Diesen Juni präsentierten JMP und Wiley eine zweiteilige Webinarreihe mit dem Titel „Conquering the „Do More with Less“ Paradox with JMP“ . In der Serie werden Möglichkeiten zur Bewältigung der neuen Realität erörtert, mit der jeder am heutigen Arbeitsplatz konfrontiert ist. effizienter werden, Prozesse verbessern und das Wachstum ihrer Organisationen vorantreiben ... ohne das Budget zu erhöhen. Die Reihe gibt den Teilnehmern Tipps, Tricks und Best Practices aus der Praxis, die ihnen helfen, Daten klarer zu sehen, Entdeckungen leichter zu interpretieren und zu teilen und erkenntnisbasierte Verbesserungen vorzunehmen, die ihnen helfen, „mit weniger mehr zu erreichen“.
Der erste Vortrag wurde im Juni und erneut am 31. Oktober 2023 angeboten . „Decoding Python: Shorten the time from Discovery to model Deployment using JMP Pro“ zeigt den Teilnehmern, wie man Zeitreihenprognosen mit Python und JMP Pro durchführt, mit der maschinellen Lernmethode XGBoost . Python ist die beliebteste Programmiersprache in den Bereichen Datenwissenschaft und maschinelles Lernen. Es ist auch eine großartige Ergänzung zu den leistungsstarken grafischen und analytischen Funktionen von JMP Pro. Während des Webinars zeigen Russ Wolfinger, Director of Scientific Discovery and Genomics bei JMP, und Kemal Oflus, JMP Principal Systems Engineer, den Teilnehmern, wie man:
Darüber hinaus teilen Russ und Kemal den Teilnehmern auch den folgenden Jupyter-Notebook-Anhang: final_combined_data.csv.zip) und JMP-Tabelle (Anhang: PJME_hourly.jmp) und ein Link zum XGBoost-Add-In .
Eine ausführlichere Diskussion zu diesem Thema finden Sie im Artikel von Russ und David Lander über ihren Ansatz zum Gewinn des Kaggle M5 Uncertainty-Wettbewerbs.
Der zweite Vortrag, „Analysieren von Kurvendaten mit JMP“ , zeigt den Teilnehmern, wie sie mit JMP mit Daten arbeiten können, die durch eine Kurve dargestellt werden – eine Herausforderung, vor der viele Wissenschaftler und Ingenieure stehen. Außerdem wird den Zuschauern gezeigt, wie sie Kurven bei der Versuchsplanung und Modellierung verwenden können, damit sie besser verstehen können, wie sich Eingabevariablen auf die Form von Kurven auswirken. Der Vortrag unter der Leitung von Andrea Coombs, Senior Systems Engineer, zeigt den Teilnehmern, wie sie sowohl durch eine Formel beschriebene Kurven (Anhang: Fit Curve DOE.jmp) als auch Kurven, die mit einer flexiblen Anpassung beschrieben werden mussten (Anhang: Functional DOE.jmp), analysieren können. .
Um auf die On-Demand-Aufzeichnung beider Vorträge zuzugreifen, registrieren Sie sich über die folgenden Links:
Kurvendaten mit JMP analysieren
Python-Dekodierung: Verkürzen Sie die Zeit von der Erkennung bis zur Modellbereitstellung.
