교수님들께,
이 페이지에서는 화학 및 화학 공학, 재료 과학, 생명 공학, 약리학 등 관련 분야의 고등 교육 기관 강사들이 무료로 이용할 수 있는 10가지 교육 자료를 소개합니다.
여기서 언급해야 할 기준은 다음과 같습니다.
- 화학 관련 분야:JMP를 사용하면 어떤 화학 과목을 가르치든 처음부터 다시 시작할 가능성이 매우 낮다는 것을 증명하십시오.
- 교수법과 관련된 사항:간단한 데이터 세트부터 튜토리얼, 사례 연구, 이러닝에 이르기까지 다양한 자료와 해당 자료를 찾을 수 있는 위치를 보여주세요.
- 귀하의 특별한 요구 사항과 관련된 사항:JMP에서 제작한 자료를 더 요청하시거나, 직접 제작하신 교육 자료를 JMP 커뮤니티와 공유해 주시는 등, 다양한 방식으로 피드백을 제공해 주시기를 바랍니다.
또한, 이 목록은 통계적 개념들의 균형을 맞추는 것을 목표로 합니다.데이터 시각화, 모델링, 실험 설계(DOE), 품질 관리(SQC), 다변량 분석, 화학 계량학, 공정 최적화 등이 페이지에는 다양한 유형의 자료(예: 샘플 데이터, 사례 연구, 실용 가이드, 웨비나, 온라인 강좌)가 포함되어 있습니다. 이 페이지는 모든 자료를 망라하는 것이 아니라, 여러분의 분야에서 관련 기술을 가르치는 데 도움이 될 수 있는 자료들을 소개하고, 필요한 교육 자료를 찾고 탐색하는 데 도움을 주기 위한 것입니다.
모든 교육용 예제는 바로 실행할 수 있습니다.JMP 학생용 에디션Windows 및 Mac용 노코드 및 그래프 우선 데스크톱 소프트웨어입니다. 자세한 내용은 당사 웹사이트를 참조하십시오.JMP 고객 성공 사례이러한 기술들이 전 세계 화학 산업에서 얼마나 중요한지 알아보기 위해서입니다.
-
화학 및 화학공학 분야에서 통계학 강의
주요 개념:탐색적 데이터 분석, 데이터 시각화, 통계 분석, 예측 모델링, 프로세스 최적화, 몬테카를로 시뮬레이션
리소스 유형 및 출처:학술 웹 세미나"화학 및 화학공학 분야 통계 교육을 위한 JMP" > JMP 저널 보기
설명:본 웨비나는 화학 및 화학공학 분야에서 통계적 방법론을 가르치는 데 있어 JMP 학생용 에디션의 활용법에 대한 개요를 제공합니다. 특히 JMP 소프트웨어가 자신의 강의 또는 교육과정에 적합한지, 그리고 어떻게 활용할 수 있는지 알고 싶어하는 강사들을 대상으로 합니다. 웨비나 자료에는 화학 제조 공정 데이터 탐색 및 분석, 고처리량 스크리닝을 위한 예측 모델링, 견고한 공정 최적화 등의 사례가 포함되어 있습니다.
팁:시작하는 데 도움이 되는 다른 학술 웨비나로는 "JMP 101: 교사를 위한 JMP 소개" 와 "JMP 101: 학생을 위한 JMP 소개"가 있습니다. 또한 기본적인 통계 개념을 가르치는 데 유용한 JMP 학생용 에디션의 학생 메뉴 와 100개 이상의 간편 가이드 및 짧은 비디오 튜토리얼을 제공하는 JMP 학습 라이브러리도 참고하세요.
-
실험 설계(DOE)
주요 개념:다인자 실험, 스크리닝 실험, 반응 표면 실험, 고전적 설계 vs. 최적 설계
리소스 유형 및 출처: “"실험 설계"는 온라인 통계학 강좌의 7개 모듈 중 하나입니다.산업 문제 해결을 위한 통계적 사고(STIPS라고도 함). JMP Pro를 사용한 모든 실습을 포함한 전체 과정은 가상 학습 환경에서 수강할 수 있으며, 강의 목적으로 슬라이드를 포함한 모든 과정 콘텐츠를 요청할 수 있습니다.
설명:이 입문 모듈에서는 인과 관계 및 요인 간 상호작용을 이해하는 데 있어 설계된 실험이 시행착오나 단일 요인 접근 방식보다 더 효과적인 이유를 배우게 됩니다. 요인 설계, 반응 표면 설계, 맞춤형 설계 등 다양한 실험 설계 유형을 소개하고, 마지막으로 실험을 성공적으로 수행하는 데 도움이 되는 DOE(실험 설계) 지침 및 모범 사례를 배우게 됩니다.
팁:이 STIPS DOE 모듈의 모든 부분을 학습하는 데는 약 4시간이 소요되지만, 더 짧은 강의를 원하시는 경우 다음 자료를 추천합니다.통계 지식 포털(SKP라고도 함, 실험 설계 참조) 및 'Easy DOE' 플랫폼(JMP 도움말 > 실험 설계 가이드 > Easy DOE)을 추천합니다. 그 외 권장되는 실험 설계 관련 자료는 다음과 같습니다.학술 웹 세미나"실험 설계 및 분석, 1부: 소개" 와 "2부: 고급 주제" , 그리고 두 개의 심층 강의온디맨드 코스각각 "맞춤형 실험 설계" 와 "고전적 실험 설계" 에 대한 내용입니다.
-
혼합물을 이용한 실험 설계: 플라스틱 배합 사례 연구
주요 개념:실험 설계(DOE), 혼합 실험, 선형 모델링, 최적화
리소스 유형 및 출처:온디맨드 웹 세미나 ((등록 필요) 다운로드 가능한 데이터 세트 포함
설명:성공적인 제품 개발에는 종종 배합 최적화가 포함됩니다. 목표는 원하는 제품 특성을 달성하면서 비용을 최소화할 수 있도록 다섯 가지 성분의 적절한 비율을 찾는 것입니다. 이 데모에서는 JMP의 사용자 지정 설계 플랫폼에서 혼합 실험을 설계하고, 실험 설계에 제약 조건을 통합하고, 공정 변수 설정 변화의 영향을 평가하고, JMP의 예측 프로파일러에서 실험 데이터를 분석하고 의사 결정을 내리는 방법을 보여줍니다.
팁:실험 설계를 편리하게 하려면 상단의 빨간색 삼각형을 클릭하여 반응 및 요인 설정을 JMP 표에 저장(및 다시 불러오기)한 다음 학생들과 공유할 수 있습니다.
-
베이지안 선호도 함수 – 효율적인 제품 개발을 위한 현대적 접근법
및 프로세스 설계
주요 개념:베이지안 최적화, 능동 학습가우시안 프로세스 회귀
리소스 유형 및 출처:온라인 단기 강좌“베이지안 선호도 함수 – 효율적인 제품 및 공정 설계를 위한 현대적 접근법”ENBIS와 JMP가 제공하는 데모 저널로, 모든 예시, 지침 및 슬라이드를 다운로드할 수 있습니다.
설명:베이지안 최적화를 활용한 순차적 실험은 모델 구축보다 목표 달성에 우선순위를 두어 통계학 전문가가 아닌 사용자에게도 더 빠른 속도와 간소화된 워크플로우를 제공합니다. 이번 웨비나에서는 가우시안 프로세스 회귀 모델링의 기본 사항과 베이지안 최적화의 표준 접근 방식을 살펴봅니다. 그런 다음 베이지안 선호도 프레임워크를 통해 다중 응답으로의 일반화를 소개합니다. 기술적 배경에 대한 심층적인 강의와 더불어, JMP 학생용 에디션 19의 새로운 기능을 활용한 세 가지 사례 연구를 통해 이러한 기법의 효율성과 접근성을 보여줍니다.
팁:이전 과정추가적인 개념들을 제시했지만, 시연을 위해 프로토타입 구현(JMP 추가 기능)을 사용했습니다. JMP 도움말 > 예측 및 특수 모델링 > 베이지안 최적화도 참조하십시오.
-
품질 및 프로세스 방법론 시작하기
주요 개념:통계적 공정 관리(SPC), 관리도, 공정 능력, 측정 시스템 분석(MSA), 반복성 및 재현성, 허용 오차 범위
리소스 유형 및 출처:JMP 학습 라이브러리 품질 및 프로세스. 학생들이 품질 관리 방법을 쉽게 시작할 수 있도록 간략한 가이드와 짧은 동영상을 제공합니다. 더 자세한 내용은 JMP 문서를 참조하십시오.
설명:관리도를 사용하여 시간이 지남에 따라 공정을 모니터링하고 통계적 관리 상태에 있는지 또는 특정 원인에 의한 변동이 존재하는지 판단하는 방법을 배우십시오. 통계적 방법을 사용하여 사양 대비 공정 성능을 정량화하십시오. 측정 시스템에 대한 실험을 설계하고 분석하여 측정 변동의 반복성 및 재현성 원인을 정량화하고 이러한 시스템의 정확도, 정밀도 및 일치 수준을 결정하는 방법을 배우십시오.
팁:모든 지침이 JMP에 내장된 샘플 데이터(도움말 > 샘플 색인)를 참조하므로 학생들은 예제를 직접 시도해 볼 수 있습니다. STIPS 모듈'품질 관리 방법'이러한 개념에 대해 더 자세히 알아보려면 방문해 보세요.
-
품질: 모델 기반 다변량 관리도PLS 모델을 사용하여
주요 개념:품질 및 공정 관리, 모델 기반 다변량 관리도(MDMCC), 부분 최소 제곱법(PLS)
리소스 유형 및 출처: 분석 스크립트(예: '부분 최소 제곱법 적합' 및 '모델 기반 다변량 관리도')가 저장된 샘플 데이터는 JMP 학생용 버전 > 도움말 메뉴 > 샘플 색인 > '폴리에틸렌' 검색에서 확인할 수 있습니다. 자세한 내용은 JMP 도움말을 참조하세요.jmp.com/help> 품질 및 프로세스 방법 > 모델 기반 다변량 관리도 > 모델 기반 다변량 관리도 플랫폼의 추가 예시
설명:샘플 데이터 테이블 'Polyethylene Process.jmp'에는 14개의 공정 변수(입력)와 5개의 품질 또는 출력 변수가 포함되어 있습니다. 첫 번째 행에는 초기 PLS 모델 구축에 사용된 과거 데이터가 포함되어 있습니다. 나머지 행은 모델 구축 후 수집된 새로운 데이터로, 지속적인 공정 모니터링에 사용됩니다.
팁:MDMCC 보고서에서 관리도상의 데이터 포인트 위에 마우스 커서를 올리면 각 포인트의 기여도를 나타내는 그래프를 볼 수 있습니다. 다른 MDMCC 예시는 샘플 데이터 테이블 "Chemical Reactor Process.jmp"에서 확인할 수 있습니다.
-
다변량 분석: 표 형식 QSAR을 이용한 재료 선택
주요 개념:다중공선성, 주성분 분석(PCA), 공변량 실험계획법(DOE), 부분 최소 제곱법(PLS), 최적화, 모델 검증, 다차원 척도법(MDS)
리소스 유형 및 출처:"화학 분야의 고급 분석 및 딥러닝" 웨비나학술 웹 세미나 라이브러리JMP 저널 다운로드 > 사례 #1.
설명:본 사례 연구는 첫 번째 반응을 최대화하고 두 번째 반응을 최소화하는 최적의 재료를 선택하는 것에 관한 것입니다. 출발점은 45개의 후보 물질에서 얻은 19가지 화학적 및 물리적 특성입니다. 산업계에서 공통적으로 발생하는 이 문제는 우수한 재료를 만드는 요소를 이해하고, 새로운 재료를 예측하며, 아직 존재하지 않을 수도 있는 최적값을 찾아내고, 시험 노력을 줄이기 위해 지속 가능한 경험적 모델을 구축하는 방법을 다룹니다. 분석 워크플로는 다양한 다변량 분석 방법을 결합하고, 정량적 구조-활성 관계(QSAR)라는 화학계량학적 응용 프로그램을 기반으로 합니다.
팁:이 사례는 JMP 고객께서 공유해 주셨습니다. JMP 디스커버리 서밋에서 발표된 고객 프레젠테이션 원본은 다음에서 확인하실 수 있습니다.여기.
-
프로세스 시뮬레이션 및 최적화
주요 개념:모델 시각화, 사양 한계, 선호도, 공정 최적화, 몬테카를로 시뮬레이션
리소스 유형 및 출처:JMP 이벤트에 대해 알아보세요“프로세스 시뮬레이션 및 최적화 – 단계별 접근 방식”JMP 저널 및 데이터 세트를 다운로드할 수 있습니다.
설명:이 웨비나에서 소개하는 간단한 4개 요인, 2개 응답 제조 사례는 JMP 예측 프로파일러를 사용하여 모델을 탐색하고 이해하며, 최적화 및 시뮬레이션을 수행하는 방법을 보여줍니다. 이는 JMP에서 공정 이해 및 공정 개선을 지원하는 핵심 도구입니다.
팁:권장되는 다음 단계에서는 변수 중요도(통계적 유의성이 아닌 시뮬레이션을 통한 실제 중요도), 시뮬레이션 실험을 통한 견고성(곡선의 가장 평평한 부분 찾기), 설계 공간 프로파일러(설계에 의한 품질 > X에 대한 사양 설정)를 고려할 수 있습니다.
-
HPLC 최적화를 위한 함수 데이터 분석
주요 개념:함수형 데이터 분석, 함수형 PCA, 함수형 DOE
리소스 유형 및 출처: JMP의 사례 연구 JMP059사례 연구 라이브러리.
설명:JMP의 기능 데이터 탐색기 플랫폼을 사용합니다.두 가지 생물학적 성분을 정확하게 정량화할 수 있는 분석 방법을 최적화하기 위해 기능 데이터 분석 및 기능 실험 설계(FDOE)를 적용합니다. 학생들은 크로마토그램 상에서 서로 가깝게 나타나는 두 가지 유사한 소포로리피드 생물계면활성제를 분리할 수 있는 고성능 액체 크로마토그래피(HPLC) 방법을 개발합니다. 과제에는 통계적 실험 설계(DOE)를 적용하여 방법을 개선할 수 있는 HPLC 설정을 찾는 것, 기능 데이터 분석을 사용하여 요인 변화에 따른 곡선 형태의 변화를 이해하는 것, 그리고 두 피크의 분리를 위한 최적 조건을 식별하는 것이 포함됩니다.
팁:함수형 데이터 탐색기 및 샘플 데이터를 사용한 다른 예제에 대한 자세한 내용은 JMP 도움말에서 확인할 수 있습니다.jmp.com/help예측 및 특수 모델링 > 기능 데이터 탐색기.
-
딥러닝: 용해도 예측(SMILES QSAR) 및 스펙트로그램 예측(이미지 분류)
주요 개념:XGBoost, Torch 딥러닝
리소스 유형 및 출처:웹 세미나 “화학 분야의 고급 분석 및 딥러닝~에서학술 웹 세미나 라이브러리JMP 저널을 다운로드하세요 > 사례 #2 및 #3. 무료 'Torch Deep Learning' JMP 추가 기능이 필요하며, 해당 기능은 다음에서 다운로드할 수 있습니다.marketplace.jmp.com사전 학습된 모델은 필요에 따라 내장된 Python 설치에 자동으로 추가됩니다. XGBoost는 JMP 마켓플레이스에서 확장 프로그램으로도 이용할 수 있습니다.
설명:JMP 학생용 에디션에는 기본적으로 설치 및 구성된 pyTorch 패키지의 딥러닝 기능과 모델을 사용하여 예측을 수행할 수 있습니다. 파이썬 코딩은 필요하지 않으며, 하이퍼파라미터를 포함한 모델 실행, 모델 출력 및 진단 정보는 JMP 사용자 인터페이스를 통해 제공됩니다. 시연된 딥러닝 모델에는 SMILES 문자열을 기반으로 용해도를 예측하는 BertTiny 또는 Chem Prop 메시지 전달 신경망과 스펙트로그램을 기반으로 프로판올-부탄올-펜탄올 조성을 예측하는 LeNet5 이미지 모델이 포함됩니다. 딥러닝 모델의 성능은 함수 데이터의 웨이블릿 파라미터 또는 XGBoost(Extreme Gradient Boosted Trees)와 같은 다른 모델과 비교할 수 있습니다.
팁:이 추가 기능은 화학 분야에서 더 많은 딥러닝 활용 사례를 제공합니다. 자세한 내용은 추가 기능 > Torch 딥러닝 > 예제 데이터 > Torch Storybook을 참조하십시오. 두 번째 추가 기능인 'Torch Companion' 은 딥러닝 하이퍼파라미터의 자동 스크리닝을 지원합니다.
