Lo scorso giugno, JMP e Wiley hanno presentato una serie di webinar in due parti, Conquering the "Do More with Less" Paradox with JMP . La serie discute i modi per superare la nuova realtà affrontata da tutti nel posto di lavoro di oggi; diventare più efficienti, migliorare i processi e promuovere la crescita delle proprie organizzazioni... senza aumentare il budget. La serie offre ai partecipanti suggerimenti, trucchi e best practice del mondo reale per aiutarli a vedere i dati in modo più chiaro, a interpretare e condividere le scoperte più facilmente e ad apportare miglioramenti basati sugli insight che li aiutano a "fare di più con meno".
Il primo discorso è stato offerto a giugno e di nuovo il 31 ottobre 2023. Decoding Python: Shorten the time from discovery to model deploy using JMP Pro , mostra ai partecipanti come eseguire previsioni di serie temporali utilizzando Python e JMP Pro, con il metodo di apprendimento automatico XGBoost . Python è il linguaggio di programmazione più popolare nella scienza dei dati e nell'apprendimento automatico; è anche un ottimo complemento alle potenti capacità grafiche e analitiche di JMP Pro. Durante il webinar, Russ Wolfinger, Direttore della ricerca scientifica e della genomica presso JMP, e Kemal Oflus, Principal Systems Engineer di JMP, mostrano ai partecipanti come:
Inoltre, Russ e Kemal condividono con i partecipanti anche il seguente allegato al taccuino Jupyter: final_combined_data.csv.zip) e JTabella MP (allegato: PJME_hourly.jmp) e un collegamento al componente aggiuntivo XGBoost .
Per una discussione più avanzata su questo argomento, fare riferimento al documento di Russ con David Lander sul loro approccio per vincere il concorso Kaggle M5 Uncertainty.
La seconda conferenza, Analizzare i dati delle curve con JMP , mostra ai partecipanti come utilizzare JMP per lavorare con i dati rappresentati da una curva, una sfida che molti scienziati e ingegneri devono affrontare. Mostra inoltre agli spettatori come utilizzare le curve nella progettazione di esperimenti e nella modellazione in modo che possano comprendere meglio come le variabili di input influenzano la forma delle curve. L'intervento, condotto dall'ingegnere di sistema senior Andrea Coombs, mostra ai partecipanti come analizzare sia le curve descritte da una formula (allegato: Fit Curve DOE.jmp) sia le curve che necessitano di essere descritte con un adattamento flessibile (allegato: Functional DOE.jmp) .
Per accedere alla registrazione su richiesta di entrambi i discorsi, registrati utilizzando i collegamenti seguenti:
Analisi dei dati delle curve con JMP
Decodifica Python: riduce il tempo dalla scoperta alla distribuzione del modello.
