人工智能 (AI) 和机器学习 (ML) 是常见但经常被误解的术语。 JMP 试图在我们最新的统计演讲活动中使这些概念更加清晰，揭开机器学习和人工智能的神秘面纱. 主题演讲 David Hand（伦敦帝国学院）和小组成员 Diana Ballard（布鲁尔科学）； Jason Brinkley (Abt Associates) 和 Jim Georges (SAS) 讨论了如何使用 ML 技术更有效地开始和建模。 他们还分享了尖端组织如何更快地解决问题并更有效地推动创新，以及使用此类先进技术的好处。
为了帮助 JMP 销售团队与客户和潜在客户进行更有意义和更有成效的会后对话，我们创建了以下推荐资源列表，以便在活动结束后与注册人进行定位。 此列表从我们的网站中提取适当的资产，包括白皮书、网络研讨会、客户案例、博客等。
如果您对与本次活动相关的建议有任何疑问，请随时联系 Larry LaRusso。
销售队伍活动链接（按需）在此处找到
11 月 4 日，揭开机器学习和 AI 推荐的神秘面纱
充分利用机器学习的专家指导, 统计发言事件
包括 Dick DeVeaux 主题演讲，机器学习的七大罪. 与 Dick、Russ Wolfinger 和 Julia O'Neill 的精彩小组演讲
用机器学习解决科学和工程问题, 统计发言事件
非常强大的资源。 欧洲演讲者，但对深度学习、人工智能和强大/引人入胜的小组进行了深入讨论（主题演讲）。
什么是机器学习（JMP 可以做到）， JMP博客
1英石Elizabeth Claassen 博客系列的一部分。 关于机器学习概念的良好介绍性讨论，并概述了 JMP 可以执行的所有不同机器学习算法。 提倡免费试用。
应用机器学习：我会在生日那天在游泳池里打败我的丈夫吗？JMP博客
2 nd Elizabeth Claassen 博客系列的一部分。 使用一个有趣的机器学习算法示例。 就像这个博客建立的联系一样。 认为它在使我们的专家和我们的业务人性化方面做得很好。
暗数据, 书章
尽管主题并不完美，但这本书的章节来自 David Hand，他为本次活动提供了主题演讲。 Dark Data 是 Hand 的最新书。 （大卫是本次网络研讨会的主讲人）本章讨论了缺失数据或未知数据及其对分析的影响。 在此过程中，Hand 讨论了数据现象，例如 p-hacking、虚假测量错误和错误发现率，以及“HARKing”。
数据挖掘和预测建模, JMP 教程
本 JMP 教程包括一个制造案例研究，并包括使用 Graph Builder 和 Prediction Profiler 以及 JMP Pro 的多种技术的演示。 讨论与机器学习和 AI 相关的主题，包括回归、Bootstrap Forest 和 Boosted Trees（决策树）以及神经网络。
推动机器学习从理论到实践, 客户成功案例
虽然来自学术界，但这个故事展示了成均馆大学的教师和学生如何使用 JMP 部署机器学习应用程序，以代表行业客户节省大量成本和时间。 在一个案例中，该团队的努力为韩国卓越的钢铁制造商 POSCO 每条生产线每年节省了数十万美元。 Lee Jong-Seok 教授表示，通过使用 JMP 作为编码密集型 R 或 Python 的替代方案，该团队在一周内完成了原本需要一个月才能完成的工作。
机器学习推动高科技制造创新, 客户成功案例
这个故事来自半导体行业。 该故事记录了 SK 海力士公司如何使用 JMP 创建机器学习算法，以加快制造过程中数据的使用。 他们还分享了他们如何标准化 JMP 的使用以提高可能影响整个组织的效率。
国防社区的关键任务高级统计, 从统计上讲
尽管此活动特定于国防工业，但它确实涵盖了适用于各个行业的概念，并提供了对 AI 的基本理解。 在主题演讲中，劳拉·弗里曼 (Laura Freeman) 讨论了他们如何使用统计思维来使用机器学习和人工智能，以帮助国防部完成关键任务、提高员工技能并确保成功。
面向任务的分析：情报界的新方法, 分析说
行业联系，NCSU 的 Alyson Wilson 致力于将分析更多地引入情报界，以影响外交政策和国家安全。 也很好地讨论了机器学习和 AI 之间的差异。 2020 年 32 次观看，不流行。
面向制造商的智能机器学习, 白皮书
不是完美匹配，因为它是制造示例，而是围绕将机器学习与统计学家知识（人和机器）相结合的有趣讨论。
这些会议还包括关于基于树的模型和神经网络的讨论：
理解和应用基于树的方法进行预测筛选和建模, 掌握 JMP 网络研讨会
使用神经网络模型发现和预测模式, 掌握 JMP 网络研讨会
值得指出的是，鉴于 David Hand 全体会议的先进性，可能会有更多机会为报名参加本次活动的人提供 JMP Pro 定位。
