課程大綱
第一天
一、 DOE 介紹及發展
1. DOE 重要性及作用
2. DOE 中常用術語介紹（因子、水平、響應、主效應、交互作用）
3. DOE 分析思路及實施步驟
二、全因子設計
1. 基于 Minitab 生成正交表；2K 因子設計、一般全因子設計及裂區設計
2. 中心點、區組、仿行的意義與實現
3. 基于 Minitab 全因子設計案例介紹；響應優化器優化及預測
三、部分因子設計
1. 為何需要部分因子設計；部分因子設計與全因子設計關系
2. 部分因子設計優點與缺點；
--混淆、分辨度、字長概念
3. 基于 Minitab 進行部分因子設計的案例介紹
第二天
一、離散型響應試驗設計
1.什么是離散型響應；二值、名義值、順序值
2.離散型響應 DOE 與連續型 DOE 區別
3.離散型響應 DOE 分析步驟與思路
4.離散型響應 DOE 案例介紹
二、響應曲面設計
1. 為何需要響應曲面設計；
2. 響應曲面設計與因子設計的關系
3. 序貫設計的實施步驟與分析思路
4. 響應曲面設計名詞（軸點、角點、序貫性、旋轉性）
5. Box-Behenken 設計
6. 中心復合設計
--中心復合序貫設計
--中心復合表面設計
--中心復合有界設計
7. 最速上升法
--最速上升路徑的確定
--基于 Minitab 宏命令設置最優上升區域
8.完整響應曲面設計案例介紹
--基于因子設計判斷因子顯著性
--利用最速上升法查找最優實驗區域
--利用響應曲面設計探測因子最佳取值
三、混料設計
1. 混料設計的概念與使用場景
2. 混料設計的原理及幾何思維
3. 幾種常見混料設計的實施
--單純形質心法
--單純形格點法
--極端頂點法
第三天
基于大數據（機器學習）建模
一、機器學習基礎入門
1. 機器學習應用類型及相關術語
2.機器學習與統計學之間的區別
3. 機器學習應用場景及分析模式
4. 機器學習三要素及面臨挑戰
5. 機器學習數據組織
6. 基于 CART 算法簡單案例介紹
二、機器學習分類及模型評估
1. 二元分類法、多項分類
2. 回歸分析法
3. Logistics 分析
三、CART 與 TREENET 詳解
1. 什么是 CART？
2. CART 分析的原理及算法
3. CART 分析案例介紹
4. CART模型開發步驟
5. TreeNet 介紹：隨機梯度提升
6. TreeNet 過程及要點
7. TreeNet 算法原理及高緯度建模核心
培訓時間地點
時間：2019年4月24日-4月26日
地點：上海
費用：7500
報名網址：
http://www.sciencesoftware.com.cn/NewChargeTraining.aspx
