Chers professeurs,
Cette page présente une sélection de dix ressources pédagogiques disponibles gratuitement pour les enseignants du supérieur en chimie et dans des domaines connexes tels que le génie chimique, la science des matériaux, la biotechnologie et la pharmacologie.
Les critères à mentionner ici sont les suivants :
- Lié à la chimie :Démontrez que JMP rend très improbable le fait de partir de zéro, quel que soit le cours de chimie que vous enseignez.
- En lien avec votre pédagogie :Présentez un large éventail de ressources et indiquez où les trouver, allant de simples ensembles de données à des tutoriels, des études de cas et des modules d'apprentissage en ligne.
- En lien avec vos besoins spécifiques :Nous vous invitons à nous faire part de vos commentaires, soit en demandant davantage de ressources créées par JMP, soit en partageant votre propre matériel pédagogique avec la communauté JMP.
De plus, cette liste vise à équilibrer les concepts statistiques (comme la visualisation des données, la modélisation, les plans d'expériences, le contrôle statistique de la qualité, l'analyse multivariée, la chimiométrie, l'optimisation des procédésainsi que différents types de ressources (exemples de données, études de cas, guides pratiques, webinaires, cours en ligne, etc.). Veuillez noter que cette page n'est pas exhaustive ; elle vise à présenter les ressources disponibles pour vous aider à enseigner les compétences pertinentes dans votre domaine et à vous orienter dans votre recherche de supports de cours.
Tous les exemples pédagogiques sont prêts à être exécutés.Édition étudiante JMP, le logiciel de bureau sans code et axé sur les graphiques pour Windows et Mac. Consultez notreTémoignages clients JMPpour voir en quoi ces compétences sont importantes dans l'industrie chimique mondiale.
-
Enseignement des statistiques en chimie et en génie chimique
Concepts principaux :Analyse exploratoire des données, visualisation des données, analyse statistique, modélisation prédictive, optimisation des processus, simulation de Monte-Carlo
Type et source de la ressource :Webinaire académique« JMP pour l’enseignement des statistiques en chimie et en génie chimique » > voir la revue JMP
Description:Ce webinaire présente l'utilité de JMP Student Edition pour l'enseignement des méthodes statistiques en chimie et en génie chimique. Il s'adresse aux enseignants souhaitant déterminer si le logiciel JMP répond aux besoins de leur cours ou de leur programme et, le cas échéant, comment. Le compte rendu du webinaire propose des exemples d'application dans le domaine de la fabrication chimique : exploration et analyse de données de procédés, modélisation prédictive pour le criblage à haut débit et optimisation robuste des procédés.
Conseils:D'autres webinaires académiques pour débuter sont « JMP 101 : Introduction à JMP pour les enseignants » et « JMP 101 : Introduction à JMP pour les étudiants » . Consultez également le menu Étudiant de JMP Student Edition pour enseigner les concepts statistiques de base, ainsi que la bibliothèque d'apprentissage JMP qui propose plus de 100 guides pratiques et tutoriels vidéo.
-
Conception d'expériences (DOE)
Concepts principaux :Expérimentation multifactorielle, expériences de criblage, expériences de surface de réponse, plans d'expériences classiques et optimaux
Type et source de la ressource : «« Conception d’expériences » est l’un des sept modules du cours de statistiques en ligne.« La pensée statistique au service de la résolution de problèmes industriels »(également appelé STIPS). Bien que le cours complet — y compris tous les exercices pratiques utilisant JMP Pro — puisse être suivi dans l'environnement d'apprentissage virtuel, tout le contenu du cours, y compris les diapositives, peut être demandé à des fins pédagogiques.
Description:Dans ce module d'introduction, vous découvrirez pourquoi les plans d'expériences sont supérieurs aux approches par essais et erreurs et à l'étude d'un seul facteur à la fois pour comprendre les relations de cause à effet et les interactions entre les facteurs. Vous serez initié à différents types de plans d'expériences, tels que les plans factoriels, les plans de surface de réponse et les plans personnalisés. Enfin, vous apprendrez des principes et des bonnes pratiques en matière de plans d'expériences qui vous aideront à réussir vos expérimentations.
Conseils:Bien que le traitement de l'ensemble de ce module STIPS DOE prenne environ quatre heures, pour des cours plus courts, nous recommandons lePortail de connaissances en statistiques(également appelé SKP, voir Conception d'expériences ) et la plateforme « Easy DOE » (Aide JMP > Guide de conception d'expériences > Easy DOE). Parmi les autres ressources recommandées pour la conception d'expériences, on trouve :webinaires académiques« Conception et analyse d’expériences, partie 1 : Introduction » et « Partie 2 : Sujets avancés » , ainsi que deux modules approfondiscours à la demandeà propos de la « conception personnalisée des expériences » et de la « conception classique des expériences » , respectivement.
-
Conception d'expériences avec des mélanges : une étude de cas sur les formulations plastiques
Concepts principaux :Plans d'expériences (DOE), expériences sur les mélanges, modélisation linéaire, optimisation
Type et source de la ressource :Webinaire à la demande ((inscription requise) avec ensemble de données à télécharger
Description:Le développement réussi d'un produit repose souvent sur l'optimisation des formulations. L'objectif est de trouver les proportions optimales de cinq ingrédients afin d'obtenir les caractéristiques souhaitées tout en minimisant les coûts. Cette démonstration explique comment concevoir une expérience de mélange sur la plateforme Custom Design de JMP, intégrer des contraintes à la conception expérimentale, évaluer l'impact des variations des paramètres de procédé et analyser les données expérimentales pour en tirer des conclusions dans Prediction Profiler de JMP.
Conseils:Pour faciliter la conception de l'expérience, cliquez sur le triangle rouge supérieur pour enregistrer (et recharger) les paramètres de réponse et de facteur dans les tables JMP qui peuvent ensuite être partagées avec les étudiants.
-
Fonctions de désirabilité bayésienne – Une approche moderne du produit efficace
et conception des processus
Concepts principaux :Optimisation bayésienne, apprentissage actif,Régression par processus gaussien
Type et source de la ressource :cours en ligne de courte durée« Fonctions de désirabilité bayésiennes – Une approche moderne de la conception efficace des produits et des processus »Présenté par ENBIS et JMP ; journal de démonstration avec tous les exemples, instructions et diapositives à télécharger.
Description:L'expérimentation séquentielle par optimisation bayésienne promet une plus grande rapidité et un flux de travail simplifié pour les non-statisticiens, en privilégiant la recherche d'objectifs plutôt que la construction de modèles. Ce webinaire passe en revue les principes fondamentaux de la modélisation par régression gaussienne et l'approche standard de l'optimisation bayésienne. Il présente ensuite la généralisation aux réponses multiples via le cadre de la désirabilité bayésienne. Outre un exposé approfondi expliquant les aspects techniques, l'efficacité et l'accessibilité des techniques, grâce aux nouvelles fonctionnalités de JMP Student Edition 19, sont démontrées par trois études de cas.
Conseils:Ce cours antérieurNous avons présenté quelques concepts supplémentaires, mais avons utilisé une implémentation prototype (module complémentaire JMP) à des fins de démonstration. Voir également l'aide de JMP > Modélisation prédictive et spécialisée > Optimisation bayésienne.
-
Premiers pas avec les méthodes de qualité et de processus
Concepts principaux :Contrôle statistique des processus (SPC), cartes de contrôle, capabilité des processus, analyse des systèmes de mesure (MSA), répétabilité et reproductibilité, intervalles de tolérance
Type et source de la ressource :Bibliothèque d'apprentissage JMP Qualité et processus. Guides pratiques et courtes vidéos pour familiariser les étudiants avec les méthodes qualité. Pour approfondir le sujet, les étudiants sont invités à consulter la documentation JMP.
Description:Apprenez à utiliser les cartes de contrôle pour suivre l'évolution des processus dans le temps et déterminer s'ils sont sous contrôle statistique ou si des variations dues à des causes attribuables existent. Utilisez des méthodes statistiques pour quantifier la performance d'un processus par rapport aux spécifications. Apprenez à concevoir et à analyser des expériences sur des systèmes de mesure afin de quantifier les sources de variation de répétabilité et de reproductibilité des mesures, et de déterminer le niveau d'exactitude, de précision et de concordance de ces systèmes.
Conseils:Les étudiants peuvent tester eux-mêmes les exemples, car toutes les instructions font référence aux données d'exemple intégrées de JMP (Aide > Index des exemples). Le module STIPS« Méthodes de qualité »Vous pouvez consulter ce site pour en savoir plus sur ces concepts.
-
Qualité : Carte de contrôle multivariée pilotée par modèleavec un modèle PLS
Concepts principaux :Contrôle de la qualité et des processus, cartes de contrôle multivariées pilotées par modèle (MDMCC), moindres carrés partiels (PLS)
Type et source de la ressource : Données d'exemple avec scripts d'analyse enregistrés (par exemple, « Ajustement par moindres carrés partiels » et « Carte de contrôle multivariée pilotée par modèle ») ; voir JMP Student Edition > menu Aide > Index des exemples > Rechercher « Polyéthylène ». Plus d'informations dans l'aide de JMP.jmp.com/aide> Méthodes de qualité et de processus > Cartes de contrôle multivariées pilotées par modèle > Exemples supplémentaires de la plateforme de cartes de contrôle multivariées pilotées par modèle.
Description:Le tableau de données d'exemple « Polyethylene Process.jmp » contient 14 variables de procédé (entrées) et 5 variables de qualité ou de sortie. Les premières lignes contiennent les données historiques utilisées pour construire un modèle PLS initial. Les lignes suivantes représentent les nouvelles données collectées après la construction du modèle, utilisées pour le suivi continu du procédé.
Conseils:Dans le rapport MDMCC, survolez les points de données du graphique de contrôle pour explorer les graphiques de contribution. Un autre exemple de MDMCC est disponible dans le tableau de données d'exemple « Chemical Reactor Process.jmp ».
-
Analyse multivariée : sélection des matériaux à l’aide de la méthode QSAR tabulaire
Concepts principaux :Colinéarité, analyse en composantes principales (ACP), plans d'expériences de covariables, moindres carrés partiels (PLS), optimisation, validation de modèle, mise à l'échelle multidimensionnelle (MDS)
Type et source de la ressource :Webinaire « Analyse avancée et apprentissage profond en chimie » deBibliothèque de webinaires universitairesTéléchargez le journal JMP > cas n° 1.
Description:Cette étude de cas porte sur la sélection du matériau optimal, maximisant une première réponse et minimisant une seconde. Le point de départ est constitué de 19 propriétés chimiques et physiques issues de 45 matériaux candidats. Le problème concret rencontré par l'industrie consiste à élaborer un modèle empirique durable permettant de comprendre les caractéristiques d'un bon matériau, de prédire les propriétés de nouveaux matériaux, d'identifier l'optimum (qui n'existe peut-être pas encore) et de réduire les efforts de test. La méthodologie analytique combine différentes méthodes d'analyse multivariée et s'appuie sur l'application chimiométrique QSAR (Relations Quantitatives Structure-Activité).
Conseils:Ce cas a été partagé par un client JMP. La présentation client originale, issue d'un JMP Discovery Summit, est disponible ici.ici.
-
Simulation et optimisation des processus
Concepts principaux :Visualisation de modèles, limites de spécification, désirabilité, optimisation de processus, simulation de Monte-Carlo
Type et source de la ressource :Apprendre l'événement JMP« Simuler et optimiser votre processus – Une approche étape par étape »avec des journaux et des ensembles de données JMP téléchargeables.
Description:L'exemple simple de fabrication à 4 facteurs et 2 réponses présenté dans ce webinaire illustre comment utiliser le profileur de prédiction JMP pour explorer et comprendre les modèles, ainsi que pour les optimiser et les simuler. Cet outil central de JMP permet de mieux comprendre et d'améliorer les processus.
Conseils:Les prochaines étapes recommandées peuvent prendre en compte l'importance des variables (importance pratique simulée plutôt que signification statistique), la robustesse grâce à des expériences de simulation (trouver la partie la plus plate de la courbe) et le profileur d'espace de conception (Qualité par la conception > définir les spécifications sur les X).
-
Analyse fonctionnelle des données pour l'optimisation HPLC
Concepts principaux :Analyse fonctionnelle des données, ACP fonctionnelle, Plan d'expériences fonctionnel
Type et source de la ressource : Étude de cas JMP059 de JMPBibliothèque d'études de cas.
Description:Utilise la plateforme Functional Data Explorer de JMPAppliquer l'analyse fonctionnelle des données et la planification fonctionnelle des expériences (FDOE) pour optimiser une méthode analytique permettant la quantification précise de deux composants biologiques. Les étudiants élaborent une méthode de chromatographie liquide à haute performance (HPLC) capable de séparer deux biosurfactants sophorolipidiques étroitement apparentés sur le chromatogramme. Les tâches consistent à appliquer la planification statistique des expériences (DOE) pour identifier les paramètres HPLC susceptibles d'améliorer la méthode, à utiliser l'analyse fonctionnelle des données pour comprendre l'évolution de la forme de la courbe en fonction des variations des facteurs, et à identifier les conditions optimales pour la séparation des deux pics.
Conseils:Vous trouverez plus d'informations sur Functional Data Explorer et d'autres exemples utilisant des données d'exemple dans l'aide de JMP à l'adresse suivante :jmp.com/aide> Modélisation prédictive et spécialisée > Explorateur de données fonctionnelles.
-
Apprentissage profond : prédiction de la solubilité (SMILES QSAR) et prédiction du spectrogramme (classification d’images)
Concepts principaux :XGBoost, Torch Deep Learning
Type et source de la ressource :Webinaire «« Analyse avancée et apprentissage profond en chimie »depuisBibliothèque de webinaires universitairesTéléchargez le journal JMP > cas n° 2 et n° 3. Nécessite l’extension gratuite « Torch Deep Learning » pour JMP, téléchargeable depuis [lien manquant].marketplace.jmp.comLes modèles pré-entraînés seront automatiquement ajoutés à l'installation Python embarquée en cas de besoin. XGBoost est également disponible en tant qu'extension sur le JMP Marketplace.
Description:Prédiction utilisant les fonctionnalités et modèles d'apprentissage profond du package pyTorch en Python, installé et configuré par défaut dans JMP Student Edition. Aucune programmation Python n'est requise : le lancement du modèle, y compris les hyperparamètres, ainsi que les résultats et les diagnostics, sont accessibles via l'interface utilisateur de JMP. Les modèles d'apprentissage profond présentés incluent BertTiny ou Chem Prop Message Passing Neural Network pour prédire la solubilité à partir de chaînes SMILES, et le modèle d'image LeNet5 pour prédire la composition propanol-butanol-pentanol à partir de spectrogrammes. Les performances du modèle d'apprentissage profond peuvent être comparées à celles d'autres modèles, tels que les paramètres d'ondelettes issus de données fonctionnelles ou les arbres de décision à gradient boosté extrême (XGBoost).
Conseils:Ce module complémentaire propose davantage de cas d'utilisation du Deep Learning en chimie ; consultez la section Modules complémentaires > Torch Deep Learning > Données d'exemple > Torch Storybook. Un second module complémentaire, « Torch Companion » , prend en charge le criblage automatique des hyperparamètres du Deep Learning.
