En junio de este año, JMP y Wiley presentaron una serie de seminarios web de dos partes, Venciendo la paradoja de "hacer más con menos" con JMP . La serie analiza formas de superar la nueva realidad que enfrentan todos en el lugar de trabajo actual; volviéndose más eficientes, mejorando procesos e impulsando el crecimiento de sus organizaciones... sin aumentar el presupuesto. La serie ofrece a los asistentes consejos, trucos y mejores prácticas del mundo real para ayudarles a ver los datos con mayor claridad, interpretar y compartir descubrimientos más fácilmente y realizar mejoras basadas en conocimientos que les ayuden a "hacer más con menos".
La primera charla se ofreció en junio y nuevamente el 31 de octubre de 2023. Decodificación de Python: acorte el tiempo desde el descubrimiento hasta la implementación del modelo usando JMP Pro , muestra a los asistentes cómo realizar pronósticos de series de tiempo usando Python y JMP Pro, presentando el método de aprendizaje automático XGBoost. . Python es el lenguaje de programación más popular en ciencia de datos y aprendizaje automático; también es un gran complemento a las poderosas capacidades gráficas y analíticas de JMP Pro. Durante el seminario web, Russ Wolfinger, director de descubrimiento científico y genómica de JMP, y Kemal Oflus, ingeniero principal de sistemas de JMP, muestran a los asistentes cómo:
Además, Russ y Kemal también comparten con los asistentes el siguiente archivo adjunto del cuaderno Jupyter: final_combined_data.csv.zip) y J.Tabla MP (adjunto: PJME_hourly.jmp) y un enlace al complemento XGBoost .
Para una discusión más avanzada sobre este tema, consulte el artículo de Russ con David Lander sobre su enfoque para ganar la competencia Kaggle M5 Uncertainty.
La segunda charla, Análisis de datos de curvas con JMP , muestra a los asistentes cómo utilizar JMP para trabajar con datos representados por una curva, un desafío al que se enfrentan muchos científicos e ingenieros. También muestra a los espectadores cómo utilizar curvas en el diseño de experimentos y modelado para que puedan comprender mejor cómo las variables de entrada afectan la forma de las curvas. La charla, dirigida por la ingeniera sénior de sistemas Andrea Coombs, muestra a los asistentes cómo analizar tanto las curvas descritas mediante una fórmula (adjunto: Fit Curve DOE.jmp) como las curvas que debían describirse con un ajuste flexible (adjunto: Functional DOE.jmp) .
Para acceder a la grabación bajo demanda de cualquiera de las charlas, regístrese utilizando los enlaces a continuación:
Análisis de datos de curvas con JMP
Decodificación de Python: acorte el tiempo desde el descubrimiento hasta la implementación del modelo.
