Neben den statistischen Stärken von JMP liegen die Stärken von JMP als Designplattform aus Designperspektive in seiner Flexibilität beim Erstellen formelbasierter Simulatoren und datengesteuerter Dashboards. Alle Aufgaben, einschließlich CAE (Computer Aided Engineering) und Tests, laufen auf den Prozess der Datenerfassung durch Prozessintegration hinaus und darauf, wie aus den erfassten Daten nützliche Ergebnisse abgeleitet werden können. Aus dieser Perspektive haben wir kürzlich die bemerkenswerte Erweiterbarkeit von Python im technischen Bereich und die Vorteile von JMP als Entscheidungsplattform im technischen Bereich ausgenutzt und den gesamten Designprozess als „optimales Design für Python-Prozessintegration und JMP-Maschinenlernen“ definiert, um mit der Aufgabe fortzufahren.
Der Prozess „Python Process Integration und JMP Machine Learning Optimal Design“ wird durch drei Designelemente definiert: „Python Process Integration“, „JMP Machine Learning“ und „JMP Optimal Design“. Insbesondere aus der Perspektive von „JMP Machine Learning“ bestimmt es, ob ein Machine-Learning-Modell erstellt wird oder nicht. Wenn ein Machine-Learning-Modell erstellt wird, wird der „Machine Learning Simulator“ von „JMP Optimal Design“ angewendet. Wenn das Machine-Learning-Modell nicht erstellt wird, wird das „Decision Dashboard“ von „JMP Optimal Design“ angewendet.
In dieser Studie werden wir verschiedene erfolgreiche Fälle aus den Bereichen Marine, Luftfahrt, CAE und Experimentieren aus der Perspektive des „Maschinenlernsimulators“ und des „Entscheidungs-Dashboards“ behandeln.
