Erfolgsgeschichten zum JMP/Python-Ökosystem (2023-KR-30MP-1556)Kwangki Lee, Haneol-Lösung
Das JMP/Python-Ökosystem bedeutet im Grunde ein Ökosystem, das die Funktionen von JMP und die Funktionen von Python komplementär nutzt. Insbesondere aus der Perspektive des maschinellen Lernens haben wir zunächst ein JMP/Python-Ökosystem für maschinelles Lernen aufgebaut erstellt und optimiert Vorhersagemodelle für maschinelles Lernen unter Verwendung von scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch und Tensor Flow in komplementärer Weise. Die Roadmap des JMP/Python-Ökosystems wird als IGEO definiert, und die IGEO-Roadmap ist grob in den IG-Bereich (Identifizieren/Generieren) und den EO-Bereich (Erkunden/Optimieren) unterteilt. Der IG-Bereich ist der Problemdefinitionsbereich und der Bereich der Experiment-/Simulationsdaten generiert. Der EO-Bereich, der Kern des JMP/Python-Ökosystems, ist ein Bereich, der DEbO (Design Exploration based Optimization) ausführt. Im EO-Bereich erfolgt das Design durch die Integration von MariaDB, JMP und Python und bei Bedarf erfolgt die Automatisierung durch den Aufbau einer GUI mithilfe der Python/JMP-GUI. Um den Entwurfsbereich zu erkunden, werden zwei Schritte wiederholt: Versuchsplanung/computergestützte Versuchsplanung und Modellkonstruktion für maschinelles Lernen. Je nach Situation werden JMP- und Python-Module kombiniert. Als Erfolgsgeschichte des JMP/Python-Ökosystems für maschinelles Lernen haben wir die Fälle des Erkunden-Bereichs, die Fälle des Überwachungssystems zur Erkennung von Kugellagerausfällen und die Fälle der CAE-Optimierung des maschinellen Lernens zusammengefasst. Die Kombination von JMP und Python bietet eine Richtung für die Durchführung fast aller Fälle Ingenieuranalyse. Ich möchte es vorstellen.
