Les expériences factorielles sont souvent utilisées pour le criblage des facteurs, c'est-à-dire pour identifier le sous-ensemble de facteurs d'un processus ou d'un système qui sont les plus importants pour la réponse. Une fois que l'ensemble des facteurs importants est identifié, l'intérêt se porte généralement sur l'optimisation, c'est-à-dire sur les niveaux des facteurs importants qui produisent les meilleures valeurs de la réponse. Ce cours fournit des outils de conception et d'optimisation pour répondre à ces questions en utilisant le cadre de la surface de réponse. D'autres sujets connexes incluent la conception et l'analyse d'expériences informatiques, des expériences avec des mélanges, et des stratégies expérimentales pour réduire l'effet des facteurs incontrôlables sur la variabilité indésirable de la réponse.
Surfaces de réponse, mélanges et construction de modèles
Économisez sur les compétences qui vous font briller avec 40 % de réduction sur 3 mois de Coursera Plus. Économisez maintenant
Surfaces de réponse, mélanges et construction de modèles
Ce cours fait partie de Spécialisation "Plans d'expériences"
Instructeur : Douglas C. Montgomery
5 296 déjà inscrits
Inclus avec
67 avis
Ce que vous apprendrez
Mener des expériences avec des modèles informatiques et comprendre comment la régression des moindres carrés est utilisée pour construire un modèle empirique à partir de données expérimentales
Comprendre la stratégie de la méthodologie de la surface de réponse pour mener des expériences dont l'objectif est l'optimisation du système
Reconnaître comment l'approche de la surface de réponse peut être utilisée pour des expériences où les facteurs sont les composants d'un mélange
Reconnaître que l'objectif de l'expérience est de minimiser la variabilité transmise à la réponse par des facteurs incontrôlables
Compétences que vous acquerrez
- Catégorie : Analyse de régression
- Catégorie : Inférence statistique
- Catégorie : Évaluation du modèle
- Catégorie : Méthodes statistiques
- Catégorie : Expérimentation
- Catégorie : Modélisation mathématique
- Catégorie : Stratégies de conception
- Catégorie : Modélisation statistique
- Catégorie : Optimisation du modèle
- Catégorie : Analyse statistique
Détails à connaître
Ajouter à votre profil LinkedIn
8 devoirs
91%
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Il y a 4 modules dans ce cours
Obtenez un certificat professionnel
Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.
Instructeur
Offert par
En savoir plus sur Probabilités et statistiques
Arizona State University
Arizona State University
Arizona State University
University of California San Diego
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Jennifer J.
Larry W.
Chaitanya A.
Avis des étudiants
- 5 stars
80,59 %
- 4 stars
8,95 %
- 3 stars
8,95 %
- 2 stars
1,49 %
- 1 star
0 %
Affichage de 3 sur 67
Révisé le 9 oct. 2021
DoE is an essential but forgotten initial step in the experimental work! This course gives a very good start and breaking the ice for higher quality of experimental work.
Révisé le 25 juil. 2020
It was a great experience for me to do the RSM model building an online course. I learned experimental designs for fitting response surfaces.
Foire Aux Questions
Plus de questions
Aide financière disponible,