Estimados instructores,
Esta página presenta una selección de diez recursos didácticos disponibles gratuitamente para profesores de educación superior en Química y campos relacionados como Ingeniería Química, Ciencia de los Materiales, Biotecnología y Farmacología.
Los criterios que se mencionarán aquí son:
- Relacionado con la química:Demuestra que JMP hace que sea muy improbable empezar desde cero, independientemente del curso de Química que impartas.
- Relacionado con tu pedagogía:Muestra una amplia gama de recursos y dónde encontrarlos, desde conjuntos de datos sencillos hasta tutoriales, estudios de caso y aprendizaje electrónico.
- En relación con sus necesidades especiales:Te invitamos a que nos des tu opinión, ya sea solicitando más recursos creados por JMP o compartiendo tu propio material didáctico con la comunidad de JMP.
Además, esta lista tiene como objetivo equilibrar los conceptos estadísticos (como visualización de datos, modelado, DOE, SQC, análisis multivariante, quimiometría, optimización de procesos) así como tipos de recursos (como datos de muestra, estudios de caso, guías prácticas, seminarios web, cursos en línea). Tenga en cuenta que esta página no debe considerarse un inventario completo, sino que pretende mostrar lo que está disponible para ayudarle a impartir las habilidades pertinentes en su campo y orientarle para encontrar y explorar el material del curso que busca.
Todos los ejemplos de enseñanza están listos para ejecutarse enEdición para estudiantes de JMP, el software de escritorio sin código y centrado en gráficos para Windows y Mac. Consulte nuestraHistorias de clientes de JMPPara ver cómo estas habilidades son importantes en la industria química a nivel mundial.
-
Enseñanza de la estadística en química e ingeniería química.
Conceptos principales:Análisis exploratorio de datos, visualización de datos, análisis estadístico, modelado predictivo, optimización de procesos, simulación de Montecarlo.
Tipo y fuente del recurso:Seminario web académico“JMP para la enseñanza de la estadística en química e ingeniería química” > véase la revista JMP
Descripción:Este seminario web ofrece una visión general de la utilidad de JMP Student Edition para la enseñanza de métodos estadísticos en química e ingeniería química. Está dirigido a profesores que desean saber si el software JMP satisface las necesidades de su curso o plan de estudios y cómo lo hace. El seminario web incluye ejemplos sobre la fabricación de productos químicos, la exploración y el análisis de datos de procesos, el modelado predictivo para el cribado de alto rendimiento y la optimización robusta de procesos.
Consejos:Otros seminarios web académicos para empezar son “JMP 101: Introducción a JMP para profesores” y “JMP 101: Introducción a JMP para estudiantes” . Consulta también el menú Estudiante en JMP Student Edition para enseñar conceptos estadísticos básicos y la Biblioteca de aprendizaje de JMP , que ofrece más de 100 guías rápidas y videotutoriales breves.
-
Diseño de experimentos (DOE)
Conceptos principales:Experimentación multifactorial, experimentos de cribado, experimentos de superficie de respuesta, diseños clásicos frente a diseños óptimos.
Tipo y fuente del recurso: “"Diseño de experimentos" es uno de los siete módulos del curso de estadística en línea.“Pensamiento estadístico para la resolución de problemas industriales”(también conocido como STIPS). Si bien el curso completo, que incluye todos los ejercicios prácticos con JMP Pro, se puede realizar en el Entorno Virtual de Aprendizaje, todo el contenido del curso, incluidas las diapositivas, se puede solicitar con fines docentes.
Descripción:En este módulo introductorio, aprenderá por qué los experimentos diseñados son mejores que los métodos de ensayo y error y los de un factor a la vez para comprender las relaciones de causa y efecto y las interacciones entre factores. Se le presentarán varios tipos de diseños, como el factorial, el de superficie de respuesta y los diseños personalizados. Finalmente, aprenderá algunas pautas y mejores prácticas de diseño de experimentos que le ayudarán a tener éxito en la experimentación.
Consejos:Si bien completar todas las partes de este módulo STIPS DOE lleva aproximadamente cuatro horas, para conferencias más cortas recomendamos lo siguiente:Portal de conocimiento estadístico(también conocido como SKP, ver Diseño de experimentos ) y la plataforma 'Easy DOE' (Ayuda de JMP > Guía de diseño de experimentos > Easy DOE). Otros recursos recomendados para DOE son:seminarios web académicos“Diseño y análisis de experimentos, Parte 1: Introducción” y “Parte 2: Temas avanzados” , y dos cursos en profundidadcursos bajo demandasobre “Diseño personalizado de experimentos” y “Diseño clásico de experimentos” , respectivamente.
-
Diseño de experimentos con mezclas: un estudio de caso en formulaciones de plásticos
Conceptos principales:Diseño de experimentos (DOE), experimento de mezclas, modelado lineal, optimización
Tipo y fuente del recurso:Seminario web bajo demanda ((Se requiere registro) con conjunto de datos para descargar
Descripción:El desarrollo exitoso de productos a menudo implica la optimización de formulaciones. El objetivo es encontrar las proporciones adecuadas de cinco ingredientes para lograr las características deseadas del producto minimizando los costos. La demostración muestra cómo diseñar un experimento de mezcla en la plataforma de Diseño Personalizado de JMP, incorporar restricciones al diseño experimental, evaluar el impacto de las variaciones en la configuración de las variables del proceso y analizar y tomar decisiones a partir de los datos experimentales en el Perfilador de Predicción de JMP.
Consejos:Para facilitar el diseño del experimento, haga clic en el triángulo rojo superior para guardar (y recargar) la configuración de respuesta y de factores en tablas de JMP que luego podrá compartir con los estudiantes.
-
Funciones de deseabilidad bayesianas: un enfoque moderno para un producto eficiente
y diseño de procesos
Conceptos principales:Optimización bayesiana, aprendizaje activo,regresión de procesos gaussianos
Tipo y fuente del recurso:Curso corto en línea“Funciones de deseabilidad bayesianas: un enfoque moderno para el diseño eficiente de productos y procesos”Presentado por ENBIS y JMP; revista de demostración con todos los ejemplos, instrucciones y diapositivas para descargar.
Descripción:La experimentación secuencial mediante optimización bayesiana promete mayor velocidad y un flujo de trabajo más sencillo para quienes no son estadísticos, al priorizar la consecución de objetivos sobre la construcción de modelos. En este seminario web, revisaremos los fundamentos del modelado de regresión de procesos gaussianos y el enfoque estándar de la optimización bayesiana. A continuación, introduciremos la generalización a múltiples respuestas mediante el marco de la deseabilidad bayesiana. Además de una explicación detallada de los fundamentos técnicos, la eficiencia y la accesibilidad de las técnicas, utilizando las nuevas funcionalidades de JMP Student Edition 19, se demuestran mediante tres estudios de caso.
Consejos:Este curso anteriorSe presentaron algunos conceptos adicionales, pero se utilizó una implementación prototipo (complemento de JMP) para la demostración. Consulte también la Ayuda de JMP > Modelado predictivo y especializado > Optimización bayesiana.
-
Introducción a los métodos de calidad y procesos
Conceptos principales:Control estadístico de procesos (CEP), gráficos de control, capacidad del proceso, análisis de sistemas de medición (ASM), repetibilidad y reproducibilidad, intervalos de tolerancia.
Tipo y fuente del recurso:Biblioteca de aprendizaje JMP Calidad y proceso. Guías rápidas y vídeos cortos para que los estudiantes se inicien en los métodos de calidad. Para más información, consulten la documentación de JMP.
Descripción:Aprenda a utilizar gráficos de control para monitorear procesos a lo largo del tiempo y determinar si se encuentran bajo control estadístico o si existe variación por causas asignables. Utilice métodos estadísticos para cuantificar el desempeño de un proceso en relación con las especificaciones. Aprenda a diseñar y analizar experimentos en sistemas de medición para cuantificar las fuentes de variación de la repetibilidad y la reproducibilidad de las mediciones, y para determinar el nivel de exactitud, precisión y concordancia en estos sistemas.
Consejos:Los estudiantes pueden probar los ejemplos por sí mismos, ya que todas las instrucciones hacen referencia a los datos de muestra integrados de JMP (Ayuda > Índice de muestra). El módulo STIPS'Métodos de calidad'Puede visitar la página para obtener más información sobre estos conceptos.
-
Calidad: Gráfico de control multivariante basado en modeloscon un modelo PLS
Conceptos principales:Control de calidad y procesos, gráficos de control multivariante basados en modelos (MDMCC), mínimos cuadrados parciales (PLS)
Tipo y fuente del recurso: Datos de ejemplo con scripts de análisis almacenados (por ejemplo, 'Ajustar mínimos cuadrados parciales' y 'Gráfico de control multivariante basado en modelos'); consulte JMP Student Edition > menú Ayuda > Índice de ejemplos > Buscar 'Polietileno'. Más información en la Ayuda de JMP enjmp.com/ayuda> Métodos de calidad y procesos > Gráficos de control multivariante basados en modelos > Ejemplos adicionales de la plataforma de gráficos de control multivariante basados en modelos.
Descripción:La tabla de datos de muestra 'Polyethylene Process.jmp' contiene 14 variables de proceso (entradas) y 5 variables de calidad o salida. Las primeras filas contienen datos históricos utilizados para construir un modelo PLS inicial. Las filas restantes representan datos nuevos recopilados después de la construcción del modelo, utilizados para el monitoreo continuo del proceso.
Consejos:En el informe MDMCC, coloque el cursor sobre los puntos de datos en el gráfico de control para explorar los gráficos con sus contribuciones. Otro ejemplo de MDMCC se encuentra en la tabla de datos de muestra “Chemical Reactor Process.jmp”.
-
Análisis multivariante: Selección de materiales mediante QSAR tabular
Conceptos principales:Colinealidad, Análisis de Componentes Principales (ACP), Diseño de Experimentos con Covariables, Mínimos Cuadrados Parciales (PLS), Optimización, Validación de Modelos, Escalamiento Multidimensional (MDS)
Tipo y fuente del recurso:Seminario web “Análisis avanzado y aprendizaje profundo en química” de laBiblioteca de seminarios web académicos. Descargue el diario JMP > caso n.° 1.
Descripción:Este caso práctico trata sobre la selección del mejor material, que maximice una primera respuesta y minimice una segunda. El punto de partida son 19 propiedades químicas y físicas de 45 materiales candidatos. El problema real que comparte la industria analiza cómo construir un modelo empírico sostenible para comprender qué define a un buen material, predecir el comportamiento de nuevos materiales, conocer el óptimo (que puede que aún no exista) y reducir el esfuerzo de ensayo. El flujo de trabajo analítico combina varios métodos de análisis multivariante y se basa en la aplicación quimiométrica QSAR (Relación Cuantitativa Estructura-Actividad).
Consejos:Este caso ha sido compartido por un cliente de JMP. La presentación original del cliente de una Cumbre de Descubrimiento de JMP se puede ver aquí.aquí.
-
Simulación y optimización de procesos
Conceptos principales:Visualización de modelos, límites de especificación, deseabilidad, optimización de procesos, simulación de Montecarlo
Tipo y fuente del recurso:Evento de aprendizaje de JMP“Simulación y optimización de su proceso: un enfoque paso a paso”Con conjuntos de datos y revistas JMP descargables.
Descripción:El sencillo ejemplo de fabricación de 4 factores y 2 respuestas presentado en este seminario web muestra cómo utilizar el JMP Prediction Profiler para la exploración y comprensión de modelos, así como para la optimización y simulación. Esta es la herramienta central de JMP para comprender y mejorar los procesos.
Consejos:Los siguientes pasos recomendados pueden considerar la importancia de las variables (importancia práctica simulada en lugar de significancia estadística), la robustez a través de experimentos de simulación (encontrar la parte más plana de la curva) y el perfilador del espacio de diseño (calidad por diseño > establecer especificaciones en las X).
-
Análisis de datos funcionales para la optimización de HPLC
Conceptos principales:Análisis de datos funcionales, PCA funcional, DOE funcional
Tipo y fuente del recurso: Caso práctico JMP059 de JMPBiblioteca de estudios de caso.
Descripción:Utiliza la plataforma Functional Data Explorer de JMP.Aplicar el análisis de datos funcionales y el diseño funcional de experimentos (DFOE) para la optimización de un método analítico que permita la cuantificación precisa de dos componentes biológicos. Los estudiantes desarrollan un método de cromatografía líquida de alta resolución (HPLC) capaz de separar dos biosurfactantes soforolipídicos estrechamente relacionados que aparecen muy próximos en el cromatograma. Las tareas incluyen aplicar el diseño estadístico de experimentos (DOE) para encontrar parámetros de HPLC que mejoren el método, utilizar el análisis de datos funcionales para comprender cómo cambia la forma de la curva al variar los factores e identificar las condiciones óptimas para la separación de los dos picos.
Consejos:Puede encontrar más información sobre Functional Data Explorer y otros ejemplos que utilizan datos de muestra en la Ayuda de JMP enjmp.com/ayuda> Modelado predictivo y especializado > Explorador de datos funcionales.
-
Aprendizaje profundo: predicción de solubilidad (SMILES QSAR) y predicción de espectrogramas (clasificación de imágenes)
Conceptos principales:XGBoost, Torch Aprendizaje profundo
Tipo y fuente del recurso:Seminario web “Análisis avanzado y aprendizaje profundo en química.deBiblioteca de seminarios web académicos. Descargue el diario JMP > casos n.° 2 y n.° 3. Requiere el complemento gratuito 'Torch Deep Learning' de JMP, que se puede descargar desdemarketplace.jmp.comLos modelos preentrenados se añadirán automáticamente a la instalación de Python integrada cuando sea necesario. XGBoost también está disponible como extensión en JMP Marketplace.
Descripción:Predicción mediante la funcionalidad de aprendizaje profundo y modelos del paquete pyTorch en Python, que viene instalado y configurado de forma estándar para JMP Student Edition. No se requiere programación en Python; el lanzamiento del modelo, incluyendo los hiperparámetros, así como la salida y los diagnósticos del modelo, están disponibles a través de la interfaz de usuario de JMP. Los modelos de aprendizaje profundo demostrados incluyen BertTiny o la red neuronal de paso de mensajes Chem Prop para predecir la solubilidad a partir de cadenas SMILES, y el modelo de imagen LeNet5 para predecir la composición de propanol-butanol-pentanol a partir de espectrogramas. El rendimiento del modelo de aprendizaje profundo se puede comparar con otros modelos, como los parámetros wavelet de datos funcionales o los árboles de potenciación de gradiente extremo (XGBoost).
Consejos:El complemento ofrece más casos de uso de aprendizaje profundo en química; consulte Complementos > Aprendizaje profundo con Torch > Datos de ejemplo > Torch Storybook. Un segundo complemento, «Torch Companion» , permite la selección automática de hiperparámetros de aprendizaje profundo.
