☆ 1、如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
      ☆ 2、在課程結束之后,授課老師會留給學員手機和E-mail,免費提供半年的課程技術支持，以便保證培訓后的繼續消化；
      ☆3、合格的學員可享受免費推薦就業機會。
      ☆4、合格學員免費頒發相關工程師等資格證書，提升您的職業資質。

第一部份

1. 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

2. 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

3 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

第二部份

1 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

2 響應曲面設計

為何需要響應曲面設計；

響應曲面設計與因子設計的關系

序貫設計的實施步驟與分析思路

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

3 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

第三部份

基于大數據（機器學習）建模

1 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

2 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

3 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