Liebe Dozenten,
Diese Seite präsentiert eine Auswahl von zehn Lehrmaterialien, die für Hochschuldozenten in Chemie und verwandten Bereichen wie Chemieingenieurwesen, Materialwissenschaften, Biotechnologie und Pharmakologie frei verfügbar sind.
Die hier zu nennenden Kriterien sind:
- Bezug zur Chemie:Beweisen Sie, dass JMP es sehr unwahrscheinlich macht, bei null anzufangen, egal welchen Chemie-Kurs Sie unterrichten.
- Im Zusammenhang mit Ihrer Pädagogik:Zeigen Sie eine breite Palette an Ressourcen und wo diese zu finden sind, von einfachen Datensätzen bis hin zu Tutorials, Fallstudien und E-Learning-Angeboten.
- Im Zusammenhang mit Ihren besonderen Bedürfnissen:Wir laden Sie ein, uns Feedback zu geben, entweder in Form einer Anfrage nach weiteren von JMP erstellten Ressourcen oder indem Sie Ihr eigenes Lehrmaterial mit der JMP-Community teilen.
Darüber hinaus zielt diese Liste darauf ab, statistische Konzepte auszubalancieren (wie Datenvisualisierung, Modellierung, Versuchsplanung, Qualitätskontrolle, multivariate Analyse, Chemometrie, ProzessoptimierungDiese Seite bietet Ihnen eine Übersicht über verschiedene Ressourcen (wie Beispieldaten, Fallstudien, Anleitungen, Webinare und Online-Kurse). Bitte beachten Sie, dass diese Seite keine vollständige Liste darstellt, sondern Ihnen lediglich einen Überblick über die verfügbaren Materialien zur Unterstützung Ihrer Fachausbildung und zur Orientierung bei der Suche nach passenden Kursmaterialien geben soll.
Alle Unterrichtsbeispiele sind sofort einsatzbereit.JMP StudentenversionDie No-Code-Desktop-Software mit Fokus auf Grafikdarstellung für Windows und Mac. Weitere Informationen finden Sie in unsererJMP-Kundengeschichtenum zu sehen, welche Bedeutung diese Fähigkeiten in der chemischen Industrie weltweit haben.
-
Statistikunterricht in Chemie und Chemieingenieurwesen
Hauptkonzepte:Explorative Datenanalyse, Datenvisualisierung, statistische Analyse, prädiktive Modellierung, Prozessoptimierung, Monte-Carlo-Simulation
Ressourcentyp und Quelle:Akademisches Webinar„JMP für den Statistikunterricht in Chemie und Chemieingenieurwesen“ > siehe die JMP-Zeitschrift
Beschreibung:Dieses Webinar bietet einen Überblick über die Einsatzmöglichkeiten der JMP Student Edition für die Lehre statistischer Methoden in Chemie und Chemieingenieurwesen. Es richtet sich an Dozenten, die erfahren möchten, ob und wie die JMP-Software die Anforderungen ihrer Lehrveranstaltung oder ihres Curriculums erfüllt. Das Webinar-Journal enthält Beispiele aus der chemischen Produktion, der Erforschung und Analyse von Prozessdaten, der prädiktiven Modellierung für Hochdurchsatz-Screening und der robusten Prozessoptimierung.
Tipps:Weitere akademische Webinare zum Einstieg sind „JMP 101: Einführung in JMP für Lehrkräfte“ und „JMP 101: Einführung für Studierende“ . Im JMP Student Edition finden Sie außerdem das Menü „Studierende “ mit Erläuterungen zu grundlegenden statistischen Konzepten sowie in der JMP-Lernbibliothek über 100 Kurzanleitungen und kurze Video-Tutorials.
-
Versuchsplanung (Design of Experiments, DOE)
Hauptkonzepte:Multifaktorielle Experimente, Screening-Experimente, Response-Surface-Experimente, klassische vs. optimale Versuchsplanung
Ressourcentyp und -quelle: „„Versuchsplanung“ ist eines von sieben Modulen des Online-Statistikkurses.„Statistisches Denken zur Lösung industrieller Probleme“(auch bekannt als STIPS). Der gesamte Kurs – einschließlich aller praktischen Übungen mit JMP Pro – kann in der virtuellen Lernumgebung absolviert werden. Sämtliche Kursinhalte inklusive Folien können für Unterrichtszwecke angefordert werden.
Beschreibung:In diesem Einführungsmodul lernen Sie, warum geplante Experimente besser geeignet sind als Versuch-und-Irrtum-Verfahren oder die Untersuchung einzelner Faktoren, um Ursache-Wirkungs-Beziehungen und Wechselwirkungen zwischen Faktoren zu verstehen. Sie werden mit verschiedenen Versuchsdesigns wie faktoriellen, Response-Surface- und benutzerdefinierten Designs vertraut gemacht. Abschließend erhalten Sie Einblicke in die Richtlinien und bewährten Methoden der Versuchsplanung, die Ihnen zu erfolgreichen Experimenten verhelfen.
Tipps:Die Bearbeitung aller Teile dieses STIPS DOE-Moduls dauert etwa vier Stunden. Für kürzere Vorlesungen empfehlen wir dieStatistik-Wissensportal(auch bekannt als SKP, siehe Versuchsplanung ) und die Plattform „Easy DOE“ (JMP-Hilfe > Leitfaden zur Versuchsplanung > Easy DOE). Weitere empfohlene Ressourcen zur Versuchsplanung sind dieakademische Webinare„Experimente planen und analysieren, Teil 1: Eine Einführung“ und „Teil 2: Fortgeschrittene Themen“ sowie zwei ausführlicheOn-Demand-Kurseüber „Benutzerdefinierte Versuchsplanung“ bzw. „Klassische Versuchsplanung“ .
-
Versuchsplanung mit Mischungen: Eine Fallstudie zu Kunststoffformulierungen
Hauptkonzepte:Versuchsplanung (DOE), Mischungsexperiment, lineare Modellierung, Optimierung
Ressourcentyp und Quelle:Webinar auf Abruf ((Registrierung erforderlich) mit Datensatz zum Download
Beschreibung:Eine erfolgreiche Produktentwicklung beinhaltet häufig die Optimierung von Rezepturen. Ziel ist es, das optimale Verhältnis von fünf Inhaltsstoffen zu finden, um die gewünschten Produkteigenschaften zu erzielen und gleichzeitig die Kosten zu minimieren. Die Demo zeigt, wie Sie in der JMP Custom Design Plattform ein Mischungsexperiment entwerfen, Randbedingungen in Ihr Versuchsdesign integrieren, die Auswirkungen von Variationen der Prozessvariablen bewerten und die experimentellen Daten im JMP Prediction Profiler analysieren und darauf basierend Entscheidungen treffen.
Tipps:Um das Experiment einfacher zu gestalten, klicken Sie auf das obere rote Dreieck, um die Antwort- und Faktoreinstellungen in JMP-Tabellen zu speichern (und wieder zu laden), die dann mit den Studierenden geteilt werden können.
-
Bayes'sche Zielfunktionen – Ein moderner Ansatz für effizientes Produkt
und Prozessdesign
Hauptkonzepte:Bayes'sche Optimierung, Aktives LernenGaußprozessregression
Ressourcentyp und Quelle:Online-Kurzkurs„Bayes'sche Zielfunktionen – Ein moderner Ansatz für effizientes Produkt- und Prozessdesign“Präsentiert von ENBIS und JMP; Demo-Journal mit allen Beispielen, Anleitungen und Folien zum Herunterladen.
Beschreibung:Sequenzielle Experimente mit Bayes'scher Optimierung versprechen höhere Geschwindigkeit und einen einfacheren Arbeitsablauf für Nicht-Statistiker, da die Zielerreichung Vorrang vor der Modellerstellung hat. In diesem Webinar behandeln wir die Grundlagen der Gaußprozess-Regressionsmodellierung und den Standardansatz der Bayes'schen Optimierung. Anschließend stellen wir die Verallgemeinerung auf mehrere Zielgrößen mithilfe des Bayes'schen Optimierungsmodells vor. Neben einem ausführlichen Vortrag, der die technischen Hintergründe erläutert, demonstrieren drei Fallstudien die Effizienz und Verständlichkeit der Techniken anhand der neuen Funktionen in JMP Student Edition 19.
Tipps:Dieser frühere KursEs wurden einige zusätzliche Konzepte vorgestellt, für die Demonstration wurde jedoch eine prototypische Implementierung (JMP-Add-in) verwendet. Siehe auch JMP-Hilfe > Prädiktive und spezialisierte Modellierung > Bayes'sche Optimierung.
-
Einstieg in Qualitäts- und Prozessmethoden
Hauptkonzepte:Statistische Prozesskontrolle (SPC), Regelkarten, Prozessfähigkeit, Messsystemanalyse (MSA), Wiederholbarkeit und Vergleichbarkeit, Toleranzintervalle
Ressourcentyp und Quelle:JMP-Lernbibliothek Qualität und Prozesse. Kurzanleitungen und kurze Videos erleichtern den Einstieg in Qualitätsmethoden. Weiterführende Informationen finden sich in der JMP-Dokumentation.
Beschreibung:Lernen Sie, wie Sie mithilfe von Regelkarten Prozesse im Zeitverlauf überwachen, um festzustellen, ob sie statistisch beherrscht sind oder ob ursachenbedingte Abweichungen vorliegen. Nutzen Sie statistische Methoden, um die Prozessleistung im Vergleich zu den Spezifikationen zu quantifizieren. Lernen Sie, wie Sie Experimente an Messsystemen planen und analysieren, um die Wiederholbarkeits- und Vergleichbarkeitsquellen von Messabweichungen zu quantifizieren und den Grad an Genauigkeit, Präzision und Übereinstimmung dieser Systeme zu bestimmen.
Tipps:Studierende können die Beispiele selbst ausprobieren, da sich alle Anweisungen auf die in JMP integrierten Beispieldaten beziehen (Hilfe > Beispielindex). Das STIPS-Modul'Qualitätsmethoden'kann besucht werden, um mehr über diese Konzepte zu erfahren.
-
Qualität: Modellgesteuerte multivariate Kontrollkartemit einem PLS-Modell
Hauptkonzepte:Qualitäts- und Prozesskontrolle, modellgetriebene multivariate Kontrollkarten (MDMCC), partielle Kleinste-Quadrate-Regression (PLS)
Ressourcentyp und Quelle: Beispieldaten mit gespeicherten Analyseskripten (z. B. „Partielle Kleinste-Quadrate-Anpassung“ und „Modellgesteuerte multivariate Kontrollkarte“) finden Sie in der JMP Student Edition unter Hilfe > Beispielindex > Suche nach „Polyethylen“. Weitere Informationen finden Sie in der JMP-Hilfe unter [Link einfügen].jmp.com/help> Qualitäts- und Prozessmethoden > Modellgetriebene multivariate Kontrollkarten > Weitere Beispiele für die Plattform der modellgetriebenen multivariaten Kontrollkarten.
Beschreibung:Die Beispieldatentabelle „Polyethylene Process.jmp“ enthält 14 Prozessvariablen (Eingangsgrößen) und 5 Qualitäts- bzw. Ausgangsvariablen. Die ersten Zeilen enthalten historische Daten, die zum Aufbau eines initialen PLS-Modells verwendet wurden. Die übrigen Zeilen repräsentieren neue Daten, die nach dem Modellaufbau erfasst und für die laufende Prozessüberwachung verwendet wurden.
Tipps:Im MDMCC-Bericht können Sie mit dem Mauszeiger über die Datenpunkte im Kontrolldiagramm fahren, um die zugehörigen Graphen zu erkunden. Ein weiteres MDMCC-Beispiel finden Sie in der Beispieldatentabelle „Chemical Reactor Process.jmp“.
-
Multivariate Analyse: Materialauswahl mittels tabellarischer QSAR-Analyse
Hauptkonzepte:Kollinearität, Hauptkomponentenanalyse (PCA), Kovariaten-DOE, Partielle Kleinste-Quadrate-Analyse (PLS), Optimierung, Modellvalidierung, Multidimensionale Skalierung (MDS)
Ressourcentyp und Quelle:Webinar „Fortgeschrittene Analytik und Deep Learning in der Chemie“ von derBibliothek für akademische Webinare. JMP-Journal herunterladen > Fall Nr. 1.
Beschreibung:In diesem Fallbeispiel geht es um die Auswahl des optimalen Materials, das eine erste Zielgröße maximiert und eine zweite minimiert. Ausgangspunkt sind 19 chemische und physikalische Eigenschaften von 45 Kandidatenmaterialien. Das praxisrelevante Problem aus der Industrie befasst sich mit der Entwicklung eines nachhaltigen empirischen Modells, um die Eigenschaften eines guten Materials zu verstehen, Vorhersagen für neue Materialien zu treffen, das möglicherweise noch nicht existierende Optimum zu ermitteln und den Testaufwand zu reduzieren. Der analytische Workflow kombiniert verschiedene multivariate Analysemethoden und basiert auf der chemometrischen Anwendung QSAR (Quantitative Struktur-Aktivitäts-Beziehung).
Tipps:Dieser Fall wurde von einem JMP-Kunden geteilt. Die ursprüngliche Kundenpräsentation vom JMP Discovery Summit kann eingesehen werden.Hier.
-
Prozesssimulation und Optimierung
Hauptkonzepte:Modellvisualisierung, Spezifikationsgrenzen, Wünschbarkeit, Prozessoptimierung, Monte-Carlo-Simulation
Ressourcentyp und Quelle:JMP-Event lernen„Simulation und Optimierung Ihres Prozesses – Eine schrittweise Vorgehensweise“mit herunterladbarem JMP-Journal und Datensätzen.
Beschreibung:Das einfache Fertigungsbeispiel mit vier Faktoren und zwei Zielgrößen aus diesem Webinar zeigt, wie der JMP Prediction Profiler zur Modellerkundung und -analyse sowie zur Optimierung und Simulation eingesetzt werden kann. Er ist das zentrale Werkzeug in JMP zur Unterstützung des Prozessverständnisses und der Prozessverbesserung.
Tipps:Empfohlene nächste Schritte könnten die Variablenwichtigkeit (simulierte praktische Wichtigkeit statt statistischer Signifikanz), die Robustheit durch Simulationsexperimente (Finden des flachsten Teils der Kurve) und den Design Space Profiler (Qualität durch Design > Spezifikationen für Xs festlegen) berücksichtigen.
-
Funktionale Datenanalyse zur HPLC-Optimierung
Hauptkonzepte:Funktionale Datenanalyse, funktionale PCA, funktionales DOE
Ressourcentyp und Quelle: Fallstudie JMP059 von JMPFallstudienbibliothek.
Beschreibung:Nutzt die Plattform Functional Data Explorer von JMP.Anwendung funktionaler Datenanalyse und funktionaler Versuchsplanung (FDOE) zur Optimierung einer Analysemethode für die präzise Quantifizierung zweier biologischer Komponenten. Studierende entwickeln eine Hochleistungsflüssigkeitschromatographie-Methode (HPLC) zur Trennung zweier eng verwandter Sophorolipid-Biosurfactants, die im Chromatogramm nahe beieinander liegen. Zu den Aufgaben gehören die Anwendung statistischer Versuchsplanung (DOE) zur Ermittlung von HPLC-Einstellungen zur Methodenoptimierung, die Anwendung funktionaler Datenanalyse zum Verständnis der Kurvenformänderung bei variierenden Faktoren sowie die Identifizierung optimierter Bedingungen für die Trennung der beiden Peaks.
Tipps:Weitere Informationen zum Functional Data Explorer und andere Beispiele mit Beispieldaten finden Sie in der JMP-Hilfe unterjmp.com/help> Prädiktive und spezialisierte Modellierung > Funktionsdaten-Explorer.
-
Deep Learning: Löslichkeitsvorhersage (SMILES QSAR) und Spektrogrammvorhersage (Bildklassifizierung)
Hauptkonzepte:XGBoost, Torch Deep Learning
Ressourcentyp und Quelle:Webinar „„Fortgeschrittene Analytik und Deep Learning in der Chemie“ausBibliothek für akademische WebinareLaden Sie das JMP-Journal herunter > Fälle 2 und 3. Erfordert das kostenlose JMP-Add-in „Torch Deep Learning“ , das Sie hier herunterladen können:marketplace.jmp.comVorab trainierte Modelle werden bei Bedarf automatisch zur eingebetteten Python-Installation hinzugefügt. XGBoost ist außerdem als Erweiterung im JMP Marketplace erhältlich.
Beschreibung:Vorhersagen werden mithilfe der Deep-Learning-Funktionalität und -Modellen des PyTorch-Pakets in Python durchgeführt, das standardmäßig in der JMP Student Edition installiert und konfiguriert ist. Es sind keine Python-Kenntnisse erforderlich; der Modellstart inklusive Hyperparametern sowie die Modellausgabe und Diagnosedaten sind über die JMP-Benutzeroberfläche verfügbar. Zu den demonstrierten Deep-Learning-Modellen gehören BertTiny oder das ChemProp Message Passing Neural Network zur Vorhersage der Löslichkeit anhand von SMILES-Strings sowie das LeNet5-Bildmodell zur Vorhersage der Zusammensetzung von Propanol, Butanol und Pentanol anhand von Spektrogrammen. Die Leistung der Deep-Learning-Modelle kann mit anderen Modellen verglichen werden, beispielsweise mit Wavelet-Parametern aus funktionalen Daten oder Extreme Gradient Boosting Trees (XGBoost).
Tipps:Das Add-in bietet weitere Anwendungsfälle für Deep Learning in der Chemie (siehe Add-ins > Torch Deep Learning > Beispieldaten > Torch Storybook). Ein zweites Add-in, „Torch Companion“ , unterstützt das automatische Screening von DL-Hyperparametern.
