今年 6 月、JMP と Wiley は 2 部構成のウェビナー シリーズ「Conquering the "Do More with Less" Paradox with JMP」を開催しました。このシリーズでは、今日の職場で誰もが直面する新たな現実を克服する方法について議論します。予算を増やすことなく、効率を高め、プロセスを改善し、組織の成長を促進します。このシリーズでは、参加者がデータをより明確に認識し、発見をより簡単に解釈して共有し、「より少ないリソースでより多くのことを行う」ための洞察に基づいた改善を行うのに役立つ現実世界のヒント、コツ、ベスト プラクティスを提供します。
最初の講演は 2023 年 6 月に開催され、2023 年 10 月 31 日に再度開催されました。「Python のデコード: JMP Pro を使用して発見からモデル展開までの時間を短縮する」では、機械学習手法 XGBoost を特徴とする Python と JMP Pro を使用して時系列予測を実行する方法を参加者に示します。 。 Python は、データ サイエンスと機械学習で最も人気のあるプログラミング言語です。また、JMP Pro の強力なグラフィック機能と分析機能を大幅に補完します。ウェビナーでは、JMP の科学発見およびゲノミクス担当ディレクターである Russ Wolfinger と JMP の主任システム エンジニアである Kemal Oflus が、次の方法を参加者に説明します。
さらに、Russ と Kemal は、Jupyter ノートブックの添付ファイル (final_combined_data.csv.zip) と J も出席者と共有します。MP テーブル (添付ファイル: PJME_hourly.jmp) とXGBoost アドインへのリンク。
このトピックのより高度な議論については、 Kaggle M5 Uncertainty コンペティションで優勝するためのアプローチに関する David Lander との Russ の論文を参照してください。
2 番目の講演「 JMP による曲線データの分析」では、多くの科学者やエンジニアが直面している課題である曲線で表されるデータを操作するために JMP を使用する方法を参加者に説明します。また、実験計画法やモデリングで曲線を使用する方法を視聴者に示し、入力変数が曲線の形状にどのような影響を与えるかをよりよく理解できるようにします。シニア システム エンジニアの Andrea Coombs が主導するこの講演では、式で記述される曲線 (添付: Fit Curve DOE.jmp) と柔軟な近似で記述する必要がある曲線 (添付: Functional DOE.jmp) の両方を分析する方法を出席者に示します。 。
いずれかの講演のオンデマンド録画にアクセスするには、以下のリンクを使用して登録してください。
JMP を使用した曲線データの分析
Python のデコード: 検出からモデルのデプロイまでの時間を短縮する.
