JMP/Python 에코시스템은 기본적으로 JMP의 기능과 Python의 기능을 상호 보완적으로 사용하는 에코시스템을 의미하며, 특히 머신러닝 관점에서 JMP Pro가 자체 보유하고 있는 머신러닝 기법과 더불어 Python이 보유하고 있는 scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch, Tensor Flow 등을 상호보완적으로 사용하여 머신러닝 예측 모형을 구축하고 최적화하는 JMP/Python 머신러닝 에코시스템을 우선적으로 구축해보았다. JMP/Python 에코시스템의 로드맵은 IGEO로 정의되며 IGEO 로드맵은 IG(Identify/Generate) 영역과 EO(Explore/Optimize) 영역으로 대별되며 IG 영역은 문제정의 영역과 실험/시뮬레이션 데이터를 생성하는 영역이며, JMP/Python 에코시스템의 코어인 EO 영역은 DEbO(Design Exploration based Optimization: 설계영역 탐색 기반 최적화)를 실행하는 영역이다. EO 영역에서는 MariaDB, JMP, Python을 통합하여 설계를 수행하게 되며 필요에 따라 Python/JMP GUI를 사용하여 GUI를 구축하여 자동화를 수행한다. 설계영역 탐색을 위해서는 실험계획법/전산실험계획법 생성, 머신러닝 모델 구축의 2가지 단계를 반복하게 되며 JMP와 Python 모듈들을 상황에 따라 결합하여 진행한다. JMP/Python 머신러닝 에코시스템의 성공사례로 Explore 영역 사례 및 볼베어링 고장 감지 모니터링 시스템 사례, CAE 머신러닝 최적화 사례를 정리해 보았으며, JMP와 Python의 결합으로 거의 모든 공학적인 분석을 수행할 수 있는 방향을 제시해보고자 한다.