Design of experiments (DoE)

Krijg kennis en vaardigheid in de toepassing van statistische technieken voor het efficient opzetten en analyseren van experimenten en leer hoe generatieve AI, zoals ChatGPT of Copilot, hierbij...

DoE: Praktische methoden om verbanden tussen grootheden te ontdekken en interpreteren

Experimenten spelen een belangrijke rol bij het begrijpen en beheersen van systemen en processen. Met behulp van methoden voor statistische proefopzetten of experimental design is het direct mogelijk om deze experimenten efficiënt op te zetten en de resultaten ervan te analyseren en te interpreteren.
Het is belangrijk een duidelijke probleemomschrijving te formuleren, belangrijke invloedsfactoren te identificeren en de juiste experimentele technieken te kiezen. Even belangrijk is het om te bepalen hoe veel experimenten nodig zijn en bij welke combinaties van factoreninstellingen gemeten moet worden.
Principes van proefopzetten worden met succes toegepast binnen zeer uiteenlopende gebieden, maar met name ook in de industrie, waar experimenten steeds belangrijker worden om processen te analyseren en te verbeteren. Ook kan het gebruik van proefopzetten aanzienlijke voordelen bieden bij het succesvol ontwikkelen van digital twins voor industriële toepassingen.
Statistische technieken voor proefopzetten en data analyse
Deze cursus DoE:


Verschaft kennis over en vaardigheid in de toepassing van

statistische technieken voor proefopzetten.
Geeft je vaardigheid in de analyse van de verkregen gegevens.
Leert je de behandelde technieken zelfstandig in je eigen werkomgeving toe te passen.
Leert je op een verantwoorde manier gebruik te maken van relevante statistische software zoals R.
Demonstreert en bespreekt mogelijkheden en gevaren van het gebruik van generatieve AI, zoals ChatGPT en Copilot, bij het ontwerpen en analyseren van experimenten.

Bedoeld voor
Academici en hbo’ers werkzaam als process, product of quality engineers en andere technici en natuurwetenschappers die betrokken zijn bij het ontwikkelen en optimaliseren van processen en producten. De cursus is ook geschikt voor docenten van universiteiten en hogescholen die meer willen leren over proefopzetten en data analyse.
Kennis van statistische basistechnieken zoals toetsen, schatten en regressiemodellering is wenselijk.
Enige ervaring in het gebruik van (elementaire) lineaire algebra en van statistische software is wenselijk.
Praktische voorbeelden zijn in R.
De technieken die tijdens de cursus gedemonstreerd worden met R, zijn ook in Python uit te voeren en leveren vergelijkbare resultaten op. Deelnemers ontvangen bestanden met voorbeelddata, zodat ze met hun favoriete software voor data analyse de resultaten kunnen reproduceren. Het is mogelijk om R vanuit Python en Python vanuit R te gebruiken en zo de voordelen van elk te combineren. Wil je Python gaan gebruiken of meer mogelijkheden van Python ontdekken? Bekijk onze cursus Python voor ingenieurs.
Benieuwd  naar meer achtergrond of ervaringen? Lees onze interviews:
– Interview met Guido Batema (Paramelt). Hij volgde met acht collegae de incompany cursus Design and Analysis of Experiments.
– Interview met Bart Groenland (E-magy), die met zijn team dankzij een incompany training experimenten efficienter is gaan gebruiken.
– Cursusleider dr. Koo Rijpkema (TU Eindhoven) deelt zijn kijk op de wereld van data en cursussen en het belang van het vakgebied.
Op verzoek in het Engels
Wil je de cursus in het Engels volgen? Vermeld dit dan bij inschrijving in het veld opmerkingen.

Investering

Bovengenoemde prijs is exclusief 21% btw
Inclusief koffie, thee, lunch en (digitaal) cursusmateriaal