스피커
|
성적 증명서
|
| 사이먼 스텔지그 |
자, 그럼 모두들 안녕하세요. 제 이름은 사이먼 스텔지그입니다. 저는 본딩 엔지니어인 Lohmann 출신입니다. 저는 R&D 부서에서 근무하고 있습니다. 오늘 Functional Data Explorer에 대한 정보와 데이터 과학자가 아닌 사람들에게 결과를 시각화하는 데 사용할 수 있는 방법에 대해 말씀드리고자 합니다. |
| |
시작하기 전에 Lohmann 회사에 대한 아주 짧은 소개를 하겠습니다. 당신은 그것에 대해 들어 본 적이 없을 수도 있지만 매일 사용하거나 제품을 접했을 수도 있습니다. |
| |
Lohmann에 대한 몇 가지 사실과 수치입니다. 그래서 Lohmann은 2019년에 약 6억 유로의 매출을 올렸고 제가 작업하고 있는 부분은 Lohmann Tape Group이고 우리는 접착 테이프 생산업체입니다. 주로 양면 접착 테이프이고 우리는 순수한 B2C 회사입니다. |
| |
다음 경우에만 당사 제품을 구매할 수 있습니다. 나이가 꽤 많아서 올해는 로만이 창립한 지 약 170년이 되는 해입니다. |
| |
우리는 기본적으로 두 부분으로 나누어져 있어서 제가 작업하고 있는 테이프 제품 중 하나입니다. 그것이 초점이다. |
| |
산업 응용 분야를 위한 점착 테이프는 당사의 위생 브랜드입니다. |
| |
그리고 우리는 전 세계적으로 활동하고 있습니다. 우리는 전 세계에 25개의 사이트를 두고 있으며 약 1,800명의 직원이 근무하고 있습니다. 그리고 아마도 매우 흥미로울 것입니다. |
| |
당사 제품의 90%는 맞춤형이므로 매우 복잡한 제품 포트폴리오를 보유하고 있으며, 매우 적은 수의 고객 그룹을 위한 매우 적은 양의 애플리케이션에 초점을 맞춘 많은 제품이 있습니다. |
| |
따라서 우리는 점착 테이프 또는 많은 양면 점착 테이프의 최고 생산업체이며 많은 응용 분야가 있으며 이것이 우리가 속해 있는 시장 부문입니다. |
| |
그래서 우리 중 하나는 산업 응용 프로그램입니다. 그것은 주로 건물 및 건축 분야의 창문과 문 또는 실내 및 실외 적용을 위한 것입니다. |
| |
또는 예를 들어 스마트폰의 후면 덮개를 고정하기 위한 접착 테이프와 같은 가전 제품 및 전자 장치에서 Lohmann 제품을 접할 수 있습니다. 또는 |
| |
주로 진단 응용, 상처 치료를 위한 의료 부문. 운송 분야에서... 자동차용 또는 인테리어용 또는 익스테리어용 |
| |
자동차에 엠블럼 접착. 예를 들어 우리는 접착 테이프를 제공하는 유연한 인쇄 애플리케이션을 위한 그래픽 산업에 종사하고 있습니다. |
| |
소매에 인쇄판을 고치기 위하여. Lohmann Tape Group의 하위 부문 중 하나는 기저귀용 폐쇄 시스템을 제공하는 위생 브랜드입니다. |
| |
매우 광범위한 응용 분야와 제가 방금 언급한 또 다른 요점은 우리 제품의 약 90%가 맞춤형이라는 것입니다. Lohmann에 대한 또 다른 사실은 |
| |
우리의 가치 사슬은 매우 깊은 가치 사슬이므로 접착 테이프에 대해 생각한다면 접착층이 필요합니다. |
| |
붙이고 싶은 대상에 붙입니다. |
| |
캐리어가 필요합니다. 선택적으로 접착층을 운반하는 캐리어가 필요합니다. 우리는 귀사가 반대쪽에 가지고 있는 양면 접착 테이프의 생산업체이기 때문에 반대쪽에도 있습니다. |
| |
접착층. 그리고 Lohmann의 가치 사슬은 기본적으로 처음부터 시작합니다. 그래서 우리는 자체 폴리머를 만들 수 있습니다. 즉, 접착제의 기본 폴리머입니다. |
| |
그런 다음 폴리머를 접착제 제형으로 공식화해야 합니다. 그런 다음 캐리어에 다음 단계로 넣어야 합니다. |
| |
꽤 크다 ??? 롤. 그리고 맨 마지막에 이를 양식으로 전달할 수 있습니다. |
| |
고객은 그것을 원합니다. 따라서 다이 컷이 있거나 자동차용 엠블럼이 있는 경우 접착 테이프가 필요합니다. 특정 형태가 필요하지 않습니다. 고객이 요구하는 특정 형태를 제공합니다. |
| |
그리고 R&D는 주로 그것의 처음 세 부분에 초점을 맞추고 있습니다. 그래서 중합의 경우, 코팅의 제형을 얻기 위해 제가 언급했듯이 많은 제품이 사용자 정의됩니다. 우리가 적용하는 고객 요구 사항을 충족시키는 목표 |
| |
과정 전반에 걸친 실험 설계 |
| |
최종 제품에 도달하고 고객 요구 사항을 충족하는 것입니다. |
| |
그리고 많이 가지고 |
| |
실험 설계를 수행하거나 전반적으로 많은 실험을 수행하면 많은 데이터를 얻을 수 있습니다. |
| |
그리고 그 과정에서 이러한 실험이나 실험 설계를 수행하고 화학 회사이기 때문에 실험 결과에서 많은 데이터와 많은 스펙트럼을 얻습니다. |
| |
따라서 우리 실험의 대부분은... 값, 숫자, 스펙트럼을 제공하지 않습니다. |
| |
그리고 대부분의 경우, 제 경우처럼 실험을 하고자 한다면 저는 그러한 실험을 계획하고 분석하는 서비스를 제공하는 데이터 과학자입니다. |
| |
데이터 과학자가 아닌 동료를 위해 실험하고 전체 데이터 분석을 수행합니다. |
| |
그들은 최종 제품의 개발자이며 모든 데이터 분석 시간을 수행하는 서비스로 나를 데려갑니다. 대부분의 경우 스펙트럼 데이터를 설명하는 주요 매개변수인 해당 스펙트럼 데이터의 데이터에서 추출합니다. |
| |
그것은 중합의 경우 분자량 분포일 수도 있고, 당신의 크기를 의미할 수도 있습니다. |
| |
우리가 반응에서 얻은 폴리머는 반응의 시작일 수 있으므로 측정이나 다른 수단으로 반응의 종류를 감지할 수 있습니다. |
| |
따라서 데이터 분석에서 분석을 수행하는 경우 이러한 주요 매개변수를 추출하고 분석을 수행합니다. 대부분의 경우 이러한 주요 매개변수에 대한 고전적인 DOE 분석입니다. |
| |
그래서 |
| |
데이터 과학자로서 동료인 개발자를 위한 서비스로서 이러한 핵심 매개변수에 대한 분석을 수행합니다. |
| |
그들은 또한 저에게 고객 요구 사항을 제공하고 귀하는 이러한 고객 요구 사항을 충족하기를 원합니다. 그들은 귀하가 도달하려는 공식 또는 제품이 되고자 하는 최적의 장소입니다. |
| |
이렇게 하고, 분석을 하고, 최적화를 하고 나면 어느 시점에서 당신은 당신에게 가거나 나는 동료에게 가서 결과를 제시합니다. |
| |
그리고 주요 매개변수에 대한 모든 분석을 수행했기 때문에 해당 주요 매개변수에 대한 결과도 제시합니다. |
| |
문제는 내 개발 동료나 프로젝트 팀이 해당 분야의 전문가이지만 데이터 과학의 전문가는 아니라는 점입니다. |
| |
그래서 여기서 문제는 제가 핵심 매개변수에 대한 분석을 하고 핵심 매개변수의 언어로 대화를 하는데 그들이 자신의 전문 분야의 전문가로서 |
| |
그들은 여전히 스펙트럼을 생각하고 있습니다. 실험이 완료되었을 때, 그것이 그들이 얻은 분석이기 때문입니다. 그들은 내가 숫자를 보는 곳에서 스펙트럼을 봅니다. |
| |
핵심 매개변수로 결과와 분석을 제시해도 여전히 스펙트럼으로 생각한다는 문제가 항상 있습니다. |
| |
그래서 당신은 항상 당신이 다른 언어로 말하는 문제를 안고 있습니다. 나는 숫자의 언어로 말하고 그들은 스펙트럼의 언어로 말한다. |
| |
그런 다음 그 숫자를 스펙트럼을 의미하는 전문 분야로 변환해야 하는 문제로 이어집니다. |
| |
또는 이러한 주요 매개변수를 스펙트럼을 의미하는 언어로 번역해야 합니다. 운 좋게도 Functional Data Explorer와 함께라면 이것은 그러한 종류의 문제를 해결하기 위한 일종의 범용 번역기입니다. |
| |
그리고 제가 오늘 여러분에게 보여주고 싶은 것은 데이터 과학자가 숫자를 말하는 것과 개발자가 스펙트럼으로 생각하고 말하는 것 사이의 장벽 또는 언어 장벽을 극복하는 데 Functional Data Explorer가 얼마나 큰 도움이 되는지에 대한 세 가지 예입니다. |
| |
하나의 예에서 보여드리고 싶은 첫 번째 예는 프랙탈 인쇄에서 인쇄 품질을 설명하는 측정에 대한 매우 간단하고 사소한 예일 수 있습니다. |
| |
실험. 두 번째는 일종의 화학 반응을 정의하는 측정을 설명합니다. 그리고 세 번째가 있습니다. 그것은 폴리머의 분자량을 알려주는 측정입니다. |
| |
중합 반응 동안. 이제 PowerPoint 사용을 중단하고 JMP로 넘어가겠습니다. |
| |
제가 보여드린 첫 번째 예는... 말씀드린 대로 인쇄 품질 분석입니다. 따라서 측정을 하면 이상적이고 완벽한 스펙트럼은 |
| |
기울기가 1인 원점을 통과하는 매우 직선입니다. 따라서 완벽에 도달하면 이것이 이상적일 것입니다. 따라서 하나의 측정이 됩니다. 이번에는 인쇄 품질입니다. |
| |
일반적으로 얻을 수 있는 것은...정상적이며 실제 환경입니다. 실제로는 직선이 아닌 것처럼 보이지만 더 높은 값으로 약간 이동하여 선이 아니라 위쪽으로 구부러진 것을 얻습니다. |
| |
그러면 그 정보로 무엇을 하시겠습니까? 우리는 어떤 매개변수가 기본적으로 곡선을 위쪽으로 이동시키거나 구부러지게 하여 이상적이지 않게 만드는지 확인하고 싶습니다. |
| |
그래서 저는 우리가 주요 매개변수로 정의할 주요 매개변수로 이동합니다. 또는 기본적으로 직선과 여러분이 얻는 실제 선 사이의 차이입니다. 매우 간단합니다. |
| |
차이...이 점과 약간의 차이가 있습니다. |
| |
따라서 분석을 수행하면 주요 매개변수에 대한 분석도...이제 매우 간단한 분석이 됩니다. 저는 의사 결정 트리를 사용하여 어떤 매개변수가 가장 큰 영향을 미치는지 화면을 얻기 위해 이상적인 스펙트럼에서 벗어나고 매우 간단합니다. 우리는 약 22개의 영향 요인을 얻었습니다. |
| |
기본적으로 일부에 영향을 미치거나 이 이상적인 상황에서 벗어나도록 영향을 미치는 것을 볼 수 있습니다. |
| |
그리고 이것은 X 22라고 불립니다. 그것이 무엇이든 상관없습니다. 그래서 어느 순간 움직이면... |
| |
특정 값보다 크면 250이라는 숫자를 얻습니다. 특정 값 아래로 이동하면 196을 얻습니다. 문제는 이것을 개발에 말하면... 개발 분석, |
| |
그는 당신에게 물어볼 것입니다. 196 좋은지 또는 254 여전히 좋은지 또는 매우 나쁜지 또는 적합하고 그런 종류의 적합합니다. |
| |
문제는 순수한 숫자에 있습니다. 여러분은 그것을 실제로 볼 수 없습니다. 그래서 그가 다른 종류의... 다른 지역에서 다른 언어로 말하고 있기 때문입니다. |
| |
Functional Data Explorer를 사용하면 질문에 답하는 데 정말 큰 도움이 될 수 있습니다. 왜냐하면 Functional Data Explorer로 이동하여 Functional Data Explorer를 사용하여 함수의 데이터에서 동일한 분석을 수행하면 |
| |
다음과 같이 표시되는 것을 얻습니다. 그래서 그것은 당신을 보여줍니다, 그것은 그 또는 당신이 그에게 보여준 개발자를 보여줍니다 ...당신은 그에게 그래프를 보여줍니다. 그래프와 함께 그가 익숙한 그래프는 일반적으로 그의 측정이나 실험, 그가 수행하는 실험에서 얻습니다. |
| |
예를 들어 곡선의 모양에 영향을 미치는 동일한 매개변수가 있지만 마음에 들지 않으면 250이 있는 매개변수를 표시하는 경우에도 마찬가지입니다. |
| |
핵심 매개변수에 대한 분석에서 250이 될 것이고 196이 될 것이며 차이를 볼 수 있습니다. 정말 직선이 아니라는 뜻입니다. |
| |
하지만 그들이 지키고자 하는 숫자인 196에서 더 낮은 숫자처럼 아래로 내려가면, |
| |
별로 나빠보이지도 않고...완벽한 직선은 아니지만, 그렇게 많이는 아니지만... |
| |
데이터 과학자가 아닌 개발자, 개발자에게 이런 종류의 분석을 보여주면 |
| |
어쩌면 그것은 그에게 이미 충분히 좋은 것일 수도 있고, 당신이 괜찮다고 말하는 것일 수도 있습니다. 직선이 아니라 완벽하지 않지만 작업에 좋은 것입니다. |
| |
기본적으로 고객의 요구에 부합합니다. 그리고 그것은 당신이 그에게 보여주는 순수한 숫자에서 그가 보지 못하는 것입니다. 그래서 그런 경우에는 아주 사소한 예, 아주 간단한 예입니다. |
| |
그러나 Functional Data Explorer를 사용하면 전문가, 비 데이터 과학자, 아마도 자료 개발자의 언어로 대화할 수 있다는 본질을 얻을 수 있기를 바랍니다. |
| |
그리고 당신은 그의 지역이나 그의 언어로 이야기하고 있고, 그가 이 통찰력을 얻도록 돕고 그것은 숫자를 통찰력으로 스펙트럼으로 번역할 필요가 없지만 그는 그것을 보고 그가 필요로 하는 대답을 얻을 수 있습니다. |
| |
다시 말하지만, 매우 사소하고 매우 간단한 예입니다. 하지만 저는...데이터가 무엇인지의 본질을 보여주기를 바랍니다...Function Data Explorer가 달성하는 데 도움이 되기를 바랍니다. |
| |
자, 두 번째 예시로 넘어가면, 그것이 여러분이 탐지하고자 하는 화학 반응의 시작입니다. |
| |
그리고 우리는 ??? 특정 화학 제제를 가열하는 동안 모듈러스의 변화를 보고 싶습니다. 일반적으로 두 개의 큰 스펙트럼이 있습니다. 스펙트럼은 다음과 같을 것입니다. |
| |
특정 지점에서 위쪽으로 모듈러스가 변경되면 위쪽으로 가파르게 이동합니다. 그것은 일반적으로 여기에 있으며 화학 반응의 시작입니다. 따라서 해당 스펙트럼에서 추출하는 핵심 매개변수는 모듈러스가 급격하게 올라가기 시작하는 지점입니다. |
| |
그만큼 |
| |
좋은 추출의 핵심 매개변수는 그 점을 찾는 점입니다. 이제 원본 원시 데이터에서 포인트를 계산하는 것이 조금 더 복잡할 수 있지만 그럼에도 불구하고 반응이 시작되는 포인트를 확인한 다음 핵심 매개 변수에 대한 분석을 수행할 수 있습니다. |
| |
그렇게 하고, |
| |
핵심 매개변수에 대한 이 분석에서 얻은 것은 이 예에서 다섯 가지 매개변수를 기반으로 화학 반응의 종류를 예측할 수 있는 모델입니다. 그래서, |
| |
나는 볼 것이다. 좋아요, 화학 반응의 시작점에서...점 또는 이 핵심 매개변수는...그것에 따라 달라질 수 있습니다...이 세 가지 매개변수에 따라 달라집니다 |
| |
기본적으로 화학 반응이 시작되는 70도 정도에서 섭씨 100도 정도까지의 범위를 알 수 있습니다(죄송합니다. 틀렸습니다.). |
| |
예, 약 100도까지. 그래서 다시 총 스펙트럼을 하나의 숫자로 줄입니다. |
| |
개발에 이 화학 반응이 시작되는 단서를 제공합니다. |
| |
동일한 분석과 데이터를 수행하면...이미 데이터가 있으므로 주요 매개변수를 추출하려면 원시 데이터도 필요하므로 원시 데이터도 사용할 수 있습니다. |
| |
따라서 주요 매개변수에 대한 표준 회귀 방법을 사용하여 Functional Data Explorer 내에서 분석을 수행하는 데 더 많은 노력이 필요하지 않습니다. |
| |
그래서, |
| |
동일한 양 또는 동일한 데이터를 사용하고 Functional Data Explorer를 사용하여 |
| |
데이터를 분석하고 결과를 계산하는 데 몇 초밖에 걸리지 않습니다. |
| |
거기는. |
| |
다시 말하지만, 이제 전체 스펙트럼을 모델링할 수 있습니다. 그 특별한 경우에 저는 개발자에게 주요 매개변수에 대한 분석을 보여주지 않았지만 기능 데이터 탐색을 먼저 보여 주었습니다. 기능 데이터 탐색기. |
| |
그리고 내가 막 이사를 갔을 때...이동을 시작했고 그들에게 이것을 보여주고 영향을 미치는 요소를 돌아다니기 시작했습니다. 그들은 즉시 알아차렸습니다. |
| |
반응의 포인트가 바뀌는 것입니다. 그래서 나는 그들이 그 분야의 전문가이기 때문에 포인트가 움직이기 시작했다고 말할 필요가 없었습니다...스펙트럼 데이터에 대한 전문가, |
| |
그들은 기본적으로 화학 반응의 시작이 이동한다는 것을 즉시 인식했습니다. 여기에서 볼 수 있듯이 이동이 시작되는 것을 볼 수 있습니다. |
| |
다른 하나는 여러분이 보는 것입니다. 이제 기본적으로 전체 스펙트럼을 모델링했기 때문에 핵심 매개변수뿐만 아니라 보이는 것까지 모델링합니다. |
| |
스펙트럼을 움직이면 스펙트럼의 모양이 완전히 바뀝니다. 예를 들어, 그들은 봉우리가 움직이기 시작했고 봉우리의 높이가 |
| |
변화. 그것은 그들이 이 분석을 본 직후에 인식된 것이기도 합니다. |
| |
그리고 차이점은 핵심 매개변수에 있습니다. 일종의 화학 반응을 의미하는 하나의 주요 매개변수에 대한 기회를 추출하면 다른 주요 매개변수를 사용할 수 있습니다. |
| |
여기에서 최적의 위치 또는 최대 피크의 위치 또는 최대 피크의 높이를 알려줍니다. |
| |
그런 다음 스펙트럼 데이터를 다른 종류의 주요 매개변수로 사용하여 이후에 이러한 주요 매개변수를 분석하고 표시하여 최적값을 계산할 수 있습니다. |
| |
그러나 좋은 점은 Functional Data Explorer를 사용하면 이 모든 정보를 하나로 얻을 수 있다는 것입니다. |
| |
분석. 그리고 당신은, 내가 전에 언급한 것처럼, 당신은 말을 멈추거나... 당신은 숫자로 말하는 것이 아니라 숫자로 말하거나 스펙트럼 데이터의 그들의 언어로 말하며 이러한 주요 매개변수를 번역할 필요가 없습니다. 더 이상 스펙트럼의 세계로. |
| |
예, Functional Data Explorer에서 이에 대한 훨씬 더 많은 정보를 얻을 수 있으며 기본 프로세스에 대한 더 깊은 통찰력을 얻을 수 있습니다. |
| |
예, 이제 마지막이자 마지막 예입니다. 그건 |
| |
제가 말했던 중합 과정은 기본적으로 분자량 분포를 결정하는 것입니다. |
| |
이는 중합 반응의 결과입니다. 다시 말씀드리지만 분자 분포를 결정하는 것은 일반적으로 까다롭습니다. |
| |
전체 분포를 특정 주요 매개변수로 가져오거나 줄입니다. 일반적으로 일반적인 스펙트럼은 어떻게 생겼습니까? 그래서 폴리머의 몰 질량을 보여주는 일반적인 스펙트럼을 넣어 폴리머 사슬에 있는 반복 단위의 수를 모두 만들어 봅시다. |
| |
이것이 화학 반응과 측정에서 얻는 것입니다. 따라서 잘 알려져 있거나 핵심 매개변수인 핵심 매개변수는... |
| |
그것은 수 평균 몰 질량이고 질량 평균 몰 질량 Z-평균 몰 질량과 다분산도입니다. |
| |
이는 질량 평균 몰 질량을 수 평균 몰 질량으로 나눈 값입니다. |
| |
다분산도인 PDI는 분자량 분포의 넓이 또는 크기를 나타냅니다. |
| |
다시 말하지만, 원시 데이터 또는 스펙트럼 데이터에서 계산하는 이 4가지 주요 매개변수가 있으면 이미 해당 데이터를 사용할 수 있습니다. |
| |
키 매개변수를 계산합니다. 아무 것도 아닌 표준 기술을 사용하여 분석을 다시 수행할 수 있습니다. |
| |
그리고 나서 당신은 당신에 대한 모델을 얻습니다...이 경우에는 4개의 침해 매개변수입니다. 이 경우에는 3개입니다. 저는 다분산성을 넣지 않았습니다. |
| |
세 가지 주요 매개 변수 아래. 그리고 보시다시피...이 4가지 요소를 변경해도 수평균 몰 질량은 그다지 많이 변하지 않는다는 것을 알 수 있습니다. 따라서 수평균 몰 질량에 대한 이 4가지 요소에 대한 영향은 그리 크지 않습니다. 꽤 크고 꽤 중요합니다 |
| |
여기서 볼 수 있듯이 질량 평균 몰 질량입니다. 그래서 꽤 움직일 수 있으니 그 차이가 꽤 크니까 150,000 정도? 총 몰당 최저 설정과 최고 설정 간의 차이. |
| |
하지만, 이 숫자가 상당히 크게 변한다는 의미이며 분산도가 변해야 한다거나...또는 상당히 많이 변해야 한다는 의미는 아닙니다. |
| |
문제는 분포가 어떻게 보이는지 이 숫자에서 볼 수 없다는 것입니다. 따라서 모양을 제공하지 않습니다. 우리의 경우 모양을 갖는 것이 매우 중요합니다. |
| |
폴리머의 가공성에 상당히 극적으로 영향을 미칩니다. 그래서 |
| |
3개의 숫자와 다분산성만 있으면 모양이...또는 |
| |
분포가 단분자 분포, 이봉, 삼봉인 경우. |
| |
여러분이 보거나 분산에 대해 이야기할 수 있는 것은 아마도 분포의 폭을 나타내는 지표를 제공할 수 있지만 피크가 하나인지, 피크가 두 개인지 또는 피크가 세 개인지 알려주지는 않습니다. |
| |
그러나 우리가 얻는 최종 재료 특성에는 상당한 차이가 있습니다. |
| |
개발 중인 점착 테이프의 성능을 변경하거나 폴리머의 성능을 변경합니다. |
| |
이제 다시 원시 데이터를 이미 사용할 수 있으므로 Functional Data Explorer를 다시 사용하여 이러한 통찰력을 얻거나 이들에서 더 많은 정보를 얻을 수 있습니다. 이 모든 데이터는 핵심 매개변수에서만 얻을 수 있습니다. |
| |
다시 한 번 몇 초가 걸리지만 완료됩니다. |
| |
그리고 다시 한 번, 분석에 대한 멋진 것은 없으므로 Functional Data Explorer를 작동하기 시작하는 것도 멋진 일이 아닙니다. |
| |
일반적이지 않은 경우 Y로 내보내기를 가져오고 샘플 ID를 입력한 다음 DOE에서 인수를 입력합니다. |
| |
그것들을 넣고 시작 버튼을 누르면 기본적으로 그게 다입니다. 이제 기본적으로 모델 매개변수에 맞출 수 있습니다. |
| |
그러나 이것은 매우 간단하고 간단한 절차이며 다시 말하지만 모든 데이터를 몇 가지 주요 매개 변수로 줄이면 관심 있는 기본 부분에 대해 훨씬 더 많은 통찰력을 얻을 수 있습니다. 그 경우, |
| |
하나의 핵심 매개변수는 실제로 많이 변경되지 않고 다른 매개변수는 많이 변경된다는 것을 보여드렸지만 형식을 제공하지 않으므로 분포에 대한 표시나 느낌을 얻지 못합니다. |
| |
이 경우 이 도구를 다시 사용하면 통찰력을 얻을 수 있습니다. 왜냐면 한 지점이 크게 변경되기 전에 다른 지점은 그렇지 않았기 때문입니다. |
| |
예를 들어 어떤 종류의 변화를 알고 있다면 그런 경우입니다. |
| |
그 정점은 어깨와 비슷합니다. 실제로 정점은 아니지만 영향을 미치는 요인을 변경하면 실제로 정점을 얻는 지점에 도달합니다. |
| |
네, 그래서 두 번째 피크를 얻습니다. 중합 메커니즘이나 기본 중합 메커니즘에 대해 알려줍니다. |
| |
세 개의 숫자만 보면 핵심 매개변수에서 얻을 수 없습니다. |
| |
그러나 여기에서는 개발자의 전문 분야이기 때문에 표시를 제공하거나 개발자에게 무언가를 트리거할 수 있습니다. 기본 메커니즘을 이해하는 데 도움이 되는 무언가를 트리거한 다음 |
| |
그가 다음 단계를 수행하도록 돕거나 다음 단계를 더 잘 수행하여 다음 실험을 이전보다 훨씬 더 잘 계획할 수 있도록 도와줍니다. |
| |
제 예를 마치겠습니다. 따라서 Functional Data Explorer가 실제로 다음을 시각화할 수 있다는 것을 보여줄 수 있기를 바랍니다. |
| |
전문 분야의 개발자에게 결과를 제공합니다. 내 말은, 우리의 경우 대부분의 개발자는 데이터 과학자가 아니라는 점을 명심하세요. |
| |
그들 |
| |
결과에 도달하는 방법에 대해 믿지 않거나 그다지 관심이 없을 수도 있지만 결과에 더 관심이 있고 |
| |
문제가 있습니다...또는 Functional Data Explorer를 사용하여 그들의 언어나 전문 분야로 대화할 수 있다면 우리의 경우 화학 회사, 스펙트럼 데이터, 에게 |
| |
스펙트럼 데이터를 일부 주요 매개변수로 줄이고 주요 매개변수에 대한 분석을 수행하기 위해 귀중한 데이터를 버립니다. |
| |
실제로 어떤 주요 매개변수가 스펙트럼, 스펙트럼의 형태, 스펙트럼의 모양에 영향을 미치는지 설명해야 하지만 데이터를 사용하고 |
| |
스펙트럼의 형태와 형태 및 스펙트럼이 어떻게 변하는지에 대해 연구하고 있는 요인에 대한 이러한 영향을 그들에게 보여주기 시작할 것입니다. |
| |
그리고 많은 경우, 어떤 경우에는 동일한 통찰력을 얻을 수 있지만 많은 경우 FDE를 사용하는 분석은 훨씬 더 많은 통찰력을 제공하고 기본 메커니즘에 대한 더 깊은 통찰력을 제공합니다. |
| |
그리고 스펙트럼 데이터를 일부 주요 매개변수로 줄이는 과정에서 귀중한 데이터를 많이 버릴 필요가 없습니다. |
| |
그런 의미에서 제가 이 자리에 서서 좋은 결과를 발표할 수 있도록 모든 실험 작업을 수행한 R&D 부서의 동료들에게 감사드립니다. 그리고 |
| |
프레젠테이션을 마쳤습니다. 많은 관심 부탁드립니다. 질문이 있으시면 언제든지 문의해 주십시오. 매우 감사합니다. |
