Das JMP/Python-Ökosystem bedeutet im Grunde ein Ökosystem, das die Funktionen von JMP und Python komplementär nutzt. Insbesondere aus der Perspektive des maschinellen Lernens haben wir zunächst ein JMP/Python-Ökosystem für maschinelles Lernen entwickelt 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 ist 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 Designbereich zu erkunden, werden zwei Schritte wiederholt: Erstellen eines experimentellen Designs/computergestützten experimentellen Designs und Erstellen eines Modells für maschinelles Lernen sowie Kombinieren von JMP- und Python-Modulen je nach Situation. 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.
