尊敬的各位老師：
本頁列出了十種可供高等教育教師免費使用的教學資源，涵蓋化學及相關領域，如化學工程、材料科學、生物技術和藥理學。
這裡需要提及的標準有：
- 與化學相關：證明 JMP 使得無論你教授化學的哪門課程，從零開始都變得非常不可能。
- 與您的教學法相關：展示各種資源及其獲取途徑，從簡單的資料集到教程、案例研究和線上學習。
- 與您的特殊需求相關的：誠摯邀請您提供回饋，無論是請 JMP 創建更多資源，還是與 JMP 社群分享您自己的教學材料。
此外，該清單旨在平衡統計概念（例如資料視覺化、建模、實驗設計 (DOE)、統計品質控制 (SQC)、多元分析、化學計量學、製程最佳化以及各類資源（例如範例資料、案例研究、操作指南、網路研討會、線上課程）。請注意，本頁面並非完整清單，而是旨在展示可用於支援您教授相關領域技能的資源，並協助您找到並探索所需的課程資料。
所有教學範例均可立即運作。JMP學生版一款無需編寫程式碼、圖形優先的桌面軟體，適用於 Windows 和 Mac 系統。請參閱我們的JMP客戶案例了解這些技能在全球工產業中的重要性。
-
在化學和化學工程中教授統計學
主要概念：探索性資料分析、資料視覺化、統計分析、預測建模、流程最佳化、蒙特卡羅模擬
資源類型與來源：學術網路研討會“JMP for Teaching Statistics in Chemistry and Chemical Engineering” > 請參閱 JMP 期刊
描述：本次網路研討會概述了 JMP 學生版在化學和化學工程統計方法教學中的應用。研討會旨在幫助教師了解 JMP 軟體是否以及如何滿足其課程或教學大綱的需求。研討會日誌提供了化學製造領域中探索和分析製程資料、高通量篩選預測建模以及穩健製程優化等方面的實例。
尖端：其他入門學術網路研討會包括「JMP 101：教師版 JMP 入門」和「JMP 101：學生版 JMP 入門」 。此外，您還可以參考 JMP 學生版中的「學生」選單，學習基本的統計概念；以及JMP 學習庫，其中包含 100 多個快速指南和簡短的影片教學。
-
實驗設計（DOE）
主要概念：多因子實驗、篩選實驗、響應曲面實驗、經典設計與最優設計
資源類型與來源：“「實驗設計」是這門線上統計課程的七個模組之一。“工業問題解決中的統計思維”（又稱STIPS）。雖然整個課程（包括所有使用JMP Pro的實作練習）都可以在虛擬學習環境中完成，但所有課程內容（包括投影片）均可申請用於教學目的。
描述：在本入門模組中，您將學習為什麼設計實驗比反覆試驗和單因素實驗方法更能幫助您理解因果關係和因素間的相互作用。您將了解幾種設計類型，例如析因設計、響應曲面設計和自訂設計。最後，您將學習一些實驗設計指南和最佳實踐，這將有助於您成功地進行實驗。
尖端：完成本 STIPS DOE 模組的所有部分大約需要四個小時，對於時間較短的課程，我們建議…統計知識門戶（又稱 SKP，請參閱實驗設計）與「簡易 DOE」平台（JMP 幫助 > 實驗設計指南 > 簡易 DOE）。其他建議的 DOE 資源包括：學術網路研討會《實驗設計與分析，第一部分：導論》與《實驗設計與分析，第二部：進階主題》 ，以及兩本深入探討的書籍。隨選課程分別介紹「自訂實驗設計」與「經典實驗設計」 。
-
混合實驗設計：以塑膠配方為例
主要概念：實驗設計（DOE）、混合實驗、線性建模、最佳化
資源類型與來源：點播網路研討會 (（需註冊）提供資料集下載
描述：成功的產品開發通常涉及配方優化。其目標是找到五種成分的最佳比例，從而在實現所需產品特性的同時，最大限度地降低成本。示範展示如何在 JMP 的自訂設計平台中設計混合實驗，如何在實驗設計中加入限制條件，如何評估製程變數設定變化的影響，以及如何在 JMP 的預測分析器中分析實驗數據並據此做出決策。
尖端：為了方便設計實驗，點擊頂部的紅色三角形，將回應和因子設定儲存（和重新載入）到 JMP 表格中，然後可以與學生分享。
-
貝葉斯期望函數－一種現代高效產品方法
和流程設計
主要概念：貝葉斯優化、主動學習高斯過程回歸
資源類型與來源：線上短期課程“貝葉斯期望函數——一種高效的產品和工藝設計的現代方法”由 ENBIS 和 JMP 共同呈現；簡報日誌包含所有範例、說明和投影片，可供下載。
描述：使用貝葉斯最佳化進行序列實驗，透過優先求解目標而非建構模型，能夠顯著提高速度，並為非統計學專業人士提供更簡單的工作流程。本次網路研討會將回顧高斯過程回歸建模的基礎知識和貝葉斯優化的標準方法。隨後，我們將介紹如何透過貝葉斯期望框架將其推廣到多個反應變數。除了深入講解技術背景外，我們還將透過三個案例研究，展示如何利用 JMP 學生版 19 的新功能來提高這些技術的效率和易用性。
尖端：這門早期課程也介紹了一些其他概念，但演示時使用了原型實作（JMP 插件）。另請參閱 JMP 幫助 > 預測和專用建模 > 貝葉斯最佳化。
-
品質和流程方法入門
主要概念：統計製程控制（SPC）、控制圖、製程能力、測量系統分析（MSA）、重複性與再現性、公差區間
資源類型與來源：JMP學習圖書館 品質與流程。提供快速指南和短視頻，幫助學生入門品質管理方法。學生可參考 JMP 文件進行更深入的閱讀。
描述：學習如何使用控製圖來監控製程隨時間的變化，以確定製程是否處於統計控制狀態，或是否存在可歸因的變異。運用統計方法量化過程相對於規範的表現。學習如何設計和分析測量系統的實驗，以量化測量變異的重複性和再現性來源，並確定這些系統的準確度、精密度和一致性水準。
尖端：學生可以自行嘗試這些範例，因為所有說明都參考了 JMP 的內建範例資料（說明 > 範例索引）。 STIPS 模組“品質方法”您可以造訪這些網站以了解更多相關概念。
-
品質：模型驅動多元控製圖使用PLS模型
主要概念：品質與過程控制、模型驅動多元管制圖（MDMCC）、偏最小平方法（PLS）
資源類型與來源： 包含已儲存分析腳本（例如「擬合偏最小二乘法」和「模型驅動多元控製圖」）的範例資料；請參閱 JMP 學生版 > 說明選單 > 範例索引 > 搜尋「聚乙烯」。更多資訊請參閱 JMP 說明。jmp.com/help> 品質與過程方法 > 模型驅動多元控製圖 > 模型驅動多元控製圖平台的其他範例。
描述：範例資料表「聚乙烯製程.jmp」包含14個製程變數（輸入）和5個品質或輸出變數。前幾行包含用於建構初始PLS模型的歷史資料。其餘行代表模型建構完成後收集的新數據，用於持續的製程監控。
尖端：在 MDMCC 報告中，將滑鼠懸停在控製圖上的資料點上，即可查看包含貢獻值的圖表。其他 MDMCC 範例請參考範例資料表「Chemical Reactor Process.jmp」。
-
多元分析：基於表格QSAR的材料選擇
主要概念：共線性、主成分分析 (PCA)、協變量實驗設計 (DOE)、偏最小平方法 (PLS)、最佳化、模型驗證、多維尺度分析 (MDS)
資源類型與來源：來自…的網路研討會“化學中的高級分析和深度學習”學術網路研討會庫下載 JMP 期刊 > 案例 #1。
描述：本案例旨在選擇最佳材料，以最大化第一響應並最小化第二響應。研究起點是45種候選材料中的19種化學和物理性質。此案例探討了業界普遍面臨的實際問題：如何建立可持續的經驗模型，以了解優秀材料的特性，預測新材料的性能，找到可能尚未存在的最佳方案，並減少測試工作量。分析流程結合了多種多元分析方法，並基於化學計量學應用QSAR（定量構效關係）。
尖端：此案例由一位 JMP 客戶分享。您可以查看該客戶在 JMP Discovery Summit 大會上的原始簡報。這裡.
-
過程模擬和最佳化
主要概念：模型視覺化、規格限制、期望值、流程最佳化、蒙特卡羅模擬
資源類型與來源：學習 JMP 事件“模擬和優化您的流程——循序漸進的方法”提供可下載的 JMP 期刊和資料集。
描述：本次網路研討會中簡單的四因素雙重響應製造範例展示如何使用 JMP 預測分析器進行模型探索和理解，以及如何進行最佳化和模擬。它是 JMP 中支援流程理解和流程改進的核心工具。
尖端：建議的後續步驟可能包括變數重要性（模擬實際重要性而不是統計顯著性）、透過模擬實驗進行穩健性測試（找到曲線最平坦的部分）以及設計空間分析器（品質源自於設計 > 設定 X 的規格）。
-
用於高效液相層析優化的功能性資料分析
主要概念：功能資料分析、功能主成分分析、功能實驗設計
資源類型與來源： JMP 的案例研究 JMP059案例研究庫.
描述：使用 JMP 的功能資料瀏覽器平台運用功能性資料分析和功能性實驗設計（FDOE）優化分析方法，以實現兩種生物成分的精確定量。學生需建立一種高效液相層析（HPLC）方法，用於分離層析圖上位置相近的兩種結構密切相關的槐醣脂類生物表面活性劑。任務包括：運用統計實驗設計（DOE）尋找能夠改進此方法的HPLC參數；運用功能性資料分析以了解曲線形狀如何隨因素變化；以及確定分離這兩個峰值的最佳條件。
尖端：有關函數式資料瀏覽器和其他使用範例資料的範例的更多信息，請參閱 JMP 說明。jmp.com/help> 預測與專業建模 > 功能資料瀏覽器。
-
深度學習：溶解度預測（SMILES QSAR）和光譜圖預測（影像分類）
主要概念：XGBoost、Torch深度學習
資源類型與來源：網路研討會“化學領域的高級分析和深度學習”從學術網路研討會庫下載 JMP 期刊 > 案例 #2 和 #3。需要免費的「Torch Deep Learning」 JMP 插件，可從以下網址下載：marketplace.jmp.com預訓練模型會在需要時自動加入到嵌入式 Python 安裝。 XGBoost 也可作為擴充功能從 JMP Marketplace 取得。
描述：使用 Python pyTorch 套件中的深度學習功能和模型進行預測，該套件已預設安裝並配置在 JMP 學生版中。無需編寫任何 Python 程式碼，即可透過 JMP 使用者介面啟動模型（包括超參數設定）、查看模型輸出和診斷資訊。演示的深度學習模型包括：基於 SMILES 字串預測溶解度的 BertTiny 或 ChemProp 訊息傳遞神經網絡，以及基於光譜圖預測丙醇-丁醇-戊醇組成的 LeNet5 影像模型。可以將深度學習模型的表現與其他模型進行比較，例如基於函數資料的波小波參數模型或極端梯度提升樹 (XGBoost)。
尖端：該插件提供了更多化學領域的深度學習應用案例，請參閱“插件”>“Torch深度學習”>“示例數據”>“Torch Storybook”。另一個外掛程式「Torch Companion」支援深度學習超參數的自動篩選。
