☆ 1、如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
      ☆ 2、在课程结束之后,授课老师会留给学员手机和E-mail,免费提供半年的课程技术支持，以便保证培训后的继续消化；
      ☆3、合格的学员可享受免费推荐就业机会。
      ☆4、合格学员免费颁发相关工程师等资格证书，提升您的职业资质。

第一部份

1. DOE 介绍及发展

1. DOE 重要性及作用

2. DOE 中常用术语介绍（因子、水平、响应、主效应、交互作用）

3. DOE 分析思路及实施步骤

2. 全因子设计

1. 基于 Minitab 生成正交表；2K 因子设计、一般全因子设计及裂区设计

2. 中心点、区组、仿行的意义与实现

3. 基于 Minitab 全因子设计案例介绍；响应优化器优化及预测

3 部分因子设计

1. 为何需要部分因子设计；部分因子设计与全因子设计关系

2. 部分因子设计优点与缺点；

--混淆、分辨度、字长概念

3. 基于 Minitab 进行部分因子设计的案例介绍

第二部份

1 离散型响应试验设计

1. 什么是离散型响应；二值、名义值、顺序值

2. 离散型响应 DOE 与连续型 DOE 区别

3. 离散型响应 DOE 分析步骤与思路

4. 离散型响应 DOE 案例介绍

2 响应曲面设计

为何需要响应曲面设计；

响应曲面设计与因子设计的关系

序贯设计的实施步骤与分析思路

响应曲面设计名词（轴点、角点、序贯性、旋转性）

5. Box-Behenken 设计

6. 中心复合设计

--中心复合序贯设计

--中心复合表面设计

--中心复合有界设计

7. 速上升法

--速上升路径的确定

--基于 Minitab 宏命令设置优上升区域

8.完整响应曲面设计案例介绍

--基于因子设计判断因子显著性

--利用速上升法查找优实验区域

--利用响应曲面设计探测因子佳取值

3 混料设计

1. 混料设计的概念与使用场景

2. 混料设计的原理及几何思维

3. 几种常见混料设计的实施

--单纯形质心法

--单纯形格点法

--极端顶点法

第三部份

基于大数据（机器学习）建模

1 机器学习基础入门

1. 机器学习应用类型及相关术语

2. 机器学习与统计学之间的区别

3. 机器学习应用场景及分析模式

4. 机器学习三要素及面临挑战

5. 机器学习数据组织

6. 基于 CART 算法简单案例介绍

2 机器学习分类及模型评估

1. 二元分类法、多项分类

2. 回归分析法

3. Logistics 分析

3 CART 与 TREENET 详解

1. 什么是 CART？

2. CART 分析的原理及算法

3. CART 分析案例介绍

4. CART 模型开发步骤

5. TreeNet 介绍：随机梯度提升

6. TreeNet 过程及要点

7. TreeNet 算法原理及高纬度建模核心