Maschinelles Lernen hat die Datenanalyse und Entscheidungsfindung in verschiedenen Branchen revolutioniert. In dieser Präsentation konzentrieren wir uns insbesondere auf die Vorteile der Integration in JMP Pro, einem leistungsstarken Statistik- und Datenvisualisierungstool. Anhand verschiedener realer Fallstudien (mit anonymisierten und modifizierten Daten zur Veranschaulichung) zeigen wir, wie sich komplexe Zusammenhänge in Datensätzen aufdecken lassen, was zu aussagekräftigen Clusterings, Segmentierungen und Prognosen führt. Die Techniken des maschinellen Lernens in JMP und JMP Pro ermöglichen es Anwendern zudem, die relevantesten Variablen zu identifizieren und zu optimieren, wodurch die Modellleistung und -interpretierbarkeit verbessert werden. Die wichtigsten in diesem Beitrag vorgestellten Methoden sind:
- Neuronale Netze zur Vorhersage verschiedener Zielgrößen und zur Optimierung von Wünschenswerten.
- Regressionsbäume, in JMP als Partition bezeichnet, um komplexe Prozessprobleme zu verstehen.
- Einige Hybridmodelle verwenden sowohl Standard-Statistikmethoden als auch maschinelles Lernen, um die verschiedenen Methoden zu kombinieren.
- Functional Data Explorer zur Auswertung von Sensordaten aus der Hightech-Industrie für Vorhersagezwecke.
Wir beschreiben außerdem verschiedene Funktionen von JMP Pro, einschließlich des Modellvergleichs.
