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_es-ES

liliconcom

Aprendizaje activo en JMP: taller ENBIS de Chris Gotwalt

En I+D industrial y mejora de procesos, experimentamos para comprender sistemas multifactoriales sumamente complejos. Los modelos empíricos de nuestros procesos nos permiten llevar nuevas tecnologías al mercado y ofrecer una calidad constante a nuestros clientes. El diseño estadístico y análisis de experimentos (DOE) es una metodología probada para capturar de manera eficiente los datos para construir el modelo requerido de su proceso o sistema. Más recientemente, ha habido interés en aplicar la "optimización bayesiana" o el "aprendizaje activo" en el desarrollo de procesos y formulaciones. Estos métodos de experimentación secuencial prometen una mayor velocidad y un flujo de trabajo más simple para los no estadísticos al priorizar la búsqueda de objetivos sobre la construcción de modelos.

JMP, como software líder del Departamento de Energía y una herramienta completa de ciencia de datos para científicos e ingenieros, es el entorno ideal para explorar estos diferentes enfoques. Este taller con el científico de datos jefe de JMP, Chris Gotwalt, será una oportunidad única para ver estudios de casos sobre experimentación "independiente del modelo".

También hemos adjuntado las diapositivas, el diario JMP y el complemento JMP (sólo JMP Pro) que se utilizaron en el taller.

n5_n23 3D Scatterplot fast.gif

Vea la grabación de este taller con Chris Gotwalt y Phil Kay.