398682_ko-KR

liliconcom

JMP® Pro 16의 외삽 제어 기능을 활용하여 실제 마이닝 프로세스 최적화(2021-US-30MP-844)

레벨: 초급

 

Xinjie Tong, Dow 수석 연구 통계학자

 

이 사례 연구는 채광에서 광물 회수 성능 측면에서 12가지 유형의 거품을 평가하는 것을 목표로 합니다. 거품 유형 외에도 입력 변수에는 연속 변수로 입자 크기(코딩 값: 0, 0.35, 1)가 포함되고 범주형 변수로 물 유형(Type A, Type B, Type C)이 포함됩니다. 응답 변수는 광물 회수 효율입니다.

예측 프로파일러의 외삽 제어 기능을 사용하여 정규화된 T 제곱 미터법을 기반으로 하는 입자 크기 = 1일 때 물 유형 B에 대해 가능한 외삽이 관찰되었습니다. 이 외삽은 물 유형 B에 대한 측정이 입자 크기 = 0.35일 때만 취해진 DOE의 불균형으로 인해 발생했습니다. 신뢰할 수 있는 최적의 솔루션을 달성하기 위해 광물 회수 효율을 최적화하기 위한 노력으로 외삽 제어가 켜졌습니다.

DOE가 더 균형을 이루도록 증대되었을 때 외삽 문제가 사라졌습니다. 외삽 제어 기능은 불균형 DOE를 증대하는 것이 예측 모델의 유용성을 크게 향상시킬 수 있는 방법에 대한 즉각적인 이해를 제공했습니다.

 

 

자동 생성된 대본...

 

스피커	성적 증명서
조쉬 스턴튼	안녕.
통 신지에	안녕 조쉬.
조쉬 스턴튼	안녕하세요 징징입니다.
통 신지에	네, 좋아요.
조쉬 스턴튼	이렇게 하는 데 동의해 주셔서 감사합니다. 귀하의 프레젠테이션을 듣게 되어 기쁩니다.
통 신지에	감사합니다. 어떻게 시작할 수 있습니까?
	시작하기 전에.
조쉬 스턴튼	네, 간단한 체크리스트가 있습니다. 저는 그냥 살펴보고 싶었습니다. 혹시 있다면.
	너의 나는 아직 켜져 있는 너의 전화기다.
통 신지에	글쎄요.
조쉬 스턴튼	네 있습니다.
통 신지에	좋은 알림 감사합니다.
조쉬 스턴튼	JMP 디스커버리 서밋을 위해 녹음되고 있음을 이해하는 것처럼 이것이 녹음되는 내용을 알고 있다는 구두 확인을 빨리 받아야 합니다.
	회의에 참석하면 이 녹음 및 사용에 대한 권한을 부여하기 위해 작업 사용자 커뮤니티에서 공개적으로 사용할 수 있습니다.
	예, 예, 좋습니다.
	형식 그들은 위대하고.
	나는 당신의 배경이 모든 것이 좋아 보이는 것을 좋아하고 당신의 디스플레이가 1920 곱하기 10 at으로 설정되어 있다면 당신이 알고 있는 유일한 것인 것 같습니다.
통 신지에	저는 사실 그렇지 않습니다.
	분명히 알고 있습니다.
통 신지에	디스플레이 설정이 정말 빠릅니다.
	나는 119를 20 곱하기 1080을 본다고 생각한다.
조쉬 스턴튼	오 완벽하다.
통 신지에	그래 좋아.
조쉬 스턴튼	네, 완벽합니다. 이 작업은 외삽 제어 기능과 JMP pro 16 최적화된 보상 마이닝 프로세스 2021 us 30 MP를 활용하는 것입니다.
	잘됐네요 그래서 가겠습니다.
	프레젠테이션을 시작할 수 있는지 확인하고 슬라이드를 진행하고 싶습니까?
	당신 쪽에서 모든 것이 좋아 보이면 내 비디오가 음소거되는 것을 중지하고 당신에게 전달합니다.
통 신지에	그래서 우리는 정말 빨리 시도 할 수 있습니다.
조쉬 스턴튼	당신이 제시하고 싶다면 나는 확실히 할 수 있습니다.
	우리는 당신의 슬라이드를 볼 수 있습니다.
통 신지에	네, 그래서 먼저 내 화면을 공유해야 합니다.
	응.
통 신지에	그리고 내 화면이 보입니다.
	네, 그래서 저는 아마 I'm not에서 약간의 데모를 할 것입니다.
	DEMO를 해야 합니다. 그렇게 하면 이 작업을 수행할 수 있습니다. 괜찮습니다. 그런 다음 슬라이드로 돌아갑니다.
조쉬 스턴튼	그렇군요 그렇군요 괜찮습니다.
	그리고 우리는 비디오 내에서 편집이 수행되지 않는다는 것을 알고 있습니다.
	하지만 실수를 하면 알 수 있습니다.
	그냥 유지하려고합니다.
	우리는 모두 여기 있는 인간이기 때문에 실수를 해도 괜찮습니다.
	당신이 안다고 생각한다면, 하지만 당신이 정말로 생각한다면 그것이 재앙적인 일이었다고 생각한다면 당신은 보고 싶습니다.
	이제 그냥 할 수 있습니다.
	우리는 할 수 있습니다. 우리는 그것을 시작할 수 있습니다. 큰 거래는 아니지만 그렇습니다. 하지만 약간의 실수가 당신을 귀찮게 하는 것을 허용하지 마십시오.
	당신은 그가 될 것입니다.
	네 네.
통 신지에	그리고 발표 시간은 20분 정도인 것 같아요.
	알겠습니다.
	같은 요구 사항.
조쉬 스턴튼	모든 사람이 약간씩 다르다는 사실을 확신할 수는 없지만 저는 그렇지 않습니다.
	네, 시간에 대해 너무 걱정하지 마십시오. 그것들은 단지 여러분이 알고자 하는 일종의 지침입니다.
	좋아, 댄 그리고 당신이 조사한 것을 꺼내면 우리는 그것을 볼 수 있습니다.
통 신지에	좋아요, 좋은 것 같군요. 그렇다면 발표를 시작하겠습니다.
조쉬 스턴튼	네, 그래서 저는 제 비디오를 시작할 것입니다. 그리고 네, 그는 잠시 시간을 내고 싶어 하거나 준비가 되면 언제든지 시작할 수 있습니다.
통 신지에	오, 생산을 할 필요가 없습니다.
조쉬 스턴튼	아니요, 그냥 줄 수만 있다면, 당신은 당신의 이름을 말하고 당신이 겪고 있는 일을 알고 있다고 말할 수 있습니다.
	일종의 롤.
통 신지에	알았어 알았어
조쉬 스턴튼	알겠습니다. 카메라를 끄고 여러분께 가겠습니다. 하지만 행운을 빕니다. 감사합니다.
통 신지에	고맙습니다.
	제 이름은 Xinjie Tong입니다. 제 프레젠테이션은 실제 광산 문제에서 JMP Pro 16의 외삽 제어 기능을 활용하는 방법에 대한 것입니다. 여기서 우리는 광산 과정에서 광물 제거 효율성을 최적화하려고 했습니다.
	그래서 저는 마이닝 프로세스에 대한 사례 연구를 소개하고, 또한 언급된 외삽 제어 메트릭, 외삽을 염두에 두고 최적화하는 방법 및 DOE 증대를 사용하여 외삽 문제를 잠재적으로 처리할 수 있는 방법에 대해 조금 더 탐구할 것입니다.
	다음은 현재 JMP 16 Pro에서 사용되는 외삽 제어 메트릭에 대해 소개한 슬라이드이며 이러한 모든 정보는 JMP 커뮤니티의 비디오에서 가져옵니다.
	SAS에서 만든 것이므로 하단에서 참조용을 찾을 수 있으므로 JMP에서 사용되는 두 가지 주요 메트릭이 있습니다.
	하나는 선형 플랫폼, 특히 최소 제곱을 맞출 때 사용되는 레버리지입니다. 또 있다
	정규화된 Hotelling의 T 제곱이라고 하는 메트릭은 현재 GenReg와 같은 비선형 플랫폼, 신경 부분 최소 자승에서 구현됩니다. 따라서 레버리지를 위해
	이는 예측 지점뿐만 아니라 훈련 데이터의 설계 행렬의 함수입니다. 따라서 모델 형식에 따라 다릅니다. 또한 선형 모델의 경우 예측 분산에 비례합니다.
	그러나 다르게, 정규화된 t 제곱의 경우 감독되지 않은 버전이므로 어떤 형태의 모델의 함수도 아닙니다.
	그리고 여기 제가 그 비디오에서 훔친 방정식이 있습니다.
	이것은 또한 외삽을 염두에 둘 때 최적화가 어떻게 다를 수 있는지 보여주기 위해 해당 비디오에서 가져온 예입니다.
	따라서 여기에 세 개의 입력 변수가 있고 여기에서 볼 수 있듯이 MaxPulse와 RunPulse가 강한 양의 상관 관계가 있는 예가 있습니다.
	외삽 제어를 고려하지 않으면 모델에서 파란색 점이 최적이라고 알려줍니다. 그러나 훈련 데이터의 관계를 따르지 않으므로 그다지
	믿을 수 있는. 모델이 외삽하고 있습니다. 그러나 외삽 제어를 켜면 이 빨간색 점이 제안되어 이제 더 현실적입니다. 따라서 외삽 제어가 의사 결정에 실제로 도움이 되고 비현실적인 예측을 방지할 수 있는 방법을 보여줍니다.
	그럼 지금부터 제가 다우에 근무하면서 겪었던 사례 연구에 대해 말씀드리겠습니다. 따라서 이 사례 연구는 채광 과정에 관한 것이며 우리의 목표는 광물 제거 효율성을 높이기 위해 채광 조건을 최적화하는 것이었습니다.
	이 데이터 세트에는 120개의 행이 있고 3개의 입력 변수와 1개의 출력 변수가 있습니다.
	입력 변수의 경우 3가지 수준의 범주형 변수인 물 유형이 있으므로 A, B 및 C 유형으로 코딩했습니다.
	또한 사용된 12가지 유형의 거품기가 있으며 범주형도 있습니다. 입자 크기인 숫자 변수가 있고 0, 1 및 0.35로 코딩했습니다.
	여기서 출력은 0과 1 사이의 값인 제거 효율이며 여기의 모든 값은 실제 정보를 보호하기 위해 코딩됩니다.
	따라서 이 데이터 세트의 문제는 설계 단계로 인해 실제로 일부 공선성이 있다는 것입니다. 따라서 이 그래픽 빌더를 볼 수 있다면 JMP의 플랫폼인 그래프 빌더를 사용하여 데이터 구조를 매우 쉽게 시각화한 것입니다.
	그래서 여기에서는 거품 유형을 포장으로 사용했기 때문에 각 상자는 한 가지 유형의 거품을 나타내고 Y축의 입자 크기와 X축의 물 유형을 보고 있습니다.
	여기서 문제는 B형 물이 있을 때 중간 수준에 있는 한 수준의 입자 크기만 가질 수 있으므로 입자 크기를 추정하려고 할 때 공선성이 존재한다는 것입니다.
	B형과 상호작용을 합니다. 따라서 이 경우에는 추정할 수 없습니다.
	이러한 불균형 또는 일부 종속성으로 인해 외삽 문제가 발생하며, 여기서 외삽 제어 기능이 이 불완전한 데이터 세트로 인한 위험을 방지하는 데 실제로 도움이 될 수 있습니다.
	그런 다음 JMP에서 다양한 플랫폼을 사용하여 모델을 구축하고 메트릭을 비교하고 이것이 우리의 의사 결정에 잠재적으로 영향을 미칠 수 있는 방법을 비교했습니다.
	모델을 맞추기 전에 일반적으로 JMP의 기능 중 하나인 이 평가 설계를 시작합니다. 따라서 이 플랫폼을 통해 이해하도록 요청할 수 있습니다.
	주어진 데이터 세트에서 데이터 세트에서 추정할 수 있는 용어는 무엇입니까? 그리고 이것에 대한 간단한 데모를 할 것입니다. 여기 내 데이터 세트가 있습니다. 그래서 3개의 입력 변수와 1개의 출력 변수가 있습니다. 우리가 할 수 있는 것은 DOE에 가는 것입니다.
	설계 진단 및 설계를 평가합니다. 여기에서 Y 응답은 선택 사항이므로 세 개의 입력을 여기에 끌어다 놓고 확인을 클릭합니다.
	그리고 이제 내가 주효과만 고려한다면 그것들을 추정할 수 있고 전체 공간...설계 공간 및 일부 진단 내에서의 예측 변동과 같은 내 진단을 볼 수 있다고 말하고 있습니다.
	그러나 양방향 상호 작용을 추정하고 싶습니다. 따라서 양방향 상호 작용을 클릭하면
	이 경고가 표시되고 이 데이터 세트가 모든 양방향 상호작용 항에 적합할 수 없으며 추정할 수 없는 항이 제거되었음을 알려줍니다.
	그리고 여기를 보면 물 유형과 특정 크기 간의 상호 작용이 삭제되었음을 알 수 있습니다. 이는 방금 언급한 공선성 문제 때문입니다.
	따라서 여기를 확인하면 이 새로운 모델 용어 집합을 기반으로 이러한 진단이 업데이트되었습니다. 그래서 이제 나는 그것을 안다.
	공선성으로 인해 모든 항을 추정할 수 없으므로 모델이 적합할 수 있는 항으로만 시작할 수 있습니다. 그런 다음 슬라이드로 돌아가겠습니다. 그래서 모델 구축을 시작하겠습니다.
	그래서 내가 장착한 첫 번째 모델은 GenReg 플랫폼 내에 있었습니다. 그 이유는 내 응답이 효율성이기 때문입니다. 그것은 0과 1 사이의 값이고 나는 보통 이 GenReg에서만 실현될 수 있는 베타 분포에 대해 생각할 것입니다.
	그러나 우리의 경우 0과 1 이내이지만 분포가 더 정규분포에 가깝고 0이나 1에 가까운 높은 빈도가 없어 정규분포를 사용하는데 문제가 있다.
	그래서 내가 한 것은 이 GenReg 내 모델 피팅에서 베타와 일반을 모두 시도한 것입니다. 또한 전체 모델과 모델 축소를 위한 다양한 방법을 시도했습니다. 그래서
	AICc와 BIC를 비교해보니 정규분포를 사용할 수 있고 올가미 축소 방법론은 전체 모델에 비해 AICc나 BIC가 더 작다는 것을 깨달았습니다. 그것이 아마도 내가 앞으로 나아갈 것입니다.
	그러나 이제 정규 분포를 사용할 수 있고 실제로 동일한 모델을 다른 플랫폼에 맞출 수 있다는 것을 깨달았습니다.
	그래서 내가 한 다음 작업은 JMP의 선형 플랫폼인 사용된 최소 자승법이었고 동일한 모델을 거기에 맞추었습니다.
	그러나 이제 내가 할 수 있는 것은 외삽 제어 메트릭으로 지렛대를 사용하는 것입니다. 반면 GenReg에서는 정규화된 Hotelling의 T 제곱을 사용했습니다. 이제 이 두 측정항목이 실제로 어떻게 대조되는지 또는 얼마나 유사한지 비교할 수 있습니다.
	이제 메트릭 비교 및 일부 결과를 살펴보겠습니다. 여기 내 지도가 있으므로 동일한 전체 모델로 시작했습니다.
	그리고 GenReg 내에서 모델을 맞추고 다른 메트릭을 사용하는 최소 제곱을 맞췄습니다. 그리고 메트릭을 비교하는 것 외에도 모델 형식을 변경하여 전체 모델을 사용했는지 축소 모델을 사용했는지 확인하고 싶었습니다. 그러면 메트릭의 성능이 어떻게 변경됩니까?
	여기에서 또 다른 데모를 수행하고 프로파일러에서 외삽 제어 기능을 사용하는 방법도 볼 수 있습니다. 따라서 동일한 스크립트인 이 GenReg부터 시작하겠습니다.
	정보를 보려면 모델 대화를 클릭하겠습니다. 그래서 여기에서 모델이 설정되었습니다. 따라서 Y에 대한 효율성, 이러한 용어는 평가 설계에서 정의되고 베타 또는 정상을 사용합니다.
	그리고 실행을 클릭합니다. 그래서 두 가지 모델을 저장했습니다. 첫 번째는 모델 축소를 사용한 정규 분포입니다. 두 번째는 전체 모델의 정규 분포입니다. 따라서 먼저 전체 모델로 시작하는 경우 우리가 할 수 있는 것은 여기를 클릭하여 프로파일러를 켜는 것입니다.
	그리고 프로파일러에서
	여기서 새로운 점은 이제 외삽 제어를 클릭하고 경고를 끌 수 있다는 것입니다.
	이제 세부 정보가 없으므로 세부 정보를 보려면 빠른 외삽 세부 정보가 필요합니다.
	메트릭의 임계값을 보여줍니다. 따라서 입자 크기를 따라 이동할 수 있고 메트릭이 변경되지만 임계값 내에 있으므로 경고가 표시되지 않습니다.
	그러나 해당 공선성이 존재하는 유형 B로 이동하면 매우 큰 입자 크기 또는 매우 작은 입자 크기에서 이러한 외삽 경고가 표시됩니다.
	우리가 할 수 있는 또 다른 일은 경고를 켜는 대신 외삽 제어를 직접 켤 수 있다는 것입니다. 그리고 그것이 하는 일은 외삽이 없는 범위만 표시한다는 것입니다.
	이제 여기 임계값이 16.3이라는 것을 언급하고 싶습니다. 축소된 모델에 적합하면 어떻게 될까요? 임계값과 외삽 영역도 변경됩니까? 이제 축소된 모델로 이동하고 이미 켠 프로파일러를 켤 수 있습니다. 여기에서...
	외삽 세부 정보를 클릭하고 켜면 임계값이 동일하고 외삽 범위가 동일하다는 것을 알 수 있습니다. 따라서 여기에서 이 정규화된 T 제곱은 감독되지 않으며 전체 모델과 축소 모델을 사용할 때 변경되지 않습니다.
	그리고 GenReg를 사용하는 대신 선형 플랫폼이고 레버리지를 모델 외삽에 사용할 수 있는 적합 임대 제곱을 사용해 보겠습니다. 여기 내 전체 모델이 있습니다. 요인 프로파일링을 클릭하고 프로파일러를 켤 수 있습니다.
	여기에서 유사하게 외삽 제어를 클릭하고 경고 및 외삽 세부 정보를 켤 수 있습니다.
	여기에서 임계값은 다른 방정식을 기반으로 계산되었기 때문에 다릅니다. 이전과 마찬가지로 유형 B...유형 A 및 C에는 외삽이 없지만 유형 B의 경우 실제로...모두 외삽 온난화가 있습니다.
	그리고 이것을 .35로 설정하면 외삽이 없다는 유일한 포인트입니다. 더 명확하게 보여주기 위해 외삽 컨트롤을 켤 수 있습니다. 그러면 B water가 있는 것을 볼 수 있습니다.
	실험에서 관찰된 이 단일 수준의 입자 크기만 예측할 수 있습니다. 그래서 이것은 우리에게 다음과 같이 말하고 있습니다.
	데이터 세트가 주어지고 지표로 레버리지를 사용하면 물...물 유형 B를 사용할 때 다른 입자 크기를 예측할 수 없습니다.
	따라서 이것은 정규화된 T 제곱이 사용된 GenReg와 비교하여 더 엄격합니다. 다른 시나리오에서는 더 좁은 범위를 예측할 수 있었기 때문입니다. 그리고 다시, 이것은 감독되지 않고 이것은 모델 형태를 더 지향하기 때문입니다.
	여기 임계값이 .5이고 레버리지를 사용할 때 축소 모델을 시도했는데 모델 형식에 따라 임계값도 변경되었습니다. 따라서 모델이 더 작으면 임계값이 더 작아집니다. 그리고 비교표입니다.
	이 특정한 경우에 레버리지가 정규화된 T 스퀘어보다 더 엄격하다는 것을 알 수 있습니다.
	이제 저는 이 외삽 제어 기능을 사용하여 최적화할 수 있는 방법에 관심이 있었습니다. 그것이 우리 프로젝트의 목표이기 때문입니다.
	여기 내가 얻은 최종 출력이 있습니다. 이것은 모든 입력 변수를 그리는 것이고 파란색 점은 외삽 제어 없이 최적화한 것입니다. 그리고 이는 데이터에서 관찰되지 않았던 이 점을 시사하고 있다.
	그러나, 우리가 외삽 제어를 고려한다면, 그것은 지금 우리가 더 많은 확신을 가지고 있는 훈련 데이터와 더 유사한 무언가를 제안합니다.
	우리가 실제로 할 수 있는 또 다른 일은 외삽 제어를 사용하거나 사용하지 않고 시각화를 수행하는 것입니다. 그래서 저는 실제로 이것을 매우 빨리 시연하고 싶습니다.
	왜냐하면 이것이 내가 가장 사랑하는 미래라고 믿기 때문에, 예를 들어 우리가 다음과 같이 하기로 결정했다면...
	죄송합니다. 명확한 시각화를 위해 닫겠습니다.
	따라서 할 수만 있다면... 이 프로파일러를 사용하기로 결정했다면... 이 모델을 사용하여 외삽 제어를 켜고 클릭할 수 있는 것은 출력 랜덤 테이블입니다.
	그리고 이것이 하는 일은 모델이 외삽 없이 예측할 수 있는 모든 잠재적 조건을 생성한다는 것입니다.
	이제 5,000개의 실행이 있고 여기를 클릭하여 각 매개변수의 분포나 히스토그램을 매우 쉽게 볼 수 있습니다.
	Type A를 클릭하면 모델이 입자 크기에 대해 0과 1 사이의 전체 범위를 예측할 수 있음을 알 수 있습니다.
	유형 C와 유사하지만 유형 B가 있을 때 추가 입자 크기로 인해 좁은 범위의 입자 크기만 예측할 수 있습니다.
	죄송합니다. 외삽입니다. 따라서 이것을 사용하면 외삽 제어를 염두에 두고 실제로 최적화하고 시뮬레이션할 수 있습니다.
	또한 이 파일에서 그래픽 빌더를 사용할 수 있습니다.
	그리고 이 플롯을 생성합니다. 여기서 외삽 제어가 없는지 확인할 수 있습니다. 색상이 효율성, 예측된 효율성인 모든 범위가 있습니다.
	그러나 외삽 제어를 사용하면 이러한 모든 범위를 예측할 수 없으며 해당 시뮬레이션 기능을 기반으로 하는 매우 좋은 시각화입니다.
	그리고 이제, 제 마지막 질문은 이 공간을 정말로 추정하고 싶다면 어떻게 될까요? 그렇게 하려면 모델이 전체 범위를 예측할 수 있도록 데이터를 수정하거나 데이터를 보강해야 합니다. 이제 JMP 기능의 일부인 데이터 보강을 수행할 수 있습니다.
	따라서 증강 설계, 우리가 할 수 있는 것은 새로운 블록 변수를 추가하여 새로운 실행을 분리할 수 있고...블록 2로 그룹화할 수 있다는 것입니다.
	또한 추정하고자 하는 모델 항을 정의할 수 있습니다. 이제 모든 양방향 상호 작용을 추정하고 싶습니다.
	다음은 증강 실행을 시각화한 것이므로 빨간색 점은 모두 증강 실행이며 이제 데이터를 다음에 할당하므로
	물 유형이 B형일 때 입도의 높고 낮음, 모든 항을 추정할 수 있고 더 이상 공선성 문제가 없습니다. 또한 프로파일러에서 Type B가 있을 때 전체 범위를 예측할 수 있음을 알 수 있습니다.
	그래서 몇 가지 테이크 아웃. 입력 변수 간에 종속성이 있거나 추정할 수 없지만 추정하고 싶은 다른 항이 있는 경우와 같이 외삽의 소스가 많이 있을 수 있습니다.
	모델에 포함됩니다. 모든 예측 모델링 세계에서 머신 러닝도 마찬가지입니다. 온전성 검사이기 때문에 외삽 제어를 고려해야 합니다.
	예측 세계를 위해 그리고 JMP 16 Pro에 감사하게도 이 기능은 우리가 사용을 매우 간단하게 만들어줍니다. 또한 데이터 세트의 구조가 모델의 유용성에 어떻게 영향을 미칠 수 있는지를 입증하는 것은 매우 쉽습니다. 그래서
	따라서 이 기능을 만들었고 이 기능이 얼마나 유용한지 보여주기 위해 더 넓은 커뮤니티와 공유하고 싶습니다. 그게 제 프레젠테이션의 전부입니다. 다음은 참조 및 일부 면책 조항입니다.
조쉬 스턴튼	엄청난.
통 신지에	괜찮아?
조쉬 스턴튼	감사합니다 굉장했습니다 I love I.
	프로필에서 예측자를 보는 것을 좋아합니다.
	프로필.
	이제 그는 차질없이 떠났습니다.
통 신지에	감사합니다. 감사합니다. 너무는 아니길 바랍니다.
	글쎄, 나는 그것이 초보자를 위해 그렇게 복잡하지 않다고 말하고 싶습니다.
조쉬 스턴튼	그것은 나를 위해, 당신은 그것이 조금 발전할 것이라는 것을 알고 있습니다. 그러나 그것은 좋은 아이디어가 아니 었습니다. 그는 디자인을 보강하는 것에 대해 이야기하기 시작했습니다. 확실히 다음 단계입니다.
	저것.
	네, 그 정도입니다. 제가 말했듯이 이런 종류의 편집을 잘라내고 앞면과 뒷면을 알고 나면 웹 사이트에 언제 게시할지 확신할 수 없지만 곧 거기에 있고.
	이 정보를 공유하기 위해 시간과 노력을 투자해 주셔서 다시 한 번 감사드립니다.
	우리 커뮤니티와 함께.
통 신지에	그래 물론.
	네 잘 들립니다.
조쉬 스턴튼	좋습니다. 몸조리 잘 하시고 조만간 이 이벤트 중 한 곳에서 뵙기를 바랍니다.
통 신지에	응.
	감사합니다. 기대하겠습니다.
	기회를 주셔서 감사합니다.
조쉬 스턴튼	네, 정말 감사합니다. 알겠습니다.
통 신지에	좋은 하루 되세요.
	당신도요.

브레이크아웃암사슴통계 및 모델링