基于JMP的数据挖掘与预测建模

数据分析工作中的重要手段，在需要寻找关键影响因素的案例分析中占据着重要的角色。

JMP提供了丰富多样的建模和数据挖掘方法。除了标准最小二乘法、逐步法和Logistic法等传统的回归建模分析之外，JMP还提供了包括决策树、神经网络、时间序列、随机森林、提升树、朴素贝叶斯等众多建模技术。

在数据挖掘方面，JMP既提供了探索性数据挖掘方法，也提供了预测性数据挖掘方法。通过JMP的交互式数据挖掘，你可以在一个庞大的数据表中便捷地找到数据模式。而运用预测性数据挖掘技术，你可以建立合适的模型来进行有效的预测。

无论是科班出身的统计学家，还是没有统计学功底的普通技术人员，都能快速而轻松地在JMP中创建准确而可靠的预测模型，并通过可视化工具在同一个交互式环境中考察和比较各种模型，真正地从数据中挖掘出对企业决策有益的信息。

11月26日，JMP将面向所有对数据挖掘和预测建模感兴趣的朋友开展一场网络课程，老师将详细介绍并演示如何从不完全的、有噪声的、随机的数据中, 提取隐含其中的、先前未知的、并具有潜在价值的信息和知识的数据挖掘过程，从而进一步构建理想的模型。

在课堂中，针对数据挖掘，老师将介绍JMP的相关功能平台如缺失值、异常值分析、分布、图形生成器等，以及数据处理后丰富的预测建模平台，如广义回归、 神经网络、随机森林等，并对相关方法进行比较，尤其对于历史的数据分析或是异常原因查询，如何大幅减少复杂的工作。

欢迎业内研发工程师、制程工程师、质量工程师、实验室人员、AI工程师，以及所有对数据挖掘和预测建模感兴趣的朋友学习。