321658_ko-KR

liliconcom

단백 동화, 최음제 또는 진통제?

JMP에서 분석 도구를 개발할 때 필연적으로 우선 순위를 지정하는 방법에 대한 결정을 내려야 합니다.

 

1. 더 많은 근육을 추가하여 제품을 더 강력하게 만들어야 합니까?
2. 더 섹시하게, 더 흥미롭게 만들어야 할까요?
3. 통증 완화에 집중하여 덜 답답하고 덜 부담스럽게 만들어야 합니까? 긴 A 단어의 언어로 우리는 단백 동화, 최음제 또는 진통제를 사용해야합니까?

 

John Sall은 대답이 진통제라고 생각합니다. 통증 완화는 발달의 중심 동기가 되어야 합니다. 물론 이 세 가지가 서로 배타적인 것은 아니다. 흥미로운 전원 기능을 추가하면 통증도 완화될 수 있습니다. 하지만 통증 완화는 핵심입니다. 왜냐하면 통증은 우리를 얼어붙게 하고, 의욕을 꺾고, 우리의 데이터가 우리에게 말할 수 있는 것보다 덜 완전한 관점에서 우리를 멈추게 할 수 있는 상태이기 때문입니다.

 

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
제프 퍼킨슨	JMP 기능 개발과 관련하여 다음 연사인 John Sall은 우리가 우선순위를 정하는 방법에 대해 흥미로운 방식을 가지고 있습니다. 우리는 어떤 기능에 우선순위를 두어야 합니까?
	우리가 투자하고 싶은 기능. 그렇다면 가장 중요한 것이 무엇인지 어떻게 생각해야 할까요? 제품을 더욱 강력하게 만드는 기능이 우리가 작업해야 하는 기능입니까?
	더 매력적이거나 더 섹시하게 만드는 기능이나 분석의 부담을 덜어주는 통증 완화에 중점을 둔 기능은 어떻습니까?
	John은 통증 완화가 우리 R&D 팀의 주요 동기가 되어야 한다고 생각합니다. John은 SAS의 공동 창립자입니다. 그는 30년 이상 전에 설립한 JMP의 수석 설계자입니다.
	데이터가 있고 이를 탐색할 방법이 필요한 과학자와 엔지니어에게는 데스크탑에서 시각적으로 쉽게 탐색할 수 있는 방법이 필요합니다.
	그는 JMP 개발의 원동력과 우리가 작업하고자 하는 기능을 접하는 방법에 대해 이야기할 것입니다. 그럼, 존, 당신을 환영하고 싶습니다. 감사합니다.
존 살	고마워, 제프. 그리고 여기 우리는 더 많은 사람들을 수용할 수 있는 Cary North Carolina의 새로운 디지털 컨퍼런스 센터에서 생중계하고 있습니다.
	조명을 조금 어둡게 합시다.
	음, 저는 여기 디지털 컨퍼런스 센터에 있지 않습니다. 나는 정말로 집에 있다. 그래서 홈오피스를 구했습니다. 이런. 그거 말고.
	우리 모두처럼. 저는 집에서 이 회의를 진행하고 있습니다. 하지만 회사 배경으로 전환하고 시작합시다.
	그럼 무슨 얘기를 해야 할까요?
	음, JMP 릴리스가 있을 때 JMP 릴리스와 함께 컨퍼런스 연합이 그 해에 우리가 이야기하는 내용이지만 격년에는 항상 주제를 선택합니다. 그래서 저는 한 해의 빅 통계, 내년의 유령 데이터 또는 비밀 기능을 선택했습니다.
	이년 전. 오늘 제 주제는 A로 시작하는 큰 단어입니다.
	자, 이것들은 JMP 개발을 위한 단어 특성 테마입니다. 내 화면을 공유하겠습니다.
	그리고
	최소화
	여기. 공유하다.
	그렇다면 어떤 주제가 가장 중요할까요? 그리고 다음은 A로 시작하는 세 단어입니다. A로 시작하는 큰 단어입니다.
	Jeff가 방금 언급했듯이 첫 번째는 단백 동화입니다. 단백 동화는 근육 성장에 관한 것이며 JMP를 더욱 강력하게 만듭니다.
	단백 동화 과정은 기관과 조직을 만들고 이러한 과정은 세포의 성장과 분화를 일으켜 신체 크기를 증가시킵니다.
	따라서 JMP의 성능을 높이는 것이 기회가 될 것이며 이는 물론 매우 중요합니다.
	최음제, JMP를 더 섹시하고 더 흥미롭게 만들고 발견의 스릴. 그래서 우리는 그것이 속성이기를 원합니다.
	그러나 우리는 또한 작업 흐름 동안 귀하의 진행 상황에 관심이 있으므로 진통제는 통증 완화를 의미하는 세 번째 단어입니다.
	통증 완화.
	그래서 저는 사람들이 다음과 같은 가상의 인용구를 표현하기를 원합니다. \!"버전 15가 제게 도움이 되었습니다...수고해야 했던 몇 시간 또는 심지어 며칠의 작업 시간을 절약해 주었습니다.\!" 그것은 많은 고통 완화입니다.
	또는 \!"예전에는 하나하나 개별적으로 수행해야 했지만 지금은 모두 한 번에 처리할 수 있습니다.\!" 거기에 많은 통증 완화. 또는 \!"예전에는 모든 작업을 수행하기 위해 여러 다른 도구를 사용해야 했지만 이제는 JMP에서 모든 작업을 수행할 수 있습니다.\!"
	또는 \!" 동료들에게 내가 어떻게 그렇게 쉽게 하는지 보여주었다. 그리고 그들은 놀랐다.\!" 또는 \!"예전에는 이 모든 것을 수동으로 프로그래밍해야 했지만 지금은 몇 번의 마우스 클릭만으로 완료됩니다.\!"
	또는 \!"JMP는 데이터를 운영 세부 사항에 너무 많이 돌리기보다는 데이터 분석에 집중하도록 하여 작업 흐름을 유지합니다.\!" 이것이 우리가 듣고 싶은 통증 완화의 표현입니다.
	이제 고통과 좌절이 진정한 동기부여 요인이 되는 이유는 무엇입니까? 흐름이 중요합니다. 흐름에 있을 때 주의가 산만해지지 않습니다. 흐름에 있을 때 데이터에서 무언가를 배우고 발견할 가능성이 더 큽니다.
	이제 권한 부여도 중요하지만 새로운 기능은 소수의 사용자만 사용하고 오래된 기능은 많은 사용자가 사용하는 경향이 있습니다. 따라서 이전 기능이 더 잘 작동하도록 만들고 싶습니다.
	그들을 사용하는 고통을 줄이기 위해. 물론 생산성은 시간 사용과 관련하여 도구가 얼마나 효과적인지에 크게 좌우됩니다. 결과에 도달하는 것을 더 쉽고 빠르게 만들 수 있다면 그것은 엄청난 승리입니다. 그럼 많은 예를 들어보겠습니다.
	첫째, 데이터 테이블과 함께 제공되는 스크립트입니다. 여기에서 JMP의 이전 릴리스의 예를 나란히 볼 수 있습니다. JMP 14 또는 13인 것 같습니다.
	예전에는 이 버튼에서 마우스 키를 누르고 있으면 메뉴 항목이 나타나고 해당 스크립트를 실행하기 위한 실행 버튼을 찾았습니다.
	그러나 새로운 방법은 스크립트 바로 옆에 재생 버튼이 있습니다. 따라서 재생 버튼을 클릭하기만 하면 메뉴가 저장됩니다.
	글쎄요, 그것은 큰 승리가 아닙니다. 버튼을 클릭하는 것과 메뉴를 내리는 것의 차이가 그리 크지 않다고 생각하실 것입니다. 그러나 새로운 사용자가 더 이상 이해할 필요가 없기 때문에 새로운 사용자에게는 큰 승리이기도 합니다.
	핫 버튼이 아래에서 실행됩니다. 하지만 스크립트와 함께 바로 재생 버튼이 있습니다. 그래서 이것이 스크립트라는 것을 더 많이 이해하게 되었습니다.
	그리고 데이터와 함께 스크립트를 저장하는 기능은 JMP에서 중요한 기능이며 사람들이 즉시 이를 배우기를 바랍니다.
	2 주변에서 낚시를 하거나 그것이 하는 방식을 배우기 위해 팁을 볼 필요가 없습니다. 그리고 모든 스크립트를 저장할 수 있다는 것은 매우 편리합니다.
	데이터 테이블 자체 내에서 데이터 테이블을 저장할 다른 위치를 찾지 않습니다. 따라서 신규 사용자에게는 재생 버튼이 있습니다. 그래서, 그것은 그 간단한 변화만으로도 약간의 통증 완화입니다.
	그리고 이것은 JMP에서 훨씬 더 일찍 적용하지 않은 것을 후회하는 변경 사항입니다.
	데이터 준비에 대해 이야기해 봅시다. 그리고 데이터를 준비할 때 수행해야 하는 중요한 작업 중 하나는 여러 소스의 데이터를 결합하는 것입니다.
	이제 JMP는 버전 1부터 유틸리티에 합류해야 했습니다. 그러나 이것은 여전히 복잡한 대화와 여러 데이터 테이블 작업을 포함합니다.
	여기 내가 영화를 대여하고 영화 대여 트랜잭션 테이블이 있는 전형적인 예가 있습니다.
	여기에는 고객, 항목 번호, 주문 날짜, 주문 연도가 있고 대여할 영화 목록과 각 영화에 대한 세부 정보가 있습니다. 그런 다음 고객...고객에 대한 정보 등이 있습니다. 그리고 우리는 다음과 같은 세 개의 테이블을 모두 포함하여 질문을 하고 싶습니다.
	어떤 장르의 영화에 어떤 성별이 만연해 있는지. 글쎄요
	3개의 테이블 모두에 걸쳐 있으며 물론 조인 명령이 이를 수행하는 방법입니다. 거래 데이터를 가져오고
	고객과 병합하십시오. 물론 고객 ID가 일치합니다.
	열과 트랜잭션 측에서 일치하지 않는 항목을 포함하고 싶습니다. 따라서 고객 데이터가 없어도 거래 데이터가 손실되지 않습니다. 이를 왼쪽 외부 조인이라고 하며 새로운 데이터 테이블을 만듭니다. 이제 해당 데이터 테이블에 조인하고 싶습니다.
	재고 데이터에. 그래서 나는 그때 일치하는 항목 번호로 조인하고 왼쪽 외부 조인도 원하고 이제
	다른 테이블. 이제 3개의 테이블 대신 5개의 테이블이 있습니다. 조인의 결과이지만 이제 장르별 성별 질문에 대한 답을 볼 수 있습니다.
	성별은 어떤 유형의 영화를 더 많이 대여하는 경향이 있습니다.
	그리고 이러한 모든 새로운 중간 데이터 테이블을 만드는 작업도 포함되었습니다.
	훨씬 더 쉬운 방법이 있으며 이러한 추가 단계와 추가 테이블의 고통을 크게 줄일 수 있습니다. 이 테이블에서 이 테이블을 실행 취소하겠습니다.
	그리고 tables 명령 아래에 JMP 쿼리 빌더라는 명령이 있고 이것은 후속 기능을 불러온다는 것을 지적하고 싶습니다.
	테이블 조인의 경우 모든 조인 대화 상자보다 훨씬 쉽지만 여전히 새 데이터 테이블을 만듭니다.
	그러나 몇 가지 릴리스 전에 우리는 고통을 훨씬 더 줄이는 훨씬 더 나은 것을 내놓았습니다. 바로 가상 조인입니다. 이 트랜잭션 테이블을 보면
	이미 가입되어 있음을 확인했습니다.
	그래서 무슨 일이 일어났는지, 영화 인벤토리 테이블을 준비했을 때 항목 번호로 고유하게 식별됩니다. 그래서 항목 번호를 부여합니다.
	그것으로 고유하게 식별되고 그것이 내가 그 테이블을 인덱싱할 수 있는 방법이라고 말하는 링크 ID. 마찬가지로 고객 데이터를 식별하기 위한 항목 ID가 있습니다. 그리고 트랜잭션 데이터를 준비할 때 이 두 가지 외래 키가 있습니다.
	링크 참조이며 서로 다른 데이터 테이블을 식별 ID로 참조합니다. 그래서 그것은 자동으로 그것을 연결하고 나는 이미 그 질문에 답하는 데 필요한 모든 것을 가지고 있습니다. 그래서 나는 할 수 있다
	각각
	성별, 할 수 있습니다
	내가 하고 싶은 영화의 장르를 찾아라. 그래서 액션 영화는 남성이 더 좋아하고 가족 영화는 여성이 더 좋아하는 것을 볼 수 있습니다.
	암컷 등에 의해 더 많은 rom com. 따라서 모든 조인을 거칠 필요 없이 세 개의 테이블과 관련된 내 질문에 대답했습니다. 테이블 전체에서 해당 ID 열을 일치시켜 가상으로 조인되기 때문입니다.
	그래서 내가 만든
	그것에서 많은 고통 완화. 그래서 사실을 닫겠습니다.
	따라서 데이터 테이블 조인은 릴리스에 대한 많은 고통 완화와 관련이 있다고 생각합니다.
	레코딩,
	이는 데이터 세트를 준비할 때 수행하는 다른 주요 작업 중 하나입니다.
	우리는 이전 값과 새 값에 대한 필드가 있고 새 값이 이전 값과 동일한 값으로 시작된 다음 이전 값을 잘라 붙여넣거나 편집할 수 있는 매우 간단한 리코드로 시작했습니다. 다시 코딩하라는 명령
	새 열 또는 기존 열에.
	그리고 모든 릴리스를 다시 코딩하면 극적인 개선이 이루어졌으며 우리는 현재 상태에 대해 매우 기쁘게 생각합니다. 이제 이 병원, 지역 병원의 데이터 세트를 살펴보겠습니다. 이제 녹음이 바로 시작됩니다.
	열 머리글에서 오른쪽 버튼 또는 오른쪽 클릭 메뉴. 그리고 난 그냥 지나갈 수 있어
	많은 것을 선택하고 클리닉과 같은 새로운 가치로 그룹화하십시오.
	하지만 지름길도 많이 있다고 생각합니다. 그리고 내가 가장 좋아하는 바로 가기 중 하나는
	유사한 값을 그룹화합니다. 그래서 문자 차이 등의 수에 대한 임계값을 줄 수 있으며 자동으로 모든 항목을 그룹화합니다. 따라서 철자가 약간 다른 모든 지역 병원을 하나로 그룹화합니다.
	그리고 나는 여전히 할 수 있습니다 ...
	하나를 놓친 것 같습니다. 하지만 괜찮아요. 이제 저걸 다른 것들과 그룹화할 수 있고
	모두, 모든 시골 병원은 일치하는 항목별로 자동으로 그룹화되었으며 여기서 추가로 일치시킬 수 있는 것 같습니다.
	그리고 이제 갑자기 뭔가가 생겼습니다. 나는 그 모든 녹음 작업을 하는 데 많은 노력을 기울였습니다.
	물론 JMP 15에는 여기에 표시하지 않겠지만 새로운 기능이 추가되었습니다. 모든 데이터가 포함된 다른 데이터 세트가 있는 경우
	...해당 범주에 가장 적합한 범주 이름임을 증명했습니다. 일치 프로세스를 통해 이러한 모든 항목과 일치하는 항목을 찾으면 가장 가까운 일치 항목을 선택하도록 할 수 있습니다. 그래서
	따라서 recode는 해당 작업의 고통을 줄이기 위해 릴리스에 걸쳐 많은 발전을 거쳤습니다. 물론 생각해보세요. 데이터 준비와 분석에 소요되는 시간은 얼마나 됩니까?
	종종 우리 시간의 70~90%가 데이터를 준비하는 데 사용됩니다. 따라서 고통을 줄이고 시간을 줄이는 것이 주요 승리가 됩니다. 따라서 레코딩 시 통증이 완화됩니다.
	값을 클릭합니다. 여기
	도시 데이터 세트.
	그리고 내가 이러한 것들 중 일부에 대한 세부 사항을 볼 때 어떤 것의 이상값일 수 있는 것과 같이 더 자세히 보고 싶다고 가정해 봅시다. 그래서 저는 그것을 링크로 바꿀 수 있습니다. 그래서 하자
	위키 페이지 위키미디어 페이지로 바꾸자. 거기에 해당 텍스트를 복사하고 열 정보로 이동한 다음 이를 식 처리기인 링크로 변환합니다.
	그리고 이제 난 받아들일 수 있어
	이것
	테이블을 웹으로 변환
	주소. 그래서
	wikipedia.org로 이동한 다음
	해당 도시의 이름을 대소문자로 변경하면 해당 행에서 테스트할 수 있고 Albany가 표시됩니다.
	그래서 지금 나는 말할 것입니다 ...
	오 그래.
	이제 아무 도시나 클릭하면 해당 도시에 대한 Wikipedia 기사를 볼 수 있습니다. 또는 지도 좌표로 변경할 수 있습니다. 그래서...그 텍스트를 복사하고 열 정보로 이동하겠습니다. 이제 그 대신에
	그것에 타이틀 케이스를하십시오.
	구문 분석이 잘 되는지 봅시다. 이제 Denver를 클릭하면 Denver와 Google 지도에 쿼리가 표시됩니다.
	좋아요, 그래서 할 일을 링크로 만들었습니다... 검색을 할 수 있고, 지도 요청 등을 할 수 있습니다. 나도 할 수 있어
	이것을 붙여넣고 그것을 클릭하면 도시의 이름을 말하게 됩니다. 그래서 저는 이것이 데이터 테이블에 링크를 저장할 수 있는 큰 힘을 준다고 생각합니다.
	웹 페이지로 연결되거나 다른 작업을 수행하는 것, ACL로 표현할 수 있는 모든 것, 이러한 이벤트 핸들러로 수행할 수 있습니다. 그래서 많은 고통을 줄일 수 있습니다.
	그래서 제가 가장 좋아하는 통증 감소 기술 중 하나는 브로드캐스팅입니다. 여기서 Command 키나 Control 키를 누른 상태에서 배수를 수행하면 유사한 분석이 많이 있습니다. 좋아, 그래서
	이는 메뉴 명령뿐만 아니라 많은 버튼과 그래프 프레임 크기 조정, 기타 작업, 그래프에 붙여넣기 등에 사용할 수 있습니다.
	그럼 그 예를 들어보겠습니다. 그리고 클릭하거나... 또는 이 모든 열에 대한 배포를 수행합니다.
	그리고 내가 제거하고 싶었다고 가정 해 봅시다
	이 박스 플롯.
	그리고 내가 그냥 누르고 있으면
	해당 메뉴 항목에서 해당 항목에 대한 상자 그림을 제거합니다. 하지만 내가 원하는 것은 모든 항목에 대한 박스 플롯을 제거하는 것입니다. 그래서 제가 할 일은 Command 키를 누른 상태에서 박스 플롯의 체크를 해제하는 것입니다. 이제 모든 항목에 대해 체크가 해제됩니다. 이제 분위수를 선택 취소할 수 있습니다.
	그 명령을 받아 해당 창의 모든 활성 개체에서 브로드캐스트하고 해당 명령을 이해하는 활성 개체(예: quantiles 명령)에 대해 해당 명령을 따를 것이기 때문에 모든 항목에 대해 확인을 취소합니다.
	이제는 대화를 유도하는 것과 관련된 일부 작업에도 적용됩니다. 요약 통계를 살펴보겠습니다. command 키를 누른 상태에서 요약 통계를 사용자 정의하겠습니다.
	신뢰 한계는 원하지 않지만 누락된 값의 수는 원한다고 가정해 보겠습니다. 그리고 나는 말할 것입니다, 알겠습니다, 그리고 그것을 모든 것에 적용할 것입니다...
	모든것들. 그러기 위해서는 반드시
	해당 대화의 결과를 가져오고 스크립트를 만든 다음 해당 스크립트를 해당 창의 다른 모든 위치로 브로드캐스트합니다.
	이제 그런 일이 항상 일어나는 것은 아닙니다. 때로는 프롬프트가 표시되면 모든 분석에 대한 프롬프트가 표시됩니다. 우리가 시도하는 모든 릴리스에 대해
	방송 전에 대화가 완료되어 사용 가능한 모든 장소에 동일한 대화를 방송하는 몇 가지 세부 사항을 구현합니다. 그리고 물론 내가 방송할 수 있는 다른 모든 것은 변경 사항이며 알다시피 이 모든 항목의 크기가 변경되거나 방송할 수 있습니다.
	배경색을 변경하고 모든 플롯에서 모든 배경색을 주황색으로 변경할 수 있습니다.
	그 프레임 상자와 관련이 있는 것 같습니다. 그래서 이 방송은 매우 강력한 도구가 됩니다.
	그래서,
	그것은 우리 대부분에게 많은 고통을 덜어주었지만, 올해 초와 같이 그룹별로 40,000개를 가질 수 있는 경우가 여전히 있습니다.
	버전 16에서 수정됩니다. 그것은 한 명의 사용자에게 많은 고통을 덜어줍니다.
	수식 열 저장.
	수식 열을 좋아합니다. 모델을 맞추면 예측 열을 저장할 수 있습니다. 하지만 그 예측에는 라이브 공식이 있어서 그 공식을 검토하고 수정하고 들어오는 새 데이터에 적용할 수 있습니다. 저장 공식에 프로파일링할 수 있습니다. 당신은 할 수 있습니다
	당신이 가지고 있다면
	JMP Pro를 사용하면 공식 저장소로 이동하여 다른 많은 작업을 수행할 수 있습니다. 여기에서 코드를 생성할 수 있습니다. 그래서 수식을 저장하는 기능도 중요하지만 가끔
	예를 들어 그룹별이 있는 경우 수식을 저장하는 데 많은 추가 미묘함이 있습니다.
	예를 들어, 맞추자. 이것은 당뇨병 데이터입니다. 여기서 응답을 맞춥니다.
	이 모든 예측 변수에 대해 테스트하지만 각 성별에 대해 개별적으로 수행하려고 합니다.
	그렇게 합시다.
	그래서 성별 1과 성별 2에 대한 두 개의 그룹이 있습니다. 이제 저장하고 싶다고 가정해 보겠습니다.
	사실 이 두 가지 모두에 대한 예측값입니다. 지금
	예전에는 많은 통증 완화 방법을 사용하기 전,
	저장했을 때 어떤 일이 발생하면 로컬 데이터 테이블로 이동합니다. redo 아래의 데이터 테이블 창을 보면 그룹별 테이블이 표시됩니다.
	실제로 성별=1의 경우 여기 이 가상 데이터 테이블에 235개가 있으며 성별=1에 대해 표시할 수 있습니다. 여기에 대한 그룹별을 표시하는 테이블 변수가 있습니다.
	그리고 실제로 저장된 실제 테이블 대신 이 임시 테이블에 저장합니다.
	하지만
	얼마 전에 예측 공식을 저장하면 실제 데이터 테이블에 저장합니다. 그리고 이거 보면 그냥 성별=1로 저장했는데,
	이에 대한 공식을 보면 성별=1인 경우 by group 절이고 해당 변수에 대한 예측을 형성하는 선형 조합이 있음을 보여줍니다.
	그런 다음 성별=2를 수행하거나 명령 키를 눌러 예측 수식을 브로드캐스트하면 이제 두 가지가 모두 있고 성별 1과 성별 2에 사용할 수 있는 두 절이 있습니다. 따라서 그룹별로 해당 출력에 매번 절을 추가합니다.
	그건 그렇고, 다른 것을 저장할 때, 잔차 열을 저장할 때와 같은 일이 발생합니다. 이번에는 command 키를 누르고 있습니다.
	잔차 열을 저장하면 각 그룹별로 저장되고 그룹별로 해당 잔차가 저장됩니다. 원래 응답에서 예측 수식을 뺀 것과 같지만 이번에는 수식 열이 아닙니다.
	JMP의 거의 모든 위치에서 수행하지는 않았지만 대부분의 위치에서 수행하여 by 그룹에 저장했습니다.
	또는 경우에 따라 where 절을 통해 if 문의 조건과 함께 원본 데이터 테이블에 저장합니다. 좋습니다.
	많은 노력을 절약했습니다. 사용할 수 없는 경우 tt가 임시 테이블에 저장된 다음 해당 수식을 잘라내어 붙여넣고 if 테이블을 원래 테이블에 만들어야 합니다. 그래서 우리는 이러한 문제를 해결했습니다. 이제 다시 저장했다고 가정해 보겠습니다. 전체 프로세스를 다시 수행하고
	그리고
	다른 변수를 사용하여 다른 작업을 수행했습니다. 그 중 일부는 제거되었습니다.
	이제 다시 저장했습니다.
	그래서,
	예측 공식을 저장합니다. 이번에는 브로드캐스트 키를 누르고 있으면 이전 공식에 저장하는 대신 실제로 새로운 공식을 만들고 그 뒤에 2를 추가합니다. 음, 이전 항목에 저장하지 않는 것을 어떻게 알 수 있습니까?
	각 핏에는 ID가 있습니다. 그리고 속성을 보면
	ID별로 고유 번호가 있으며 각 맞춤에 대해 재생성되는 고유 번호이므로 다른 ID가 있는 한
	다른 기준 그룹은 파티션 기준과 동일한 ID를 갖습니다. 하지만 ID가 같으면 같은 것에 저장됩니다. 그렇지 않으면 저장할 새 장소를 만들 것입니다.
	또한 예측 값을 말할 때마다
	특히 예측 공식,
	속성, 작성자 및 경우에 따라 다른 정보를 생성합니다. 이 경우에는 대상 변수 y가 있으며, 이것이 예측하고 작성자는 최소 제곱에 맞춥니다.
	그런 다음 JMP Pro 모델 비교와 같은 다른 플랫폼을 수행할 때 해당 모델 비교는 어떤 생성자, 어떤 대상을 참조하는 예측 값을 이해합니다. 따라서 부가 가치 플랫폼에 대한 모든 정보를 추적할 수 있습니다.
	그래서,
	수식 열은 새 절을 추가하여 작동하며 by ID를 비롯한 기타 속성이 사용됩니다.
	그리고 예측 절을 범주형 변수에 저장하면 각 응답 수준에 대한 확률과 모든 메타데이터 및 요구 사항이 포함된 모든 변수를 저장합니다. 그리고 그것은 많은 고통을 덜어줄 것입니다.
	그래서,
	모델에서 효과 제거.
	자, 예를 들어 봅시다
	피팅의
	몸무게에 딱 맞는 키.
	음, 여기 고차 다항식의 예가 있습니다. 이것은 7차 다항식입니다.
	보다 잘 맞는
	6차 다항식 등등. 하지만 그 적합성을 믿으시겠습니까?
	높은 다항식 항을 도입하거나 더 많은 변수를 도입하여 모델에 많은 유연성을 부여하면 더 많은 적합 기회를 제공합니다. 그리고 이 경우에는
	마지막 데이터 포인트에 더 잘 맞도록 이전 데이터와 마지막 데이터 포인트 사이를 심층 분석할 수 있는 유연성이 허용됩니다.
	그래서 과적합입니다. 그것은 방법입니다...그 매개변수를 사용하여 노이즈를 맞추는 대신
	데이터 자체.
	따라서 과대적합은 큰 모델이 있을 때마다 문제가 됩니다. 그래서
	노이즈가 아닌 신호에 맞추려고 합니다. 알겠습니다. 대형 모델은 예측에 더 많은 변동을 도입하는 경향이 있습니다.
	그들이 사용하고 있는 y 변수의 함수이지만, y 변수는 해당 변수의 체계적인 부분에 해당 변수 부분인 경우 해당 변수의 오류 부분을 더한 것입니다.
	임의적이면 예측에 해당 임의성이 포함됩니다. 너무 많은 유연성을 허용하면
	해당 모델의 모든 변수를 포함하여 훨씬 더 나빠질 것이라고 예측할 과적합 문제입니다.
	따라서 그에 대한 치료법은 모델을 축소하는 것입니다. 모델의 크기를 줄이거나 모델의 계수 크기를 줄이는 것입니다.
	따라서 모델의 임의 항에서 나온 변동이 예측 값으로 전송되지 않습니다. 그래서
	작은 DOE 문제에서는 데이터가 작고 데이터가 원하는 모델에 정확히 맞도록 균형이 잘 잡혀 있기 때문에 이것은 문제가 되지 않습니다. 그러나 대형 모델의 관측 데이터의 경우 과적합이 실제 문제입니다.
	따라서 사용자는 JMP Pro에 교차 검증을 도입하기 전까지는 이를 인정하지 않는 경우가 많았습니다. 따라서 JMP Pro가 있는 경우 검증 열을 설정할 수 있습니다.
	보류 데이터 세트의 오류를 추정하기 위해 일부 데이터를 보류합니다. 그리고 여기에 내가 가진 예가 있습니다... 나는 구체적인 속성을 예측하려고 합니다.
	콘크리트에 있는 이 모든 성분에 의존하고 있으며 이에 대한 거대한 모델이 있습니다. 그리고 그 모델을 실행하고 일부 데이터를 보류하고 R 스퀘어를 보면
	나는 SLUMP를 위해 왔고, 나는 아주 적합합니다. 나는 R 제곱 79를 가지고 있지만, 내가 맞는 유효성 검사 세트에는 음수인 R 제곱이 있습니다.
	음수인 R 제곱은 평균에 맞추는 것보다 적합하지 않다는 것을 의미합니다. 그래서 평균에 맞추면 R 제곱이 0이 됩니다. 이 전체 모델에 적합하면 그보다 훨씬 더 나쁜 R 제곱이 있습니다. 따라서 대형 모델의 경우 평균을 맞추는 것보다 더 나빠질 수 있습니다.
	모델이 너무 크고 모델의 크기를 줄이려는 노력이 없었기 때문에 정보에 반하는 것입니다. 모델은 신호가 아닌 노이즈에 의해 지배되었습니다. 따라서 이것은 주의를 기울여야 하는 문제입니다.
	따라서 중요한 부분은 모델의 크기를 줄일 수 있다는 것입니다.
	이제 우리는 이를 수행하기 위해 모델 대화 상자 명령을 도입했습니다.
	with 모델로 당뇨병 속으로 들어가 봅시다.
	저는 이 모델을 실행할 수 있고 만약 제가 이러한 것들을 많이 꺼내고 싶다고 합시다. 그렇게 중요하지 않습니다. 알다시피, 나이
	모델에 크게 기여하지 않았으므로 연령을 제거하고 싶습니다. 그럼 저는 모델에 맞게 돌아가서
	그것을 기억하거나 나이를 제거하십시오. 또는 여기에서 바로 모델 대화로 돌아가서 나이를 맞추고 제거할 수 있지만 여기에는 모델의 긴 목록이 있을 수 있으며 이러한 작업을 수행하기 위해 앞뒤로 이동하는 것은 상당한 양의 작업입니다.
	그래서 그렇게 하기보다는...
	어디 보자, 내가 여기서 뭘 하고 있는 거지?
	여러 릴리스 전에 효과 요약이라는 새 보고서를 소개했습니다.
	효과 요약을 사용하면 모델의 하위 집합을 간단하게 만들어 더 잘 예측할 수 있습니다.
	유연성을 줄입니다.
	그래서 나는 말할 수 있습니다. 음, 나이, 나는 그것을 제거할 수 있습니다.
	또는 많은 변수가 있습니다. 세 개를 더 제거합시다.
	LDL이 더 중요해 보입니다. 그래서 그 모델을 저장할 수 있습니다.
	데이터 테이블에 저장해 봅시다.
	그리고 나중에 돌아와서 이렇게 말합니다. 이 모델이 있는 모델을 기억하겠습니다.
	실제로 이전 작업을 취소할 수 있습니다. 그래서 나는 그것을 취소할 수 있고 그것은 다시
	세 가지 변수를 취소할 수 있고 나이를 되돌릴 수 있습니다. 그래서 실제로 저장합니다. 제가 효과 요약을 사용하여 모델을 편집할 때 실제로 모든 것의 메모리를 저장합니다. 그리고 그 대본을 보면
	이 역사를 볼 수 있습니다. 그래서 효과 모델을 할 때마다 히스토리의 절을 저장합니다. 그리고 내가 실행 취소를 하면 해당 기록으로 되돌려집니다.
	따라서 제거가 쉽습니다. 나는 또한 물건을 추가할 수 있습니다. 이 두 가지를 빼면 다시 더할 수 있습니다. 예를 들어 나이를 다시 추가할 수 있습니다.
	좋은 일은 아니지만 할 수 있습니다. 모델 사물의 작은 버전을 가져와서 모델을 편집할 수도 있습니다.
	모델 대화 상자에 복합 효과 등을 추가합니다.
	이제 대형 모델에서 발생하는 또 다른 일과
	(취소하겠습니다).
	대형 모델과 함께,
	많은 가설 테스트를 수행하고 있습니다.
	따라서 많은 수의 가설 테스트가 있는 경우 고려해야 할 몇 가지 조정이 있으며 그 중 하나를 잘못된 발견률이라고 합니다. 따라서 이러한 모든 p 값을 독립적인 테스트인 것처럼 취급하는 대신
	모델의 부분 집합화와 관련된 선택 편향에 대해 다중 테스트 편향에 대해 해당 p 값이 조정되도록 조정을 적용하고 싶습니다. 그래서 거짓 발견률을 적용할 수 있습니다.
	그것에 대한 수정. 따라서 일반적인 p 값 대신에 잘못된 발견으로 조정된 p 값이 있습니다. 그리고 지금은 좀 더 현실적입니다. 그래서 이것은 과적합 문제와 가설을 해결하는 데 도움이 될 것입니다. 여러 테스트를 많이 수행할 때 선택 편향 문제가 발생합니다.
	것들.
	그래서,
	지금
	하자
	다음 주제를 수행하면 변환입니다.
	가정하다
	모델을 하고 싶으시다면,
	하지만
	y 대신 y의 로그를 맞추려고 합니다.
	데이터 세트에 새 열을 생성하기 전에
	로그 y,
	그런 다음 Log y의 경우
	지정...
	수식을 수행합니다.
	그리고 난 받아들일 수 있어
	그것의 로그.
	이제 내 모델 사양으로 돌아가 Log y를 수행할 수 있습니다.
	그런 다음 나는 적합했습니다.
	아, 없어졌어, 내가 뭘 했지?
	를 입력하는 것을 잊었습니다.
	목적, 주장.
	이제 할 수 있습니다
	Y의 로그에 맞음
	그리고 지금
	난 끝냈어. 하지만 프로파일러를 해봅시다.
	내 프로파일러는 Y의 로그에 관한 것입니다. 예측 값을 저장하겠습니다. 내 예측 공식은 y의 로그에 관한 것입니다.
	이제 가서 손으로 편집해야합니다 ...
	그 공식과 그 지수를 취하십시오.
	원래 크기로 되돌립니다. 그래서 그런 식으로 변형하는 것은 많은 고통입니다.
	음, 몇 번 전에 릴리스
	변환을 도입했습니다.
	그래서 나는 그 변환을 취할 수 있고
	로그로 변환
	이제 변환으로 직접 사용하고 데이터 테이블의 일부가 아닙니다. 공식이 있는 가상 변수이지만 데이터 테이블에 추가되지는 않습니다.
	이제 내 모델을 Log y에 맞출 수 있습니다. 하자
	조금 더 잘 맞도록 나이를 제거하십시오.
	이런.
	그것도 선택했다.
	그리고 이제 저는 응답 Log y를 맞췄습니다.
	그래서 내가 그것을 프로파일링하면 무엇을 얻을 수 있습니까?
	팩터 프로파일링, 프로파일러. y의 로그를 프로파일링하는 대신 y를 프로파일링합니다. 프로파일러는 그것을 변형으로 보고 그 변형을 반전시키고 원래 스케일로 돌아갈 수 있다고 말합니다. 그리고 그것이 하는 일입니다.
	그것
	untransforms, y의 로그를 통해 역변환하여 예측을 수행하고 원래 스케일에 넣습니다.
	그리고 해제할 수 있는 대부분의 변환에 대해 그렇게 할 것입니다. 변환에 여러 변수가 포함되는 경우 변환을 수행할 수 없으며 변환만 수행합니다. 그래서 원래
	열을 저장할 때도 마찬가지입니다. 예측 공식을 저장하면,
	y의 로그가 아닌 y의 척도로 예측 공식을 저장합니다.
	따라서 이러한 것들은 엄청나게 시간을 절약하고 변환을 사용하는 데 많은 노력을 절약합니다.
	그래서...
	나를 보자
	또 당뇨병에 걸리다
	다른 작업을 수행하고 다른 변환을 고려하십시오.
	변수를 할 때,
	얻을 수 있는 Box-Cox 변환이 있습니다.
	그리고
	요인 프로파일링 중 Box-Cox 옵션
	전체 범위의 전력 함수를 변환했는지 알려줍니다.
	뭐, 어떻게 하는 것이 좋을까요? 변환되지 않아야 합니까? 그것은 1의 Box-Cox 람다 값이 될 것입니다.
	0을 했다면 로그를 취하는 것과 같습니다. -1을 했다면 역수를 취하는 것과 같습니다.
	-1의 힘. 약 0.5를 계산했다면 제곱근을 취한 것과 같습니다.
	그리고 람다가 .453인 제곱근 변환을 따라가는 경우 이 모델이 해당 변환에 대해 조정된 변환 척도에 더 잘 맞을 것임을 알려줍니다. 이것이 Box-Cox 변환에서 최적의 값입니다.
	그리고 이것을 확대할 수 있습니다.
	돋보기로
	더 정확하게 얻으려면.
	그래서,
	그래서 이제 변신할 수 있고, 몇 번 전에 출시된
	할 수 있습니다...여러 열을 추가했습니다. 하나는 변환 응답으로 새 창을 만드는 변환으로 다시 맞추는 것입니다.
	그리고 다른 하나는 변환을 대체하는 것입니다. 저는 그렇게 할 것입니다. 그리고 .453 대신 제곱근 변환(.5)을 사용하여 이제 해당 변환으로 모델을 맞춥니다.
	그리고 이제 람다 최고는 약 1입니다. Box-Cox 변환에 의해 이미 한 번에 변환되었기 때문입니다. 이제 그 예측값을 저장하고
	프로필 등. 취소할 수도 있습니다. 그래서 그 변형이 마음에 들지 않고 원래대로 돌아가고 싶다면 원래대로 돌아가서 다시 맞출 수 있습니다.
	그래서,
	우리는 고통을 많이 절약했습니다
	응답을 변환합니다.
	그래서 지금
	데이터가 많을 때 특별한 고통, 고통의 특별한 장소가 있습니다.
	그리고 더 적은 고통으로 큰 문제를 해결하기 위해 많은 노력을 기울였습니다.
	시도할 행이 많든 열이 많든 그룹이 많든 모델이 많든
	오늘날의 세계에서 우리는 큰 문제가 있는 빅 데이터의 세계에 살고 있습니다.
	따라서 원래 작은 문제를 처리하도록 설계된 분석이 있는 경우 큰 문제에는 적합하지 않을 수 있으며 큰 문제의 핵심 문제는 정렬할 결과가 너무 많다는 것입니다.
	동일한 모델을 1,000개의 변수에 맞추면 정렬할 보고서가 1,000개가 됩니다. 1,000개의 열 중에서 이상값을 찾는 경우 이상값만 있고 각 열에 대한 별도의 보고서 등이 있습니다. 나는 할 수 있기를 원한다
	많은 대규모 데이터 세트를 보다 효율적으로 처리합니다. 그래서 스크리닝 메뉴를 개발했고,
	이러한 큰 종류의 문제를 해결하기 위한 것입니다. 게다가 JMP에는 큰 문제를 더 잘 해결하는 곳이 많이 있습니다. 예를 들어 시계열입니다. 새로운 시계열 예측 플랫폼은 하나가 아닌 여러 시계열을 예측합니다.
	따라서 스크리닝 플랫폼의 항목은 이상값을 탐색하고, 탐색기 결측값을 탐색하고, 패턴을 탐색합니다. 이는 데이터를 확인한 다음 연관성을 찾는 것, 응답 스크리닝,
	프로세스 스크리닝, 예측 변수 스크리닝. 물론 시계열 예측은 새로운 항목입니다. 심사 메뉴에는 없지만 큰 문제를 처리할 수 있도록 구성되어 있습니다.
	그리고 이 모든 것들은 결과를 표현하는 더 간결한 방법뿐만 아니라 수천 개의 보고서가 필요하지 않을 뿐만 아니라 계산적으로도 효율적입니다. 멀티스레딩을 사용하므로
	배수
	CPU의 코어를 매우 빠르게 만듭니다.
	따라서 프로세스 데이터가 많다고 가정해 보겠습니다. 568개의 변수가 있습니다. 그렇다면 이러한 변수 중 어떤 것이 건강해 보일까요? 좋은 프로세스 스크리닝은 이에 답하도록 설계되었습니다. 따라서 안정성을 기준으로 정렬하거나 기능(Ppk)을 기준으로 정렬할 수 있습니다.
	통제 차트 측정값, 통제 불능 계정 등.
	하지만 더 좋은 점은 모든 프로세스를 하나의 그래프로 표시하는 도구가 있다는 것입니다. 그리고 내가 사랑하는 두 사람이 있습니다. 하나는
	보여주는 목표 플롯
	사양 제한과 관련하여 각 프로세스가 어떻게 작동하는지 그리고 가능한 프로세스인 경우 여기 이 녹색 영역에 있습니다.
	미미한 경우 노란색 영역에 있습니다. 그렇지 않은 경우 빨간색 영역에 있고, 높으면 분산이 너무 많습니다. 한쪽으로 치우쳐 있다면 문제가 있는 것입니다.
	와 함께...
	중심에서 벗어났고, 목표에서 벗어났습니다.
	그러나 녹색 영역에 있으면 좋은 프로세스이며 버전 15에서는
	graphlet, 호버 도움말
	마우스를 가져가면 각 프로세스를 볼 수 있습니다. 그리고 다른
	이 모든 것을 요약하고 이 모든 보고서를 살펴보는 고통을 줄이는 데 있어 제가 좋아하는 플롯은 이 프로세스 성능 그래프입니다. 따라서 세로축에서는 능력 Ppk로 사양 한계 내에 있는지 여부를 알려줍니다.
	따라서 1.33에서 이 선 위에 있으면 사양 제한과 관련하여 값의 분포까지 괜찮아 보입니다. 사양 제한 내에 있습니다.
	If...then 안정성 지수는 x축에 있습니다. 따라서 매우 불안정한 프로세스인 경우 가능하지만 불안정할 수 있습니다. 그래서 그 과정을 살펴보면
	일부를 돌아 다니는 안정성 것. 노란색 영역에 있으면
	가능하지만 불안정한 등. 레드존은 능력이 없고 불안정한 나쁜 영역입니다. 따라서 수백 또는 수천 개의 프로세스를 살펴보는 것이 예전에는 많은 고통을 겪었던 곳에서 이제 쉽습니다.
	질문은 가장 많이 변한 것이 무엇입니까? 다음은 일부 설문조사 데이터입니다.
	여러 해 동안 그들의 활동에 대해 질문했습니다. 했니?
	캠핑 가다? 아니면 카지노에서 도박을 하시겠습니까? 아니면 감기에 걸렸나요? 알다시피, 이 모든 활동들 그리고 당신은 이 모든 활동들 중에서 어떤 것을 알고 싶어합니다.
	제 생각에는 95가지의 다양한 활동) 이 중 어떤 것이 가장 큰 차이를 만들었습니다. 그래서 당신이 찾고 있는 것은, 알다시피... 당신이 할 수 있는 한 가지는 한 번에 하나씩 통과하는 것입니다.
	그리고 그 활동을 조사 연도별로 맞춥니다.
	한 번에 하나씩 보는 대신. 응답 심사를 볼 수 있습니다
	가장 많이 변경된 사항을 보려면 하나의 차트만 보세요.
	그리고 이것은 95개 항목 모두에 대한 차트를 보여줍니다. 첫째, P 값의 음의 로그 측면에서의 유의성,
	이를 우리는 로그 가치라고 부르며 잘못된 발견 비율에 맞게 조정됩니다. 그래서 그것은 모든 p 값을 정렬하기 때문에 선택 편향의 일부를 처리합니다.
	뒤에 있는...낮은 P 값을 선택합니다. 그리고 비디오테이프 대여가 가장 큰 변화를 가져왔다는 것을 알았습니다. 비디오카세트테이프는 당연히 구식이 되었습니다. 그래서 당연히 바뀌었습니다.
	또 비디오카세트테이프도 많이 바뀌었고, 모아놓은 것들을 재활용품으로 많이 바꾸었고, 우리 집에 놀러온 사람들도 많이 바뀌었습니다.
	그리고 여기 덜 중요하지만 큰 효과 크기가 있습니다. 인터넷을 사용하십니까? 그리고 물론 이 조사는 인터넷이 있기 전에 시작되었습니다. 그래서 많이 바뀌었습니다. 그래서 가장 많이 달라진 점에 대한 질문은
	예전에는 어려웠던 곳이 지금은 쉽습니다.
	누락된 값이 어디에 있는지 빅 데이터에 대해 질문하신 또 다른 질문입니다. 여기 있습니다
	280개의 변수.
	누락된 값은 어디에 있습니까? 내가 그들에 대해 걱정할 필요가 있습니까? 결측값 탐색 보고서를 보면 결측값이 있는 변수가 5개뿐이라는 것을 알 수 있습니다.
	그리고 그들 중 일부는 하나의 변수, 하나의 누락된 값만 가지고 있지만 일부는 많은 것을 가지고 있습니다. 그래서 제가 분석, 즉 다변량 분석을 할 때
	452개 변수 중 376개. 또는 J를 포함하려면 다음을 수행할 수 있습니다.
	누락된 값을 대치합니다.
	그렇게 함으로써, 알았어.
	그래서,
	다음 질문은 데이터에 이상값이 있습니까?
	음, 저는 387개의 측정값이 있습니다. 이 과정에서 합니다. 그리고 거기에 특이치가 있는지 알고 싶습니다. 이제 상영 메뉴에서 할 수 있는 시설이 생겼습니다. 저 할 수 있어요
	이것을 다소 민감하게 만드십시오.
	좀 더 민감하게 해보자
	그래서 더 적은 이상치와 재스캔이 있습니다.
	나는 볼 수있다
	~에
	아홉. 종종 9의 문자열은 누락된 값을 나타내는 데 사용되며 해당 9는 실제 9일 수 있지만 누락된 값의 지표일 수 있습니다. 그래서 저는 그것들을 위해 누락된 값 코드에 9를 더하면 이제 메모리가 변경되었다고 말할 수 있습니다.
	이제 할 수 있습니다
	다시 돌아가서(여기에는 많은 변수가 있음) 다시 스캔하면 걱정할 누락된 값이 더 적습니다.
	따라서 이상값을 탐색하는 것은 고통스러운 일이었습니다.
	여전히 큰 작업이 될 수 있지만 예전보다 훨씬 쉽습니다.
	이제 버전 15에서는 또 다른 심사 플랫폼을 추가했습니다. 데이터에 의심스러운 패턴이 있습니까? 여기 임상 실험에서 나온 실험실 데이터가 있습니다. 이것은 니카르디핀 실험실 패턴 데이터입니다. 제가 보고 싶은 27개의 실험실 결과가 있습니다. 그래서 나는 호출
	새 플랫폼에서 누락된 값을 탐색합니다. 그리고 이것은 나에게 보여줄 것입니다. 나는 가치의 흐름을 가지고 있습니까? 그래서 저는 .03536이라는 값을 가지고 있지만 한 행에서 시작하여 한 행에 7개가 있습니다.
	2065. 저는 그 세포들을 색칠할 수 있고, 저 값들을 볼 수 있습니다. 아마도 그것은 이월된 마지막 값일 것입니다. 이것은 의심스럽지 않을 수 있습니다. 이 경우, 그것은 ...
	같은 사람입니다. 그래서 아마도 마지막으로 이월된 값은 합리적인 일이지만, 이런 것들을 배포했다면 그것은 드물고 드문 일입니다...
	이런 것들에 대해 무작위 분포를 가정한다면.
	또한 가장 긴 복제 시퀀스입니다. 따라서 이 변수의 경우 2816행에서 시작하고 3034행에서 시작하여 동일한 값을 가진 행에 4개가 있습니다. 그래서 제가 그것들을 색칠하면 거기에 연속으로 4개가 있습니다. 그리고 만약 내가
	다음 시퀀스로 이동하면 동일한 값을 가진 행에 4개가 있습니다. 따라서 동일한 값을 한 위치에서 다른 위치로 잘라내어 붙여넣는 증상일 수 있습니다.
	따라서 패턴 탐색은 그런 것들을 찾는 것입니다. 그리고 그 27개 변수 각각에 대한 세부 사항을 살펴보고 의심스러운 것의 증상을 찾을 수 있는 다른 많은 것들이 있습니다.
	데이터 처리 방식의 나쁜 영향 등.
	그래서,
	큰 문제 해결의 패턴 부분을 탐색합니다.
	그래서,
	통증 완화. 우리 개발의 대부분은 분석 흐름을 보다 원활하고 부담이 적고 시간 소모가 적고 덜 고통스럽게 만드는 데 중점을 두고 있습니다. 진통제.
	이제 우리는 무엇이 고통스러운지 항상 알지 못합니다. 그래서 우리는 무엇에 집중해야 하는지에 대한 피드백에 의존합니다. 프롬프트에 수백 번 응답해야 하는 이메일을 받았을 때,
	우리는 그것을 듣고 고통을 느꼈고 이제 수천 가지가 있는 그룹으로 방송할 수 있도록 수정했습니다.
	여러 번 대화하는 대신 하나의 대화 결과를 방송합니다. 그래서 그것을 보내면 다른 모든 사람들에게 더 나아졌습니다. 우리가 처음에 그것을 잡지 않았기 때문입니다. 피드백을 보내주세요.
	우리가 이미 만든 모든 개선 사항으로 인해 데이터 준비 및 분석 프로세스가 이미 훨씬 더 매끄럽고 중단이 훨씬 적고 더 많은 흐름이 이루어졌다고 생각합니다.
	그래서,
	장애물을 극복하는 데 시간을 보내는 대신 데이터에서 학습하고 데이터를 이해하는 데 시간을 보냅니다.
	해석학. 두 단어가 같은 어근에서 나온 것인지 궁금할 것입니다. 물론 우리는 이 두 단어를 축약하는 것을 좋아하지 않습니다.
	분석은 그리스어 anyein에서 유래했으며 어떻게 발음해야 할지 모르겠습니다.
	그러나 헬라어로는 깨뜨리다, 해방하다, 자유롭게 하다라는 뜻입니다. 그리고 그것은 복잡한 것을 취하여 그것을 우리가 이해할 수 있도록 조각조각 쪼개는 것입니다.
	물론 그것이 바로 우리가 데이터 분석, 데이터 과학에서 하는 일입니다. 그리고 진통제는 \!"an-\!"라는 단어의 다른 조합에서 나옵니다. 없이 의미 및 \!"algesis,\!" 그것은 고통의 감각입니다. 같은 접두사, 다른...조금 다른 어근.
	그리고 그것들을 축약하지 마십시오.
	단백 동화 및 최음 제지. 우리는 힘에 관심이 있습니다.
	우리가 하는 일의 대부분은 데이터 분석을 위한 더 강력한 도구를 제공하는 것입니다. 대부분은 JMP Pro와 JMP에서 제공됩니다.
	그리고 우리는 데이터가 발견의 스릴을 흥미진진하게 만들기를 바랍니다.
	JMP에서 강력한 기능을 사용하는 방법을 배우는 스릴과 흥미진진하다고 생각합니다. 알다시피, 그것은 최음제입니다.
	그래서 힘과 흥분도 우리에게 가치가 있습니다. 통증 완화뿐만이 아닙니다.
	그래서 우리는 내년에 무엇을 할 것입니까?
	음, B로 시작하는 큰 단어들.
	A로 시작해서 다음은 B죠?
	내년에는 JMP 16이 출시됩니다. 이것이 바로 우리가 이야기할 내용입니다. 우리가 다음 해에 대해 무엇을 이야기할지 누가 알겠습니까? 정말 감사합니다. 그리고 데이터를 분석하는 과정에서 고통이 거의 없기를 바랍니다.
제프 퍼킨슨	대단히 감사합니다, 존. 감사합니다. 그것은 환상적인 연설이었고 수년 동안 많은 고통을 목격하기 위해 주변에 있었습니다.
	그것은 당신이 말하는 모든 것이 절대적으로 사실이라는 것입니다. 통증 완화는 우리에게 중요한 것입니다.
	실제로 많은 질문이 들어왔습니다. Q&A에서 몇가지 답변을 드렸지만 여러분께 드리고 싶었던 것은
	그것은 통증 완화와 약간의 매력을 제공하고 JMP를 더 강력하게 만들었습니다.
존 살	음, 모두의 큰 기쁨은 Graph Builder라고 생각합니다.
	변수를 드래그하고 몇 번 더 클릭하면 원하는 그래프를 얻을 수 있고 쉽게 변경할 수 있어 매우 강력합니다.
	그래서 그것은 스릴입니다. 강력한 기능이자 통증 완화입니다. 예전에는 하기가 더 어려웠습니다. 그래서 모두가 좋아하는 것 같아요.
	하지만 물론...JMP는 풍부한 제품이며 여기에 포함된 모든 것을 자랑스럽게 생각합니다. 실험 설계, 모두
	거기에 관련된 큰 힘과 우리는 그 과정도 쉽게 만들려고 노력했습니다. 그리고 많은 것들이 떠오릅니다.
제프 퍼킨슨	매우 좋은. 대단히 감사합니다, 존, 고맙습니다. 이 강연이 마음에 드셨다면 두 가지 제안을 드리겠습니다. 하나, 우리는 이것을 게시 할 것입니다

기조