JMP/Python 生态系统成功案例 (2023-KR-30MP-1556)JMP/Python生态系统基本上意味着以互补的方式使用JMP的功能和Python的功能的生态系统，特别是从机器学习的角度来看，JMP Pro自己的机器学习技术以及Python自己的技术我们首先构建了一个JMP/Python机器学习生态系统。以互补的方式使用 scikit-learn、XGBoost、LightGBM、CatBoost、PyTorch 和 Tensor Flow 构建和优化机器学习预测模型。 JMP/Python生态系统的路线图被定义为IGEO，IGEO路线图大致分为IG（Identify/Generate）区域和EO（Explore/Optimize）区域，IG区域是问题定义区域和问题定义区域。生成实验/模拟数据的 EO 区域是 JMP/Python 生态系统的核心，是执行 DEbO（基于设计探索的优化）的区域。在EO领域，通过集成MariaDB、JMP和Python来进行设计，并且如果需要，可以通过使用Python/JMP GUI构建GUI来进行自动化。为了探索设计领域，重复两个步骤：创建实验设计/计算机化实验设计和构建机器学习模型，并根据情况组合 JMP 和 Python 模块。作为JMP/Python机器学习生态系统的成功案例，我们总结了探索领域案例、滚珠轴承故障检测监控系统案例、CAE机器学习优化案例，而JMP和Python的结合为几乎所有的执行提供了方向。我想介绍一下。
高级统计建模自动化和脚本基础数据分析与建模消费者和市场研究内容组织数据访问数据探索与可视化实验设计大规模定制预测模型和机器学习质量与工艺工程可靠性分析
