今年 6 月，JMP 和 Wiley 舉辦了一個由兩部分組成的網路研討會系列： 透過 JMP 克服「少花錢多辦事」悖論。該系列討論瞭如何克服當今工作場所中每個人面臨的新現實；提高效率、改善流程並推動組織成長…而無需增加預算。該系列為與會者提供了現實世界的提示、技巧和最佳實踐，幫助他們更清晰地查看數據，更輕鬆地解釋和分享發現，並進行洞察驅動的改進，幫助他們「事半功倍」。
第一次演講於 2023 年 6 月和 10 月 31 日舉行。解碼 Python：使用 JMP Pro 縮短從發現到模型部署的時間，向與會者展示如何使用Python 和JMP Pro 執行時間序列預測，其中包括機器學習方法XGBoost 。 Python 是資料科學和機器學習領域最受歡迎的程式語言；它也是對 JMP Pro 強大的圖形和分析功能的強大補充。在網路研討會期間，JMP 科學發現和基因組學總監 Russ Wolfinger 和 JMP 首席系統工程師 Kemal Oflus 向與會者展示如何：
此外，Russ 和 Kemal 還與與會者分享了以下 Jupyter 筆記本附件：final_combined_data.csv.zip）和 JMP 表（附件：PJME_hourly.jmp）和XGBoost 插件的連結。
有關此主題的更高級討論，請參閱 Russ 與 David Lander 合作的論文，以了解他們贏得Kaggle M5 不確定性競賽的方法。
第二場演講「使用 JMP 分析曲線數據」向與會者展示如何使用 JMP 處理曲線表示的數據，這是許多科學家和工程師面臨的挑戰。它還向觀眾展示瞭如何在實驗設計和建模中使用曲線，以便他們更好地理解輸入變數如何影響曲線的形狀。演講由資深系統工程師 Andrea Coombs 主持，向與會者展示如何分析由公式描述的曲線（附件：Fit Curve DOE.jmp）和需要透過靈活擬合描述的曲線（附件：Functional DOE.jmp） 。
若要存取任一演講的隨選錄音，請使用以下連結註冊：
使用 JMP 分析曲線數據
解碼Python：縮短從發現到模型部署的時間.
