所以在這裡我們想使用我們的第一作者 Mason Chen 的案例研究。 |
| |
他的許多經歷第一次開始是在他10歲時。 他開始接受數據科學家培訓，並嘗試認證IBM SPSS和Minitab。 |
| |
當他 11 歲時，他獲得了 IBM Modeler Data Mining 認證。 然後他轉到JMP，大約12、13歲就讀。 |
| |
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 |
| |
通過我們的項目提供大學課程和數據科學。 那麼今天，我們要根據他的經驗，還有顧問，我們嘗試介紹一下，我們如何使用JMP 16來 |
| |
創建六西格碼數據科學計劃。 梅森未來也將轉向 R。 他嘗試學習R，這樣他也可以學習JSL語言。 |
| |
這是梅森兩年前參加 ASA 會議時的照片。 |
| |
所以我們的項目嘗試連接STEAMS和DMAIC。 所以STEAM是Mason創始人2017年左右發起的STEAMs計劃 |
| |
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？ |
| |
但我們添加了人工智能和統計數據，[所以它]變成了蒸汽。 數據科學是人工智能、數學和統計學的流行組合。 |
| |
傳統的 6 西格碼 DMAIC 與 STEAMS 方法相當好地對應。 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，甚至工程領域，解決問題。 借助數據科學，他們 |
| |
甚至可能會更多地從 STEAMS 推廣到 DMAIC。 這就是我們認為如何基於 STEAMS 方法為高中生開發六西格碼數據科學項目。 |
| |
因此，第一步是在今年春季早些時候發布 JMP 16 後，我們查看所有 JMP 16 平台並確定 |
| |
有哪些平台可能對數據科學家有利？ 所以我們基於大數據的三個V——數量、種類和速度。 |
| |
並且，基於三個 V，這些工具或平台可能非常適合數據科學程序，例如圖形生成器， |
| |
文本瀏覽器、表格、預測建模、篩選、多元方法、聚類、質量方法、問題解決。 現在我們將把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[聽不清]。 |
| |
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。 |
| |
接下來是六西格碼設計，主要是建模、DOE 建模、蒙特卡洛模擬、穩健公差。 |
| |
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。 |
| |
而時間序列或預測對於數據科學處理時間（？）數據也非常重要，所以我們發現了諸如ARIMA模型。 |
| |
文本挖掘也適用於非結構化數據。 由於客戶的聲音，調查和消費者研究對於了解也非常重要。 |
| |
另外，如何進行營銷細分。 因此，我們發現所有這些統計數據對於利用 JMP 平台都至關重要。 |
| |
然後我們嘗試映射 |
| |
所有這些 JMP 16 平台均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，並開發了三個 |
| |
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，我們嘗試加快（？）JMP 16 平台對每個不同培訓項目的速度。 而且因為學生或者培訓的時候，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。 |
| |
此外，我們需要用 6 Sigma 語言定義項目目標，特別是質量 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，團隊建設對於組建、風暴、規範和執行非常重要。 |
| |
以及相關的JMP 16平台，例如構建數據庫。 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。 市場研究，就像消費者研究一樣，嘗試做營銷細分；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。 我們可能可以對客戶進行分組，然後嘗試制定有關營銷優先事項的策略。 |
| |
第二階段是測量階段。 主要關注的是工藝能力和工藝穩定性，特別是對於大規模製造生產。 |
| |
我們試圖找到三個 |
| |
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二維圖。 |
| |
通過不同顏色的區域，我們知道[聽不清]並且它不合適。 |
| |
中間的工藝性能圖也非常強大，因為它們結合了工藝能力和穩定性。 如果它可以通過這兩個標準，您將位於左上角，這意味著綠色。 如果您未滿足這兩個條件，您將位於左下或右下。 |
| |
右側是流程歷史瀏覽器，因此他們可以列出所有歷史記錄 |
| |
過去的表現。 通過這樣的列表，您可以確定哪些因素與低產量相關。 |
| |
下一階段是分析階段。 在分析階段，進行根本原因分析，總結複雜的數據集，可視化並發現模式和見解，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、表格、文本瀏覽器、基於多元的方法、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圖，他們可以做二維，所以他們可以找到更多的組合（??）或不同種類因素之間的模式識別。 |
| |
魚骨圖對於實時、分段工作始終非常強大且有用。 |
| |
設計或定制魚骨圖。 |
| |
對於數據匯總，我們強烈推薦 Tabulate。 它像是 |
| |
Excel 數據透視表，[聽不清] 方便且功能強大 |
| |
因為他們還可以添加描述性統計數據。 |
| |
在中間，文本瀏覽器對於分析文本數據庫非常強大，因此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。 |
| |
不同的顏色，它們呈現出不同類型的變量，因此對於任何一對來說，它們彼此接近並且遠離原點，這就是高度關聯的焦點；這可能會告訴您這些變量中的一些信息或某種見解。 |
| |
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，我們強烈推薦預測刻畫器或自定義刻畫器。 還有能源部，我們可以 |
| |
有不同類型的定制 DOE、混合 DOE，甚至 DOE 增強。 對於專門的模型，比如機器學習，對吧，我們有JMP神經網絡，分區模型，還有不同類型的篩選。 |
| |
對於調查和消費者研究， |
| |
JMP也有選擇模型，也有最大差異設計模型。 |
| |
為了設計優化， |
| |
在左側的預測刻畫器中，我們可以進行敏感性分析。 我們可以進行蒙特卡羅模擬，這樣我們就可以模擬不合格的[聽不清] |
| |
百分比。 |
| |
在中間，如果模型中有很多因素，自定義分析器將是在眾多因素中找到最佳模型的不錯選擇。 |
| |
右側為群正交過飽和 DOE。 這是一個非常強大的能源部，可以分析下游的選擇。 他們使用阻塞因素或概念來最大限度地減少 DOE 運行的次數，從而降低成本。 |
| |
對於預測模型，我們會推荐一個神經網絡，一個非常強大的 |
| |
轉型並嘗試找到最佳模型來實現它 |
| |
獲得更高的培訓和驗證 |
| |
健康。對於分區來說，這是二進制分割。 所以他們可以將數據集分成不同的類別，這樣他們就可以 |
| |
重點還總結了（??）主要貢獻。 |
| |
對於設計優化，我們還推薦 JMP 16 中提供的某種篩選平台。 右側第一個是反應篩選。 |
| |
JMP 使用 |
| |
FDR，錯誤檢測率，用於確定您的預測模型的好壞。 所以如果你的曲線保持較低，好吧， |
| |
這意味著你有良好的預測模型。 當你往上走的時候，這意味著這部分，你沒有很好的預測能力。 |
| |
中間一項，就是流程篩選。 這樣你就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，如果您看到更多的綠色或紅色，則意味著您的政策不太穩定。 |
| |
對於右手邊，也非常有力。 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，或者我們所說的重要的少數預測變量。 這樣您就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。 |
| |
為了最大化差異設計，這也是另一個調查設計。 在調查中，您可以選擇最喜歡的項目，也可以選擇最不喜歡的項目。 因此 JMP 可以運行模型來對您的偏好進行排名。 |
| |
對於最後一個控制階段，[聽不清]擴大過程控制，長期持續改進，從上游到下游，多元過程控制。 |
| |
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。 所以這就是前後對比最大的一點。 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， |
| |
分解哪些參數對 OOC 點貢獻最大。 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素分組在一起。 |
| |
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的季節性和周期性成分。 |
| |
在中間，他們可以使用 ARIMA 模型來使用季節性或非季節性模型來擬合數據。 對於預測，他們可以找到最佳模型來預測未來點。 |
| |
因此，本次演講的要點...傳統的 6 Sigma 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能力。 |
| |
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的時間。 |
