nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

835262_it-IT

liliconcom

Apprendimento attivo in JMP - Workshop ENBIS di Chris Gotwalt

Nella R&S industriale e nel miglioramento dei processi sperimentiamo per comprendere sistemi multifattoriali incredibilmente complessi. I modelli empirici dei nostri processi ci consentono di portare sul mercato nuove tecnologie e di offrire una qualità costante ai nostri clienti. La progettazione statistica e l'analisi degli esperimenti (DOE) sono una metodologia comprovata per acquisire in modo efficiente i dati per costruire il modello richiesto del tuo processo o sistema. Più di recente c'è stato interesse nell'applicare "Ottimizzazione bayesiana" o "Apprendimento attivo" nello sviluppo di processi e formulazioni. Questi metodi di sperimentazione sequenziale promettono una maggiore velocità e un flusso di lavoro più semplice per i non statistici, dando priorità alla ricerca di obiettivi rispetto alla creazione di modelli.

JMP, in quanto software DOE leader e strumento completo di data science per scienziati e ingegneri, è l'ambiente ideale per esplorare questi diversi approcci. Questo workshop con il Chief Data Scientist di JMP, Chris Gotwalt, sarà un'opportunità unica per vedere casi di studio sulla sperimentazione "agnostica al modello".

Abbiamo anche allegato le diapositive, il JMP Journal e il JMP Addin (solo JMP Pro) utilizzati nel workshop.

n5_n23 3D Scatterplot fast.gif

Guarda la registrazione di questo workshop con Chris Gotwalt e Phil Kay.