안녕하세요, 좋은 아침. 좋은 저녁 여러분.
내 이름 라이사야.
나는 ㅏ 조작 품질 엔지니어 ~의 적용된 재료, 대만.
나 시작했다 에게 배우다 JMP ~에 시작 ~의 이것 년도.
최근에, 나 통과하다 이것을 편집했습니다 인증 시험
~와 함께 점수, 925 ~에 이것 칠월.
오늘, ID 좋다 에게 만들다 ㅏ 짧은 프레젠테이션
~에 대한 QN 즉시 수정 시간 분석 ~에 의해 JMP.
처럼 우리 알다, 한 번 ㅏ 품질 공고 치유법 ~이다 만들어진,
그것 ~ 해야 하다 가져가다 추가의, 더 또는 더 적은 시간 에게 고치다 문제,
그리고 5월 영향 ~에 생산 계획 그리고 일정.
그러므로, 우리는 좋다 에게 찾다 ㅏ 최악의- 사례 ~에 의해 분석.
좋아요.
을 위한 분석, 여기 ~이다 다섯 에스 Ub 주제 ~에 의제.
첫 번째, 그만큼 뿌리 원인 분석 ~의 QN 수정주기 시간,
그래픽 근본 원인 분석 요약,
적합 모델, 파티션 비교, 신경 모델,
그리고 그럼 H 하이브리드 문자 M 이닝
그리고 그만큼 데이터 채광 분석.
마지막으로, 가져가다 떨어져 있는 학습.
좋아요, 하자 얻다 시작되었습니다.
히스토그램.
1위 층 ~의 근본 원인 분석 ~의 QN 고치다 주기 시간.
전에 조사, 생각하다 ~에 대한 저것.
어떤 시나리오 영향 ~에 QN 수정 사이클 T 지금
그리고 어떻게 긴 ~이다 견딜만해?
먼저,
정의하다 다섯 날 ~처럼 ㅏ 기준
그리고 또한 ㅏ 열쇠 상태 에게 C-와이드 팔로우 확산 나 n 표현
그리고 이내에 다섯 날,
우리 사양에 그리고 성공 기준.
~에 그만큼 다른 손, ~ 위에 다섯 날 밖으로 ~의 투기 실패 분석,
나중에, 나 만들다 곧장 ㅏ 고장 에게 SA 그리고 FA.
알아채다 이것 그늘 ~의 분포 ~ 사이 SA 그리고 그만큼 파.
그 동안에, 바라보다 ~에 그만큼 모자이크 구성
~을 위한 그만큼 비율 ~의 각 범주
에게 미루다 ㅏ 잠재적인 r 이유가 있다
~을 위한 그만큼 성공 분석.
우리 ~할 수 있다 보다 그만큼 솜씨 그리고 제조 재작업,
~인 것 같다 에게 가지다 빠른 응답 그리고 더 나은 고치다 주기 시간.
을 위한 파 치수 문제, 가져가다 더 고치다 주기 시간.
그것 ~이다 분명한 변화 ~에 FA 시간.
분포 ~ 사이 SA 그리고 그만큼 파,
가정하다 FA 시간이라면 ~이다 하나 ~의 그만큼 열쇠 요인,
S1~ 영향 f ixc ycle 시간.
그만큼 박스 P 많은.
박스플롯은 ㅏ 그래프 ~의 그만큼 분포 ~의 마디 없는 변하기 쉬운.
그러므로, 구성 계속 결정된 주기 시간 중첩된 것과 비교 구조,
범주형 국가 아래에 방지
에게 찾다 다른 요인 영향 고치다 주기 시간 또는 아니다.
그것 디스플레이 그만큼 다섯- 숫자 요약 ~의 설정 데이터.
그것 ~이다 비 파라메트릭 도구 에게 사용 중앙값 ~처럼 본부 성향.
게다가, 거기 ~이다 일부 관찰 ~에 상자 그림 그래프.
먼저, 최소 일곱 가리키다 에게 감지하다 그만큼 첫 번째 이상치.
그렇지 않으면, 그것 수염(비뚤어짐)이 되다 그룹 문제
어디 견본 크기 ~이다 더 적은 ~보다 일곱 .
둘째, 관찰 나사로 죈 분포
~에 의해 상자 너비 또는 수염 길이.
어떻게 에게 핸들 가장자리 가의 이상값,
어느 ~이다 우리 생각하다 2 시그마 GRR 잡음 ~에서 수염 결정
그리고 뒤쪽에 에게 그만큼 근본 원인 분석,
그것 ~이다 ~ 아니다 어려운 에게 찾다 ㅏ 재활용 시간
~의 그만큼 방지 대사
~이다 많이 더 길게 ~보다 다른 방지.
그리고 ~와 함께 저것,
X2 봉쇄 그리고 X₃ 국가 여기.
히트맵.
히트맵 ~이다 또 다른 그래픽 도구
탈북하다 데이터 값 ~에 의해 색상.
ㅏ 이득, 지금까지 우리 모으다 삼 입력 요인,
결함 유형 히스토그램, 방지 그리고 국가 ~에서 상자 그림
그리고 ~에 주문하다 에게 따르다 학습 분기 영향
분기 입력 영향 ~에 결정된 주기 시간.
여기 ~에 뒤쪽에 범주형 결함 유형이라고 함 ~에 Y축
그리고 그만큼 색상 주기 시간
그리고 유지하다 버스 전조 구조.
범주형 국가 아래에 방지 ~에 엑스 그리고 엑스 그룹.
그 다음에 사용 8 ~에 의해 9 공들여 나열한 것 바라보다 균형
에게 빠르게 잡다 밖으로 그만큼 최고
그리고 그만큼 최소한의 사이클 시간 시나리오.
을 위한 파, 그것 ~이다 쉬운 에게 찾다 ㅏ 작은 빨간색 영역, 오른쪽?
그만큼 도서관 하이라이트 그만큼 가장 긴 고치다 주기 시간.
그걸로 교체 대만 손상 부속,
~에 그만큼 최악의 사례 ~을 위한 주기 시간.
그만큼 대사 유나이티드 상태
그리고 그만큼 치수 문제 부속 ~이다 그만큼 두번째 최악의 대본.
을 위한 SA ~이다 세트 ~을 위한 치수 그리고 손상 결함.
기타 ~이다 쉬운 에게 빠르게 고치다.
을 위한 파레토 C 수사슴,
에게 더 나아가 분석하다 그만큼 파 그리고 SA ~에서 히트맵 ,
히트맵은 반드시 사용 둘- 차원 파레토 차트 ~에 의해 에게 변하기 쉬운
결함 유형 그리고 그만큼 국가 아래에 특정한 방지.
여기 ~이다 X₁ 결함 유형,
X투 방지 그리고 X₃ 국가 우리 말하는 전에.
그 다음에 추가하다 추가의 워크스테이션 X₄ 여기
~에 그만큼 의 과정 파레토 C 수사슴 에게 시각화하다 빈도 이벤트.
지금 ~을 위한 FA 실패 분석,
우리 얻다 교체 높은 작업 공급자 손상 문제,
자주 일어나다 ~에 CVD 서비스 사기
또는 교체 유나이티드 상태 공급자 치수 문제
자주 발생 ~에 CVD 워크스테이션.
~ 안에 그만큼 같은 방법 ~을 위한 엑스 분석,
대신에 치수 문제 또는 손상된 결함,
유나이티드 이전의, 기능의 그리고 ㅏ 솜씨 문제
~할 수 있다 빠르게 고치다 ~에 CVD 주요한 시험.
현재, 우리 가지다 네 입력 요인 그리고 SA 그리고 FA 빈도.
을 위한 인터페이스, 우리는 하나 ~이다 더 관심
~이다 통과하다 또는 실패하다 빈도 또는 순수한 주기 시간.
그 다음에 표로 만들다.
여기 놓다 우리의 이전의 언급하다 ~의 요인 X₁ ~ X₄ ~을 위한 ~에 표로 만들다.
그 동안에, 표로 만들다 순수한 주기 시간 그리고 빈도 ~ 안으로 ㅏ 계정
에게 하다 더 나아가 비교.
을 위한 FA, CVD 서비스 사기, 손상 문제,
대만 공급자 필요하다 대사,
정말 시간이 걸렸어 더 길게 사이클 시간
하지만 그만큼 빈도 ~이다 지금 그만큼 제일 높은,
좋다 일곱 타임스 여기,
그만큼 수단 ~의 그만큼 주기 시간, 34 일은 많이 더 길게 ~보다 다른 사람.
을 위한 SA, ~에 CVD 모터 시험,
우리 ~할 수 있다 측정하다 문제 ~에 유나이티드 상태 이전의
그리고 결정된 ~에 의해 제조 재 일하다.
심지어 거기 ~이다 오직 하나 낮 ~에 그만큼 테이블,
하지만 그만큼 빈도 그리고 ~이다 멀리 ~도 낮은 에게 BE 진실.
여기 나 요약하다 그만큼 주요 요점.
따르다 근본 원인 분석,
사용 다른 그래픽 JMP 플랫폼
~에 공학 그리고 크기가 큰 가성
순서 에게 전도성 이전 근본 원인 분석.
~ 안에 이전의 미끄러지 다, 나 보여주다 히스토그램, 박스 플롯,
히트맵, 파레토 차트 그리고 그만큼 표로 만들다.
두번째, 식별하다 ㅏ 잠재적인 입력 X
에게 보호하다 QN 결정된 주기 시간.
ㅏ 녹음 에게 그만큼 표로 만들다, 그만큼 FA 결과 ~에서 ㅏ 손상 문제,
대사, 대만 공급업체 그리고 CVD 서비스 워크스테이션.
다음, 짓다 ㅏ 모델 에게 예측하다 QN 고치다 주기 시간
그리고 확인 ~의 그만큼 뿌리 원인.
전에 입력 각 모델의 세부 사항,
여기, ID 좋다 에게 소개하다 모델 선택 그리고 그만큼 비교를 먼저 해보세요.
그만큼 맞다 모델, 고려하다 데이터 구조 그리고 ㅏ 분포.
여기 ~이다 일부 도전 ~에 맞다 모델.
을 위한 비뚤어진 분포, 사용 통나무 변환, 하지만 아니요 돕다.
모든 입력 변하기 쉬운, X₁부터 X₄까지는 범주형 유형.
후에 나 짓다 우리의 60 % ~의 워크스테이션 범주,
R-제곱 증가 6 % 오직.
확인하다 의존 ~ 중에 ㅏ 범주형 변하기 쉬운
서신으로 분석 부분.
그것 ~이다 낮은 위험 왜냐하면 그만큼 더 가까이 것들 ~이다 에게 ㅏ 지역,
그만큼 더 적은 별개의 저것 그들 아마 이다.
~ 안에 다른 단어, 그만큼 더 멀리 떨어져 있는 그만큼 더 별개의.
두번째, 근접성 ~ 사이 라벨 아마 나타내다 ㅏ 유사성.
을 위한 분할 나무 모델,
그만큼 ...을 더한 포인트들 ~이다 분포 무료 모델,
나뉘다 기반을 둔 ~에 데이터 사용 가능,
작은 과적합 우려,
하지만 마이너스 포인트들 재귀적 나뉘다.
그러므로, JMP를 사용하다 영사기 화면 ~에 의해 무작위의 숲
에게 평균 ㅏ 재귀적 제품
그리고 찾다 밖으로 ㅏ 다섯 입력 요인 ~와 함께 그들의 순위.
그것 ~이다 편리한 그리고 ㅏ 빠르게 방법 에게 찾다 중요한 입력
에게 최적화하다 또는 개선하다 모델.
에 관하여 ㅏ 신경 회로망,
그만큼 ...을 더한 포인트들 ~이다 강한 변환 모델,
둘 단계 훈련 그리고 ㅏ 확인 모델.
하지만, 그만큼 마이너스 ~이다 중요한 과적합 우려 .
어느 모델 ~이다 더 적절한 에게 BE 믿었다
저것 간다 ~을 통해 각 모델 결과?
오다 뒤쪽에 적합하다 모델, 기본 이벤트 오직.
만약에 우리의 점수 그렇지 않다 높은,
오직 30 % 틀렸다,
왜냐하면 데이터 ~이다 극심한 올바른 왜곡.
유의미한 것으로 관찰됨 수준 ~의 위험,
그래서 맥스 아르 자형- 정사각형 약 단지 47 % ~이다 ~ 아니다 그만한 가치가 있다
그리고 사용 통나무 변환 ~의 그만큼 주기 시간 변하기 쉬운
에게 피하다 ㅏ 부정적인 숫자 ~의 95 % 신뢰 간격,
하지만 아니요 도와주세요 많은 그래서 로그 선택 ~이다 밖으로.
그만큼 다음 ~이다 분할 나무 모델.
여기 ~이다 삼 분할 모델,
~이다 기준선 모델,
모델 확대
그리고 ㅏ 모델 단순화.
경험 ㅏ 시리즈 ~의 개선 당 공학 그리고 그만큼 논리적 생각
그 R 정사각형 향상 에게 62 % ~에서 38% 기준선 모델.
모든 세부 사항 ~ 할 것이다 보여주다 너 단계 ~에 의해 단계 ~에 수행원 미끄러지 다.
모델 증대하다.
동안 이것 단계, 우리 개선하다 모델 20 %.
어디 ~이다 그들 에서?
첫 번째, 그들 ~ 할 것이다 현재의 개선하다.
여기, 바꾸다 QN 나이 에게 즉시 수정 주기 시간
예의를 위해 경험, 하지만 아니요 돕다.
두번째, 6% 그리고 추가하다 하나 엑스 요인 워크스테이션.
기억하다 그것 ~이다 내보내다, 우리 발견하다 ~에서 파레토 C 수사슴.
UD 코드 된다 더 적은 비판적인 ~에서 26 % 에게 8 % 오직.
그만큼 세 번째와 아노 거기 4 % ~에 의해 바꾸다 에게 방지 ~에서 UD 암호.
지금, 확인하다 ㅏ 기부금 순위 여기.
그만큼 숫자 둘 ~이 되다 워크스테이션 대신에 ~의 국가 더 이상.
모델 내 단순화,
여기, 개선하다 추가의 6 % 아르 자형 정사각형 ~에 의해 모델 단순화.
전에 단순화 모델,
그만큼 ...을 더한 ~이다 모두 대본 아래에 고려 사항,
하지만 좋다 마이너스 둘, 많은 카테고리 ~할 것 같다 묽게 한 예측하다 힘.
~ 안에 단순화 모델,
필터링 밖으로 미성년자 카테고리 ~와 함께 보다 적은 카운트,
좋다 제거하다 60 % 카테고리 ~의 워크스테이션,
그만큼 총 양 감소하다 에게 270 ~에서 426.
확인하다 다시, 그만큼 기부금 순위,
그만큼 결함 유형 그리고 우리의 워크스테이션 ~이다 아직 그만큼 숫자 하나 그리고 그만큼 숫자 둘.
지금, 우리 가지다 더 신뢰 에게 사용 그만큼 모델
에게 예측하다 그만큼 파 그리고 SA.
을 위한 분할 나무 모델 최적화
~처럼 나 말하는 전에,
그만큼 주요한 기여자 ~이다 결함 유형 & 워크스테이션
약 파레토 C의 경우 80% 온셉트.
비교하다 SA의 결함 유형 그리고 FA 예측.
을 위한 SA 여기, 그것은 라벨링 문제.
만든다 감각, 우리 ~하지 않다 경비 더 시간 에게 고치다 모든 문제.
을 위한 파, 그것은 손상.
예, 그것 ~일 것이다 가져가다 많이 더 주기 시간.
에 대한 ㅏ 워크스테이션 비교 ~ 사이 SA 그리고 파
PVD 기계적인 그리고 CVD 기준 치수 시험 장치.
현재, 그것 아직 필요 더 나아가 분석 그리고 이해.
에 대한 FA 국가 여기, ~에 ㅏ 프로필 또는 예측 프로필 ~이다 평평한.
그렇지 않다 티 국가 영향 QN 고정됨 주기 시간?
~이다 그렇죠?
에게 답변 그만큼 질문 여기, 나 소개하다 그만큼 모델 한정,
재귀적 분할.
재귀적 파티션, 잇달아 일어나는 의존 위험.
요인 국가 ~이다 확산 육 타임스,
그리고 오직 하나 시간 일어나다 ~에 더 높은 주기 시간 무리.
그런 재귀적 의존 한정 5월 영향을 미치다 예측 모델.
그만큼 세 번째 모델,
신경 회로망 (인공지능).
여기 관찰하다 극심한 과적 합 우려
~ 사이 훈련 그리고 그만큼 변화 R스퀘어.
만약에 R-제곱 ~ 사이 훈련 세트 그리고 V 동맹 세트
~이다 ~ 위에 20 %, 그것 가지다 과적 합 우려.
게다가, 우리 찾다 거기에 신경 모델,
그만큼 숫자 하나 순위 ~이다 워크스테이션,
그리고 그만큼 숫자 둘 ~이다 잘못 ~에 의해
어느 ~이다 다른 ~에서 이전의 분할 모델.
을 위한 SA, 그만큼 워크스테이션 ~이다 ~에 각색,
CCT 준비, 어디 재료 ~이다 가져왔다 함께
~ 전에 입력 제조 결함 ,
그리고 그것 그렇지 않다 경쟁력이 있다 작업 프로세스.
한 번 그만큼 문제 일어나다, 그것 ~할 수 있다 BE 결정된 빠르게.
만든다 감각.
을 위한 파 ~에 그만큼 CVD 서비스 사기,
그것 경쟁력이 있다 작업 프로세스.
예, 그것 했다 에게 가지다 더 길게 주기 시간 에게 대하다 어려운 문제.
까지 지금, 우리 이미 가지다 삼 모델,
나무 모델 분할 그리고 그만큼 신경 모델,
그리고 어느 모델 ~이다 많이 더 적절한 그리고 만나다 현실.
그러므로,
모델 비교 그리고 선택,
근본 원인 분석, 그래픽 도구
손상 문제 대사,
대만 CVD 서비스 사기 ~이다 그만큼 최악의 대본 ~와 함께 더 길게 결정된 주기 시간.
현재, 신경 모델 가지다 그만큼 동일한 대본
~처럼 그만큼 그래픽 근본 원인 분석,
하지만 걱정되는 건 과적합뿐 위험.
게다가, 그만큼 삼 모델 가지다 매우 닫다 예측
~에 가장 나쁜 주기 시간 이내에 1.2 날.
그만큼 마지막으로 할게 소개하다, 시험 채광 그리고 그만큼 데이터 채광 잡종.
현재 ~에 QN D 아타 베이스, 그것 아직 가지다 시험 전령 결과 잘
에게 그런 더 정보 ~에 대한 긴 주기 시간 QN에서 시험 장치 변하기 쉬운 데이터 베이스.
사용 JMP 테스트 탐색기 에게 발견하다 일부 빈도 키워드
그런 ~처럼 여기, 나 원 바꾸다, 재작업, 치수 그리고 그만큼 F10246
프로젝트 에게 하다 더 나아가 분석,
그 다음에 전환하다 그들을 에게 바이너리 탐지기,
지휘하다 ㅏ 더 나아가 데이터 채광 그리고 그만큼 근본 원인 분석
F10246 케이스를 통해 히트맵 그래프.
여기, 놓다 치수 지시자 아래에 F10246
그리고 방지 바꾸다 그리고 답장 에서 작동 와이.
에 따라 에게 그만큼 열 지도 결과, F10246
그게했다 시달리다 많이 ~의 고치다 주기 시간
저것 다른 프로젝트 ~에 의해 색상 결과
그리고 확인하다 치수 탐지기 관찰됨 ~이다
~ 아니다 오직 치수 문제, 하지만 또한 우리의 다양한 결함 원인
긴 주기 시간, 심지어 만약에 단지 ~이다 결정된 ~에 의해 재작업.
~ 안에 그만큼 끝, 여기 ~이다 나의 테이크아웃 학습.
JMP G 라피칼 플랫폼 ~이다 매우 강한 에게 지휘하다
더 깊게 아르 자형 원인분석 ~을 통해 공학
그리고 그만큼 논리적, 데이터- 중심의 프로세스
그리고 비교하다 그리고 선택하다 ㅏ 더 적절한 JMP 모델
~에서 권위 있는 핏 M 오델, 피 예술 그리고 ㅏ 신경 회로망
~에 의해 앎 그만큼 모델 한정
그리고 그만큼 위험 ~의 연결 에게 이전의 그래픽 근본 원인 분석.
지휘하다 ㅏ 잡종 문자 M 이닝 및 데이터 마이닝 R 앗 원인 분석
~에 그만큼 복잡한 QN 데이터베이스.
결정적인, ID 좋다 에게 감사하다 GCI 중 BB 찰스 첸 ~처럼 나의 프로젝트 멘토르
그리고 그건 모두 나의 프레젠테이션.
감사하다 너 ~을 위한 당신의 시간 그리고 주목.
감사하다 너.
