今年 6 月，JMP 和 Wiley 举办了一个由两部分组成的网络研讨会系列： 通过 JMP 克服“少花钱多办事”悖论。该系列讨论了如何克服当今工作场所中每个人面临的新现实；提高效率、改进流程并推动组织增长……而无需增加预算。该系列为与会者提供了现实世界的提示、技巧和最佳实践，帮助他们更清晰地查看数据，更轻松地解释和分享发现，并进行洞察驱动的改进，帮助他们“事半功倍”。
第一次演讲于 2023 年 6 月和 10 月 31 日举行。解码 Python：使用 JMP Pro 缩短从发现到模型部署的时间，向与会者展示如何使用 Python 和 JMP Pro 执行时间序列预测，其中包括机器学习方法 XGBoost 。 Python 是数据科学和机器学习领域最流行的编程语言；它也是对 JMP Pro 强大的图形和分析功能的有力补充。在网络研讨会期间，JMP 科学发现和基因组学总监 Russ Wolfinger 和 JMP 首席系统工程师 Kemal Oflus 向与会者展示如何：
此外，Russ 和 Kemal 还与与会者分享了以下 Jupyter 笔记本附件：final_combined_data.csv.zip）和 JMP 表（附件：PJME_hourly.jmp）和XGBoost 插件的链接。
有关此主题的更高级讨论，请参阅 Russ 与 David Lander 合作的论文，了解他们赢得Kaggle M5 不确定性竞赛的方法。
第二场演讲“使用 JMP 分析曲线数据”向与会者展示了如何使用 JMP 处理曲线表示的数据，这是许多科学家和工程师面临的挑战。它还向观众展示了如何在实验设计和建模中使用曲线，以便他们更好地理解输入变量如何影响曲线的形状。该演讲由高级系统工程师 Andrea Coombs 主持，向与会者展示如何分析由公式描述的曲线（附件：Fit Curve DOE.jmp）和需要通过灵活拟合描述的曲线（附件：Functional DOE.jmp） 。
要访问任一演讲的点播录音，请使用以下链接注册：
使用 JMP 分析曲线数据
解码Python：缩短从发现到模型部署的时间.
