Historias de éxito del ecosistema JMP/Python (2023-KR-30MP-1556)Kwangki Lee, Solución Haneol
El ecosistema JMP/Python básicamente significa un ecosistema que utiliza las funciones de JMP y Python de forma complementaria. Especialmente desde una perspectiva de aprendizaje automático, las propias técnicas de aprendizaje automático de JMP Pro y las de Python. Primero construimos un ecosistema de aprendizaje automático JMP/Python que construye y optimiza modelos de predicción de aprendizaje automático utilizando scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch y Tensor Flow de manera complementaria. La hoja de ruta del ecosistema JMP/Python se define como IGEO, y la hoja de ruta de IGEO se divide aproximadamente en el área IG (Identificar/Generar) y el área EO (Explorar/Optimizar). El área IG es el área de definición del problema y el área que genera datos de experimento/simulación. El área EO, el núcleo del ecosistema JMP/Python, es un área que ejecuta DEbO (Optimización basada en exploración de diseño). En el área de EO, el diseño se realiza integrando MariaDB, JMP y Python y, si es necesario, la automatización se realiza mediante la creación de una GUI utilizando Python/JMP GUI. Para explorar el área de diseño, se repiten dos pasos: diseño del experimento/diseño computarizado de la creación del experimento y construcción del modelo de aprendizaje automático, y los módulos JMP y Python se combinan según la situación. Como una historia de éxito del ecosistema de aprendizaje automático JMP/Python, hemos resumido los casos del área de exploración, los casos del sistema de monitoreo de detección de fallas de rodamientos de bolas y los casos de optimización del aprendizaje automático CAE, y la combinación de JMP y Python proporciona una dirección para realizar casi todos análisis de ingeniería Me gustaría presentarlo.
