講師の皆様へ
このページでは、化学および化学工学、材料科学、バイオテクノロジー、薬理学などの関連分野の高等教育機関の教員が無料で利用できる、厳選された10種類の教育リソースを紹介します。
ここで挙げる基準は以下のとおりです。
- 化学に関連するもの：JMPを使えば、あなたがどの化学の授業を担当するにしても、ゼロから始める可能性は非常に低くなることを証明してください。
- あなたの教育法に関連して：シンプルなデータセットからチュートリアル、ケーススタディ、eラーニングまで、幅広いリソースとその入手先を紹介します。
- あなたの特別なニーズに関連して：JMPが作成する教材の拡充をリクエストする形でも、ご自身の教材をJMPコミュニティと共有する形でも、ぜひフィードバックをお寄せください。
さらに、このリストは統計概念のバランスを取ることを目的としています（データ可視化、モデリング、実験計画法（DOE）、統計品質管理（SQC）、多変量解析、ケモメトリクス、プロセス最適化などサンプルデータ、ケーススタディ、ハウツーガイド、ウェビナー、eラーニングコースなど、リソースの種類も掲載しています。このページは完全なリストではありませんが、あなたの分野で関連するスキルを教える際に役立つリソースを紹介し、探している教材を見つけるための参考情報を提供することを目的としています。
すべての教育例はすぐに実行できますJMP学生版WindowsおよびMac向けのノーコード＆グラフファーストのデスクトップソフトウェア。詳細については、JMPの顧客事例これらのスキルが世界の化学産業においてどれほど重要かを知るため。
-
化学および化学工学における統計学の教育
主な概念：探索的データ分析、データ可視化、統計分析、予測モデリング、プロセス最適化、モンテカルロシミュレーション
リソースの種類とソース:学術ウェビナー「化学および化学工学における統計学教育のためのJMP」 ＞JMPジャーナルを参照
説明：このウェビナーでは、化学および化学工学における統計的手法の教育におけるJMP学生版の有用性について概説します。JMPソフトウェアが自身の授業やカリキュラムのニーズを満たすかどうか、またどのように満たすかを知りたい教員を対象としています。ウェビナーの資料には、化学製造におけるプロセスデータの探索と分析、ハイスループットスクリーニングのための予測モデリング、堅牢なプロセス最適化に関する事例が掲載されています。
ヒント：入門に役立つその他の学術ウェビナーとしては、 「JMP 101: 教師向け JMP 入門」と「JMP 101: 学生向け JMP 入門」があります。また、JMP Student Edition の学生メニューでは基本的な統計概念を学ぶことができ、 JMP ラーニングライブラリには 100 以上のクイックガイドと短いビデオチュートリアルが用意されています。
-
実験計画法（DOE）
主な概念：多因子実験、スクリーニング実験、応答曲面実験、古典的設計と最適設計
リソースの種類とソース: 「「実験計画法」は、オンライン統計学コースの7つのモジュールのうちの1つです。「産業問題解決のための統計的思考」（別名STIPS）。JMP Proを使用したすべての実習を含むフルコースは仮想学習環境で受講できますが、スライドを含むすべてのコースコンテンツは教育目的でリクエストできます。
説明：この入門モジュールでは、因果関係や要因間の相互作用を理解する上で、試行錯誤や一度に1つの要因のみを変更するアプローチよりも、計画実験が優れている理由を学びます。要因計画、応答曲面計画、カスタム計画など、いくつかの種類の実験計画法を紹介します。最後に、実験を成功させるためのDOEガイドラインとベストプラクティスを学びます。
ヒント：この STIPS DOE モジュールのすべての部分に取り組むには約 4 時間かかりますが、より短い講義については、統計知識ポータル（別名SKP、実験計画法を参照）および「Easy DOE」プラットフォーム（JMPヘルプ > 実験計画法ガイド > Easy DOE）。その他の推奨DOEリソースは学術ウェビナー「実験の設計と分析、パート1：入門」と「パート2：応用トピック」 、および2つの詳細なオンデマンドコースそれぞれ「カスタム実験計画法」と「古典的実験計画法」について。
-
混合物を用いた実験計画法：プラスチック配合における事例研究
主な概念：実験計画法（DOE）、混合実験、線形モデリング、最適化
リソースの種類とソース:オンデマンドウェビナー (（登録が必要）データセットをダウンロード可能
説明：製品開発を成功させるには、配合の最適化が不可欠です。目標は、5種類の成分の最適な配合比率を見つけ出し、コストを最小限に抑えつつ、望ましい製品特性を実現することです。このデモでは、JMPのカスタムデザインプラットフォームで混合実験を設計する方法、実験計画に制約条件を組み込む方法、プロセス変数設定の変動による影響を評価する方法、そしてJMPの予測プロファイラーで実験データを分析して意思決定を行う方法を紹介します。
ヒント：実験設計を容易にするため、上部の赤い三角形をクリックすると、応答と要因の設定がJMPテーブルに保存（および再読み込み）され、学生と共有できます。
-
ベイズ的望ましさ関数 – 効率的な製品に対する現代的なアプローチ
プロセス設計
主な概念：ベイズ最適化、アクティブラーニング、ガウス過程回帰
リソースの種類とソース:オンライン短期コース「ベイズ的望ましさ関数 ― 効率的な製品およびプロセス設計への現代的なアプローチ」ENBISとJMPが提供するデモジャーナル。すべての例、手順、スライドがダウンロード可能です。
説明：ベイズ最適化を用いた逐次実験は、モデル構築よりも目標達成を優先することで、統計学の専門家でないユーザーにとって、より高速でシンプルなワークフローを実現します。このウェビナーでは、ガウス過程回帰モデリングの基本と、ベイズ最適化の標準的なアプローチについて解説します。次に、ベイズ望ましさフレームワークによる複数応答への一般化を紹介します。技術的な背景を詳しく解説する講義に加え、JMP Student Edition 19の新機能を用いた手法の効率性と使いやすさを、3つのケーススタディを通して実証します。
ヒント：この以前のコース追加の概念もいくつか紹介しましたが、デモンストレーションにはプロトタイプ実装（JMPアドイン）を使用しました。詳しくは、JMPヘルプ > 予測モデリングと特殊化モデリング > ベイズ最適化をご覧ください。
-
品質管理とプロセス手法の基礎を学ぶ
主な概念：統計的プロセス管理（SPC）、管理図、プロセス能力、測定システム分析（MSA）、繰り返し性と再現性、許容範囲
リソースの種類とソース:JMPラーニングライブラリ 品質とプロセス。学生が品質管理手法を習得するためのクイックガイドと短いビデオ。さらに詳しく知りたい場合は、JMPのドキュメントを参照してください。
説明：管理図を使用して、工程を時系列で監視し、統計的管理状態にあるか、または特定可能な原因による変動が存在するかを判断する方法を学びます。統計的手法を用いて、工程の性能を仕様と比較して定量化します。測定システムに関する実験を設計および分析し、測定変動の再現性と反復性の原因を定量化し、これらのシステムの精度、正確性、および一致度を判断する方法を学びます。
ヒント：すべての手順はJMPの組み込みサンプルデータ（ヘルプ > サンプルインデックス）を参照しているため、学生は自分で例を試すことができます。STIPSモジュール「品質管理手法」これらの概念についてさらに詳しく知りたい場合は、こちらをご覧ください。
-
品質：モデル駆動型多変量管理図PLSモデルを使用
主な概念：品質およびプロセス管理、モデル駆動型多変量管理図（MDMCC）、部分最小二乗法（PLS）
リソースの種類とソース: 保存された分析スクリプト（例：「部分最小二乗法の適合」および「モデル駆動型多変量管理図」）を含むサンプルデータ。JMP Student Edition > ヘルプメニュー > サンプルインデックス > 「ポリエチレン」の検索を参照してください。詳細については、JMPヘルプを参照してください。jmp.com/help> 品質およびプロセス手法 > モデル駆動型多変量管理図 > モデル駆動型多変量管理図プラットフォームの追加例。
説明：サンプルデータテーブル「Polyethylene Process.jmp」には、14個のプロセス変数（入力）と5個の品質変数または出力変数が含まれています。最初の行には、初期PLSモデルの構築に使用された履歴データが含まれています。残りの行は、モデル構築後に収集された新しいデータであり、継続的なプロセス監視に使用されます。
ヒント：MDMCCレポートでは、管理図上のデータポイントにカーソルを合わせると、寄与度を示すグラフが表示されます。その他のMDMCCの例は、サンプルデータテーブル「Chemical Reactor Process.jmp」にあります。
-
多変量解析：表形式QSARを用いた材料選択
主な概念：多重共線性、主成分分析（PCA）、共変量実験計画法（DOE）、部分最小二乗法（PLS）、最適化、モデル検証、多次元尺度構成法（MDS）
リソースの種類とソース:ウェビナー「化学における高度な分析と深層学習」学術ウェビナーライブラリJMPジャーナルをダウンロード > ケース#1。
説明：このケーススタディは、第一の応答を最大化し、第二の応答を最小化する最適な材料を選択することに関するものです。出発点となるのは、45種類の候補材料から得られた19種類の化学的および物理的特性です。産業界が共有する現実世界の課題は、優れた材料とは何かを理解し、新しい材料を予測し、まだ存在しない可能性のある最適値を把握し、試験の手間を削減するために、持続可能な経験的モデルを構築する方法について議論することです。分析ワークフローは、さまざまな多変量解析手法を組み合わせたもので、定量的構造活性相関（QSAR）というケモメトリクスアプリケーションに基づいています。
ヒント：この事例はJMPのお客様から提供されたものです。JMPディスカバリーサミットでのお客様によるプレゼンテーション資料は、こちらからご覧いただけます。ここ.
-
プロセスシミュレーションと最適化
主な概念：モデル可視化、仕様限界、望ましさ、プロセス最適化、モンテカルロシミュレーション
リソースの種類とソース:JMPイベントを学ぶ「プロセスのシミュレーションと最適化 ― ステップバイステップのアプローチ」JMPジャーナルとデータセットをダウンロードできます。
説明：このウェビナーで紹介する、4つの要因と2つの応答を持つシンプルな製造事例を通して、JMP予測プロファイラをモデルの探索と理解、そして最適化とシミュレーションにどのように活用するかを解説します。これは、プロセス理解とプロセス改善を支援するJMPの中核となるツールです。
ヒント：推奨される次のステップとしては、変数重要度（統計的有意性ではなく、シミュレーションによる実質的な重要度）、シミュレーション実験による堅牢性（曲線の最も平坦な部分を見つける）、および設計空間プロファイラー（設計による品質 > X の仕様を設定する）などが考えられます。
-
HPLC最適化のための機能データ解析
主な概念：関数データ解析、関数PCA、関数DOE
リソースの種類とソース: JMPのケーススタディJMP059事例研究ライブラリ.
説明：JMPのファンクショナルデータエクスプローラープラットフォームを使用します。2つの生物学的成分を正確に定量化できるように、分析方法を最適化するために、機能データ解析と機能的実験計画法（FDOE）を適用します。学生は、クロマトグラム上で近接して現れる、密接に関連する2つのソホロリピドバイオサーファクタントを分離できる高性能液体クロマトグラフィー（HPLC）法を作成します。タスクには、統計的実験計画法（DOE）を適用して方法を改善できるHPLC設定を見つけること、機能データ解析を使用して要因の変化に伴う曲線形状の変化を理解すること、および2つのピークを分離するための最適条件を特定することが含まれます。
ヒント：機能データエクスプローラーの詳細およびサンプルデータを使用したその他の例については、JMPヘルプを参照してください。jmp.com/help予測モデリングと特殊モデリング > 機能データエクスプローラー
-
ディープラーニング：溶解度予測（SMILES QSAR）およびスペクトログラム予測（画像分類）
主な概念：XGBoost、Torchディープラーニング
リソースの種類とソース:ウェビナー"化学における高度な分析と深層学習から学術ウェビナーライブラリJMPジャーナルをダウンロード > ケース#2と#3。無料の「Torch Deep Learning」 JMPアドインが必要です。これは以下からダウンロードできます。marketplace.jmp.com事前学習済みモデルは、必要に応じて組み込みのPythonインストール環境に自動的に追加されます。XGBoostは、JMP Marketplaceから拡張機能としても入手可能です。
説明：JMP Student Edition に標準でインストールおよび設定されている Python の pyTorch パッケージのディープラーニング機能とモデルを使用して予測を行います。Python コーディングは不要で、ハイパーパラメータを含むモデルの起動、モデルの出力、診断は JMP ユーザー インターフェイスから利用できます。デモされている DL モデルには、SMILES 文字列に基づいて溶解度を予測する BertTiny または Chem Prop メッセージ パッシング ニューラル ネットワーク、およびスペクトログラムに基づいてプロパノール-ブタノール-ペンタノールの組成を予測する LeNet5 画像モデルが含まれます。DL モデルのパフォーマンスは、関数データからのウェーブレット パラメータや、極端な勾配ブースティング ツリー (XGBoost) などの他のモデルと比較できます。
ヒント：このアドインは、化学分野におけるディープラーニングのユースケースをさらに提供します。詳細は、[アドイン] > [Torch ディープラーニング] > [サンプルデータ] > [Torch Storybook] を参照してください。2つ目のアドインである「Torch Companion」は、ディープラーニングのハイパーパラメータの自動スクリーニングをサポートします。
