Témoignages de réussite de l'écosystème JMP/Python (2023-KR-30MP-1556)Kwangki Lee, Haneol Solution
L'écosystème JMP/Python signifie essentiellement un écosystème qui utilise les fonctions de JMP et les fonctions de Python de manière complémentaire. Surtout du point de vue de l'apprentissage automatique, les techniques d'apprentissage automatique de JMP Pro ainsi que celles de Python. Nous avons d'abord construit un écosystème d'apprentissage automatique JMP/Python qui crée et optimise des modèles de prédiction d'apprentissage automatique à l'aide de scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch et Tensor Flow de manière complémentaire. La feuille de route de l'écosystème JMP/Python est définie comme IGEO, et la feuille de route IGEO est grossièrement divisée en la zone IG (Identifier/Générer) et la zone EO (Explorer/Optimiser). La zone IG est la zone de définition du problème et la zone qui génère des données d'expérimentation/simulation. La zone EO, au cœur de l'écosystème JMP/Python, est une zone qui exécute DEbO (Design Exploration based Optimization). Dans le domaine EO, la conception est réalisée en intégrant MariaDB, JMP et Python, et si nécessaire, l'automatisation est réalisée en créant une interface graphique à l'aide de l'interface graphique Python/JMP. Pour explorer le domaine de la conception, deux étapes sont répétées : conception d'expériences/conception informatisée de création d'expériences et construction de modèles d'apprentissage automatique, et les modules JMP et Python sont combinés en fonction de la situation. En tant qu'histoire de réussite de l'écosystème d'apprentissage automatique JMP/Python, nous avons résumé les cas de la zone Explore, les cas du système de surveillance de détection de défaillance de roulements à billes et les cas d'optimisation de l'apprentissage automatique CAE, et la combinaison de JMP et Python fournit une direction pour réaliser presque tous les cas. analyse technique que j'aimerais vous présenter.
