Cari docenti,
Questa pagina presenta una selezione di dieci risorse didattiche disponibili gratuitamente per i docenti universitari di Chimica e discipline affini come Ingegneria Chimica, Scienza dei Materiali, Biotecnologie e Farmacologia.
I criteri da menzionare qui sono:
- Relativo alla chimica:Dimostra che JMP rende molto improbabile partire da zero, indipendentemente dal corso di chimica che insegni.
- Relativo alla tua metodologia didattica:Mostra un'ampia gamma di risorse e indica dove trovarle, dai semplici set di dati ai tutorial, ai casi di studio e all'e-learning.
- In relazione alle tue esigenze specifiche:Vi invitiamo a fornirci un feedback, sia richiedendo la creazione di ulteriori risorse da parte di JMP, sia condividendo il vostro materiale didattico con la comunità di JMP.
Inoltre, questo elenco mira a bilanciare i concetti statistici (come visualizzazione dei dati, modellazione, DOE, SQC, analisi multivariata, chemiometria, ottimizzazione dei processi) nonché tipologie di risorse (come dati di esempio, casi di studio, guide pratiche, webinar, corsi online). Si prega di notare che questa pagina non deve essere considerata un elenco completo, ma intende rappresentare ciò che è disponibile per supportarvi nell'insegnamento delle competenze rilevanti nel vostro settore e per fornirvi un orientamento nella ricerca e nell'esplorazione del materiale didattico che state cercando.
Tutti gli esempi didattici sono pronti per essere eseguitiEdizione per studenti di JMP, il software desktop senza codice e basato su grafici per Windows e Mac. Consulta il nostroStorie di clienti JMPper comprendere l'importanza di queste competenze nell'industria chimica a livello mondiale.
-
Insegnamento della statistica in chimica e ingegneria chimica
Concetti principali:Analisi esplorativa dei dati, visualizzazione dei dati, analisi statistica, modellazione predittiva, ottimizzazione dei processi, simulazione Monte Carlo
Tipo di risorsa e fonte:Webinar accademico“JMP per l’insegnamento della statistica in chimica e ingegneria chimica” > vedi la rivista JMP
Descrizione:Questo webinar offre una panoramica sull'utilità di JMP Student Edition per l'insegnamento dei metodi statistici in chimica e ingegneria chimica. È pensato per i docenti che desiderano capire se e come il software JMP soddisfa le esigenze del loro corso o programma di studi. Il materiale del webinar fornisce esempi relativi alla produzione chimica, all'esplorazione e all'analisi dei dati di processo, alla modellazione predittiva per lo screening ad alto rendimento e all'ottimizzazione robusta dei processi.
Suggerimenti:Altri webinar accademici per iniziare sono "JMP 101: Introduzione a JMP per insegnanti" e "JMP 101: Introduzione per studenti" . Consulta anche il menu Studente in JMP Student Edition per insegnare i concetti statistici di base e la Biblioteca di apprendimento JMP per oltre 100 guide rapide e brevi video tutorial.
-
Progettazione degli esperimenti (DOE)
Concetti principali:Sperimentazione multifattoriale, esperimenti di screening, esperimenti di superficie di risposta, progettazione classica vs. progettazione ottimale
Tipo di risorsa e fonte: “"Progettazione degli esperimenti" è uno dei sette moduli del corso di statistica online."Il pensiero statistico per la risoluzione dei problemi industriali"(noto anche come STIPS). Sebbene il corso completo, comprensivo di tutti gli esercizi pratici con JMP Pro, possa essere seguito nell'ambiente di apprendimento virtuale, è possibile richiedere tutti i contenuti del corso, comprese le diapositive, a scopo didattico.
Descrizione:In questo modulo introduttivo, imparerai perché gli esperimenti progettati sono migliori degli approcci per tentativi ed errori e dell'analisi di un fattore alla volta per comprendere le relazioni di causa-effetto e le interazioni tra i fattori. Ti verranno presentati diversi tipi di disegni sperimentali, come quelli fattoriali, a superficie di risposta e personalizzati. Infine, apprenderai alcune linee guida e best practice della progettazione degli esperimenti (DOE) che ti aiuteranno ad avere successo nella sperimentazione.
Suggerimenti:Sebbene lo svolgimento di tutte le parti di questo modulo STIPS DOE richieda circa quattro ore, per lezioni più brevi consigliamoPortale di conoscenze statistiche(noto anche come SKP, vedi Progettazione degli esperimenti ) e la piattaforma 'Easy DOE' (JMP Help > Guida alla progettazione degli esperimenti > Easy DOE). Altre risorse DOE consigliate sono:webinar accademici“Progettazione e analisi degli esperimenti, Parte 1: Introduzione” e “Parte 2: Argomenti avanzati” , e due approfondimenticorsi su richiestarispettivamente su “Progettazione personalizzata degli esperimenti” e “Progettazione classica degli esperimenti” .
-
Progettazione di esperimenti con miscele: un caso di studio nelle formulazioni di materie plastiche
Concetti principali:Progettazione degli esperimenti (DOE), esperimento di miscela, modellazione lineare, ottimizzazione
Tipo di risorsa e fonte:Webinar su richiesta ((registrazione richiesta) con set di dati scaricabile
Descrizione:Lo sviluppo di un prodotto di successo spesso implica l'ottimizzazione delle formulazioni. L'obiettivo è trovare le giuste proporzioni di cinque ingredienti in modo da ottenere le caratteristiche desiderate del prodotto riducendo al minimo i costi. La demo mostra come progettare un esperimento di miscelazione nella piattaforma Custom Design di JMP, incorporare vincoli nella progettazione sperimentale, valutare l'impatto delle variazioni nelle impostazioni delle variabili di processo e analizzare i dati sperimentali e prendere decisioni in Prediction Profiler di JMP.
Suggerimenti:Per facilitare la progettazione dell'esperimento, fai clic sul triangolo rosso in alto per salvare (e ricaricare) le impostazioni di risposta e dei fattori nelle tabelle JMP, che potranno poi essere condivise con gli studenti.
-
Funzioni di desiderabilità bayesiane: un approccio moderno all'efficienza del prodotto
e progettazione dei processi
Concetti principali:Ottimizzazione bayesiana, apprendimento attivo,Regressione del processo gaussiano
Tipo di risorsa e fonte:Corso breve online“Funzioni di desiderabilità bayesiane: un approccio moderno alla progettazione efficiente di prodotti e processi”Presentato da ENBIS e JMP; diario dimostrativo con tutti gli esempi, le istruzioni e le diapositive scaricabili.
Descrizione:La sperimentazione sequenziale tramite ottimizzazione bayesiana promette maggiore velocità e un flusso di lavoro più semplice per chi non ha competenze statistiche, privilegiando il raggiungimento dell'obiettivo rispetto alla costruzione del modello. In questo webinar esamineremo i fondamenti della modellazione di regressione con processi gaussiani e l'approccio standard all'ottimizzazione bayesiana. Introdurremo quindi la generalizzazione a risposte multiple tramite il framework di desiderabilità bayesiana. Oltre a una lezione approfondita che illustra il background tecnico, l'efficienza e l'accessibilità delle tecniche, grazie alle nuove funzionalità di JMP Student Edition 19, saranno dimostrate attraverso tre casi di studio.
Suggerimenti:Questo corso precedenteSono stati presentati alcuni concetti aggiuntivi, ma per la dimostrazione è stata utilizzata un'implementazione prototipale (componente aggiuntivo di JMP). Si veda anche la Guida di JMP > Modellazione predittiva e specializzata > Ottimizzazione bayesiana.
-
Introduzione ai metodi di qualità e di processo
Concetti principali:Controllo statistico di processo (SPC), carte di controllo, capacità di processo, analisi dei sistemi di misurazione (MSA), ripetibilità e riproducibilità, intervalli di tolleranza
Tipo di risorsa e fonte:Biblioteca di apprendimento JMP Qualità e processo. Guide rapide e brevi video per introdurre gli studenti ai metodi di qualità. Per ulteriori approfondimenti, si rimanda alla documentazione JMP.
Descrizione:Impara a utilizzare i diagrammi di controllo per monitorare i processi nel tempo e determinare se sono sotto controllo statistico o se esiste una variabilità dovuta a cause assegnabili. Utilizza metodi statistici per quantificare le prestazioni di un processo rispetto alle specifiche. Impara a progettare e analizzare esperimenti su sistemi di misurazione per quantificare le fonti di ripetibilità e riproducibilità della variabilità di misurazione e per determinare il livello di accuratezza, precisione e concordanza in questi sistemi.
Suggerimenti:Gli studenti possono provare gli esempi da soli poiché tutte le istruzioni fanno riferimento ai dati di esempio integrati in JMP (Aiuto > Indice esempi). Il modulo STIPS'Metodi di qualità'è possibile visitare il sito per saperne di più su questi concetti.
-
Qualità: Grafico di controllo multivariato basato su modellocon un modello PLS
Concetti principali:Controllo qualità e di processo, diagrammi di controllo multivariato basati su modelli (MDMCC), minimi quadrati parziali (PLS)
Tipo di risorsa e fonte: Dati di esempio con script di analisi memorizzati (ad esempio 'Fit Partial Least Squares' e 'Model Driven Multivariate Control Chart'); vedere JMP Student Edition > Menu Guida > Indice esempi > Cerca 'Polietilene'. Ulteriori informazioni nella Guida di JMP all'indirizzojmp.com/help> Metodi di qualità e di processo > Grafici di controllo multivariato basati su modelli > Ulteriori esempi della piattaforma per i grafici di controllo multivariato basati su modelli.
Descrizione:La tabella di dati di esempio 'Polyethylene Process.jmp' contiene 14 variabili di processo (input) e 5 variabili di qualità o output. Le prime righe contengono dati storici utilizzati per costruire un modello PLS iniziale. Le righe rimanenti rappresentano nuovi dati raccolti dopo la costruzione del modello, utilizzati per il monitoraggio continuo del processo.
Suggerimenti:Nel report MDMCC, posiziona il cursore del mouse sui punti dati del grafico di controllo per esplorare i grafici con i relativi contributi. Un altro esempio di MDMCC è disponibile nella tabella dati di esempio "Chemical Reactor Process.jmp".
-
Analisi multivariata: selezione dei materiali tramite QSAR tabellare
Concetti principali:Collinearità, Analisi delle Componenti Principali (PCA), DOE con covariate, Minimi Quadrati Parziali (PLS), Ottimizzazione, Validazione del Modello, Scaling Multidimensionale (MDS)
Tipo di risorsa e fonte:Webinar “Analisi avanzate e apprendimento profondo in chimica” daBiblioteca di webinar accademiciScarica la rivista JMP > caso n. 1.
Descrizione:Questo caso studio riguarda la selezione del materiale migliore, in grado di massimizzare una prima risposta e minimizzarne una seconda. Il punto di partenza sono 19 proprietà chimiche e fisiche di 45 materiali candidati. Il problema reale, condiviso dall'industria, illustra come costruire un modello empirico sostenibile per comprendere le caratteristiche di un buon materiale, fare previsioni su nuovi materiali, individuare l'ottimo (che potrebbe non esistere ancora) e ridurre lo sforzo di test. Il flusso di lavoro analitico combina diversi metodi di analisi multivariata e si basa sull'applicazione chemiometrica QSAR - Relazione Quantitativa Struttura-Attività.
Suggerimenti:Questo caso è stato condiviso da un cliente JMP. La presentazione originale del cliente, tratta da un JMP Discovery Summit, è disponibile qui.Qui.
-
Simulazione e ottimizzazione dei processi
Concetti principali:Visualizzazione del modello, limiti di specifica, desiderabilità, ottimizzazione del processo, simulazione Monte Carlo
Tipo di risorsa e fonte:Scopri l'evento JMP“Simulazione e ottimizzazione del processo: un approccio passo passo”con rivista JMP e set di dati scaricabili.
Descrizione:Il semplice esempio di produzione a 4 fattori e 2 risposte presentato in questo webinar mostra come utilizzare il Prediction Profiler di JMP per esplorare e comprendere i modelli, nonché per scopi di ottimizzazione e simulazione. Questo è lo strumento centrale di JMP a supporto della comprensione e del miglioramento dei processi.
Suggerimenti:I passaggi successivi consigliati potrebbero includere la valutazione dell'importanza delle variabili (importanza pratica simulata anziché significatività statistica), la robustezza tramite esperimenti di simulazione (individuazione della parte più piatta della curva) e il Design Space Profiler (Quality by Design > imposta le specifiche sulle X).
-
Analisi dei dati funzionali per l'ottimizzazione dell'HPLC
Concetti principali:Analisi funzionale dei dati, PCA funzionale, DOE funzionale
Tipo di risorsa e fonte: Caso di studio JMP059 di JMPRaccolta di casi di studio.
Descrizione:Utilizza la piattaforma Functional Data Explorer di JMP.Applicare l'analisi funzionale dei dati e la progettazione funzionale degli esperimenti (FDOE) per l'ottimizzazione di un metodo analitico che consenta la quantificazione accurata di due componenti biologici. Gli studenti sviluppano un metodo di cromatografia liquida ad alta prestazione (HPLC) in grado di separare due biosurfattanti soforolipidi strettamente correlati che appaiono vicini nel cromatogramma. I compiti includono l'applicazione della progettazione statistica degli esperimenti (DOE) per trovare le impostazioni HPLC che possono migliorare il metodo, l'utilizzo dell'analisi funzionale dei dati per comprendere come cambia la forma della curva al variare dei fattori e l'identificazione delle condizioni ottimali per la separazione dei due picchi.
Suggerimenti:Ulteriori informazioni su Functional Data Explorer e altri esempi che utilizzano dati di esempio sono disponibili nella Guida di JMP all'indirizzojmp.com/help> Modellazione predittiva e specializzata > Esploratore di dati funzionali.
-
Apprendimento profondo: previsione della solubilità (SMILES QSAR) e previsione dello spettrogramma (classificazione delle immagini)
Concetti principali:XGBoost, apprendimento profondo Torch
Tipo di risorsa e fonte:Seminario Web "Analisi avanzata e apprendimento profondo in chimicadaBiblioteca di webinar accademici. Scarica la rivista JMP > casi n. 2 e n. 3. Richiede il componente aggiuntivo gratuito 'Torch Deep Learning' per JMP, che può essere scaricato damarketplace.jmp.comI modelli pre-addestrati verranno aggiunti automaticamente all'installazione Python integrata quando necessario. XGBoost è disponibile anche come estensione nel JMP Marketplace.
Descrizione:Previsione tramite le funzionalità e i modelli di Deep Learning del pacchetto pyTorch in Python, preinstallato e configurato di serie in JMP Student Edition. Non è richiesta alcuna programmazione in Python: l'avvio del modello, inclusi gli iperparametri, l'output e la diagnostica sono disponibili tramite l'interfaccia utente di JMP. I modelli di Deep Learning dimostrati includono BertTiny o Chem Prop Message Passing Neural Network per prevedere la solubilità in base alle stringhe SMILES e il modello di immagine LeNet5 per prevedere la composizione di Propanolo-Butanolo-Pentanolo in base agli spettrogrammi. Le prestazioni del modello di Deep Learning possono essere confrontate con altri modelli, come i parametri wavelet da dati funzionali o gli alberi di decisione potenziati a gradiente estremo (XGBoost).
Suggerimenti:Il componente aggiuntivo fornisce ulteriori casi d'uso del Deep Learning in Chimica, vedi Componenti aggiuntivi > Torch Deep Learning > Dati di esempio > Torch Storybook. Un secondo componente aggiuntivo, 'Torch Companion' , supporta lo screening automatico degli iperparametri del Deep Learning.
