尊敬的各位老师：
本页列出了十种可供高等教育教师免费使用的教学资源，涵盖化学及相关领域，如化学工程、材料科学、生物技术和药理学。
这里需要提及的标准有：
- 与化学相关：证明 JMP 使得无论你教授化学的哪门课程，从零开始都变得非常不可能。
- 与您的教学法相关：展示各种资源及其获取途径，从简单的数据集到教程、案例研究和在线学习。
- 与您的特殊需求相关的：诚邀您提供反馈，无论是请求 JMP 创建更多资源，还是与 JMP 社区分享您自己的教学材料。
此外，该列表旨在平衡统计概念（例如数据可视化、建模、实验设计 (DOE)、统计质量控制 (SQC)、多元分析、化学计量学、过程优化以及各类资源（例如示例数据、案例研究、操作指南、网络研讨会、在线课程）。请注意，本页面并非完整清单，而是旨在展示可用于支持您教授相关领域技能的资源，并帮助您找到并探索所需的课程资料。
所有教学示例均可立即运行。JMP学生版一款无需编写代码、图形优先的桌面软件，适用于 Windows 和 Mac 系统。请参阅我们的JMP客户案例了解这些技能在全球化工行业中的重要性。
-
在化学和化学工程中教授统计学
主要概念：探索性数据分析、数据可视化、统计分析、预测建模、流程优化、蒙特卡罗模拟
资源类型和来源：学术网络研讨会“JMP for Teaching Statistics in Chemistry and Chemical Engineering” > 请参阅 JMP 期刊
描述：本次网络研讨会概述了 JMP 学生版在化学和化学工程统计方法教学中的应用。研讨会旨在帮助教师了解 JMP 软件是否以及如何满足其课程或教学大纲的需求。研讨会日志提供了化学制造领域中探索和分析工艺数据、高通量筛选预测建模以及稳健工艺优化等方面的实例。
尖端：其他入门级学术网络研讨会包括“JMP 101：教师版 JMP 入门”和“JMP 101：学生版 JMP 入门” 。此外，您还可以参考 JMP 学生版中的“学生”菜单，学习基本的统计概念；以及JMP 学习库，其中包含 100 多个快速指南和简短的视频教程。
-
实验设计（DOE）
主要概念：多因素实验、筛选实验、响应面实验、经典设计与最优设计
资源类型和来源：““实验设计”是这门在线统计课程的七个模块之一。“工业问题解决中的统计思维”（又称STIPS）。虽然整个课程（包括所有使用JMP Pro的实践练习）都可以在虚拟学习环境中完成，但所有课程内容（包括幻灯片）均可申请用于教学目的。
描述：在本入门模块中，您将学习为什么设计实验比反复试验和单因素实验方法更能帮助您理解因果关系和因素间的相互作用。您将了解几种设计类型，例如析因设计、响应曲面设计和自定义设计。最后，您将学习一些实验设计指南和最佳实践，这将有助于您成功开展实验。
尖端：完成本 STIPS DOE 模块的所有部分大约需要四个小时，对于时间较短的课程，我们建议……统计知识门户（又称 SKP，参见实验设计）和“简易 DOE”平台（JMP 帮助 > 实验设计指南 > 简易 DOE）。其他推荐的 DOE 资源包括：学术网络研讨会《实验设计与分析，第一部分：导论》和《实验设计与分析，第二部分：进阶主题》 ，以及两本深入探讨的书籍。按需课程分别介绍“自定义实验设计”和“经典实验设计” 。
-
混合物实验设计：以塑料配方为例
主要概念：实验设计（DOE）、混合物实验、线性建模、优化
资源类型和来源：点播网络研讨会 (（需注册）提供数据集下载
描述：成功的产品开发通常涉及配方优化。其目标是找到五种成分的最佳比例，从而在实现所需产品特性的同时，最大限度地降低成本。演示展示了如何在 JMP 的自定义设计平台中设计混合实验，如何在实验设计中加入约束条件，如何评估工艺变量设置变化的影响，以及如何在 JMP 的预测分析器中分析实验数据并据此做出决策。
尖端：为了方便设计实验，点击顶部的红色三角形，将响应和因子设置保存（和重新加载）到 JMP 表格中，然后可以与学生共享。
-
贝叶斯期望函数——一种现代高效产品方法
和流程设计
主要概念：贝叶斯优化、主动学习高斯过程回归
资源类型和来源：在线短期课程“贝叶斯期望函数——一种高效的产品和工艺设计的现代方法”由 ENBIS 和 JMP 联合呈现；演示日志包含所有示例、说明和幻灯片，可供下载。
描述：使用贝叶斯优化进行序列实验，通过优先求解目标而非构建模型，能够显著提高速度，并为非统计学专业人士提供更简便的工作流程。本次网络研讨会将回顾高斯过程回归建模的基础知识和贝叶斯优化的标准方法。随后，我们将介绍如何通过贝叶斯期望框架将其推广到多个响应变量。除了深入讲解技术背景外，我们还将通过三个案例研究，展示如何利用 JMP 学生版 19 的新功能来提高这些技术的效率和易用性。
尖端：这门早期课程还介绍了一些其他概念，但演示时使用了原型实现（JMP 插件）。另请参阅 JMP 帮助 > 预测和专用建模 > 贝叶斯优化。
-
质量和流程方法入门
主要概念：统计过程控制（SPC）、控制图、过程能力、测量系统分析（MSA）、重复性和再现性、公差区间
资源类型和来源：JMP学习图书馆 质量与流程。提供快速指南和短视频，帮助学生入门质量管理方法。学生可参考 JMP 文档进行更深入的阅读。
描述：学习如何使用控制图来监控过程随时间的变化，以确定过程是否处于统计控制状态，或者是否存在可归因的变异。运用统计方法量化过程相对于规范的性能。学习如何设计和分析测量系统的实验，以量化测量变异的重复性和再现性来源，并确定这些系统的准确度、精密度和一致性水平。
尖端：学生可以自行尝试这些示例，因为所有说明都参考了 JMP 的内置示例数据（帮助 > 示例索引）。STIPS 模块“质量方法”您可以访问这些网站了解更多相关概念。
-
质量：模型驱动多元控制图使用PLS模型
主要概念：质量和过程控制、模型驱动多元控制图（MDMCC）、偏最小二乘法（PLS）
资源类型和来源： 包含已存储分析脚本（例如“拟合偏最小二乘法”和“模型驱动多元控制图”）的示例数据；请参阅 JMP 学生版 > 帮助菜单 > 示例索引 > 搜索“聚乙烯”。更多信息请参阅 JMP 帮助。jmp.com/help> 质量和过程方法 > 模型驱动多元控制图 > 模型驱动多元控制图平台的其他示例。
描述：示例数据表“聚乙烯工艺.jmp”包含14个工艺变量（输入）和5个质量或输出变量。前几行包含用于构建初始PLS模型的历史数据。其余行代表模型构建完成后收集的新数据，用于持续的工艺监控。
尖端：在 MDMCC 报告中，将鼠标悬停在控制图上的数据点上，即可查看包含贡献值的图表。其他 MDMCC 示例请参见示例数据表“Chemical Reactor Process.jmp”。
-
多元分析：基于表格QSAR的材料选择
主要概念：共线性、主成分分析 (PCA)、协变量实验设计 (DOE)、偏最小二乘法 (PLS)、优化、模型验证、多维尺度分析 (MDS)
资源类型和来源：来自……的网络研讨会“化学中的高级分析和深度学习”学术网络研讨会库下载 JMP 期刊 > 案例 #1。
描述：本案例旨在选择最佳材料，以最大化第一响应并最小化第二响应。研究起点是45种候选材料中的19种化学和物理性质。该案例探讨了行业普遍面临的实际问题：如何构建可持续的经验模型，以了解优秀材料的特性，预测新材料的性能，找到可能尚未存在的最佳方案，并减少测试工作量。分析流程结合了多种多元分析方法，并基于化学计量学应用——定量构效关系（QSAR）。
尖端：此案例由一位 JMP 客户分享。您可以查看该客户在 JMP Discovery Summit 大会上的原始演示文稿。这里.
-
过程模拟和优化
主要概念：模型可视化、规格限制、期望值、过程优化、蒙特卡罗模拟
资源类型和来源：学习 JMP 事件“模拟和优化您的流程——循序渐进的方法”提供可下载的 JMP 期刊和数据集。
描述：本次网络研讨会中简单的四因素双响应制造示例展示了如何使用 JMP 预测分析器进行模型探索和理解，以及如何进行优化和仿真。它是 JMP 中支持流程理解和流程改进的核心工具。
尖端：建议的后续步骤可能包括变量重要性（模拟实际重要性而不是统计显著性）、通过模拟实验进行稳健性测试（找到曲线最平坦的部分）以及设计空间分析器（质量源于设计 > 设置 X 的规格）。
-
用于高效液相色谱优化的功能数据分析
主要概念：功能数据分析、功能主成分分析、功能实验设计
资源类型和来源： JMP 的案例研究 JMP059案例研究库.
描述：使用 JMP 的功能数据浏览器平台运用功能性数据分析和功能性实验设计（FDOE）优化分析方法，以实现两种生物成分的精确定量。学生需建立一种高效液相色谱（HPLC）方法，用于分离色谱图上位置相近的两种结构密切相关的槐糖脂类生物表面活性剂。任务包括：运用统计实验设计（DOE）寻找能够改进该方法的HPLC参数；运用功能性数据分析了解曲线形状如何随因素变化；以及确定分离这两个峰的最佳条件。
尖端：有关函数式数据浏览器和其他使用示例数据的示例的更多信息，请参阅 JMP 帮助。jmp.com/help> 预测和专业建模 > 功能数据浏览器。
-
深度学习：溶解度预测（SMILES QSAR）和光谱图预测（图像分类）
主要概念：XGBoost、Torch深度学习
资源类型和来源：网络研讨会“化学领域的高级分析和深度学习”从学术网络研讨会库下载 JMP 期刊 > 案例 #2 和 #3。需要免费的“Torch Deep Learning” JMP 插件，可从以下网址下载：marketplace.jmp.com预训练模型会在需要时自动添加到嵌入式 Python 安装中。XGBoost 也可作为扩展程序从 JMP Marketplace 获取。
描述：使用 Python pyTorch 包中的深度学习功能和模型进行预测，该包已默认安装并配置在 JMP 学生版中。无需编写任何 Python 代码，即可通过 JMP 用户界面启动模型（包括超参数设置）、查看模型输出和诊断信息。演示的深度学习模型包括：基于 SMILES 字符串预测溶解度的 BertTiny 或 ChemProp 消息传递神经网络，以及基于光谱图预测丙醇-丁醇-戊醇组成的 LeNet5 图像模型。可以将深度学习模型的性能与其他模型进行比较，例如基于函数数据的波小波参数模型或极端梯度提升树 (XGBoost)。
尖端：该插件提供了更多化学领域的深度学习应用案例，请参阅“插件”>“Torch深度学习”>“示例数据”>“Torch Storybook”。另一个插件“Torch Companion”支持深度学习超参数的自动筛选。
