Storie di successo dell'ecosistema JMP/Python (2023-KR-30MP-1556)Kwangki Lee, Soluzione Haneol
L'ecosistema JMP/Python significa fondamentalmente un ecosistema che utilizza le funzioni di JMP e quelle di Python in modo complementare. Soprattutto dal punto di vista del machine learning, le tecniche di machine learning di JMP Pro così come quelle di Python Per prima cosa abbiamo creato un ecosistema di machine learning JMP/Python che costruisce e ottimizza modelli di previsione dell'apprendimento automatico utilizzando scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch e Tensor Flow in modo complementare. La roadmap dell'ecosistema JMP/Python è definita IGEO, e la roadmap IGEO è grosso modo divisa nell'area IG (Identify/Generate) e nell'area EO (Explore/Optimize). L'area IG è l'area di definizione del problema e l'area che genera dati di esperimento/simulazione.L'area EO, il nucleo dell'ecosistema JMP/Python, è un'area che esegue DEbO (Design Exploration based Optimization). Nell'area EO, la progettazione viene eseguita integrando MariaDB, JMP e Python e, se necessario, l'automazione viene eseguita costruendo una GUI utilizzando la GUI Python/JMP. Per esplorare l'area di progettazione, vengono ripetuti due passaggi: progettazione dell'esperimento/progettazione computerizzata della creazione dell'esperimento e costruzione del modello di apprendimento automatico, e i moduli JMP e Python vengono combinati a seconda della situazione. Come storia di successo dell'ecosistema di machine learning JMP/Python, abbiamo riepilogato i casi dell'area Esplora, i casi del sistema di monitoraggio del rilevamento dei guasti dei cuscinetti a sfere e i casi di ottimizzazione del machine learning CAE e la combinazione di JMP e Python fornisce una direzione per eseguire quasi tutti analisi ingegneristica. Vorrei presentarla.
