398682_ko-KR

liliconcom

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

레벨: 초급

 

Xinjie Tong, Dow 수석 연구 통계학자

 

사례 연구는 광산에서 광물 회수 성능 측면에서 12가지 유형의 거품기를 평가하는 것을 목표로 합니다. 입력 변수에는 거품 유형 외에도 입자 크기(코드값: 0, 0.35, 1)가 연속형 변수로, 물 유형(A형, B형, C형)이 범주형 변수로 포함됩니다. 반응변수는 광물회수효율이다.

예측 프로파일러의 외삽 제어 기능을 사용하여 정규화된 T 제곱 측정법을 기반으로 입자 크기 = 1일 때 물 유형 B에 대해 가능한 외삽이 관찰되었습니다. 이러한 외삽은 물 유형 B에 대한 측정이 입자 크기 = 0.35로만 이루어진 DOE의 불균형으로 인해 발생했습니다. 신뢰할 수 있는 최적의 솔루션을 달성하기 위해 광물 회수 효율을 최적화하려는 노력의 일환으로 외삽 제어가 활성화되었습니다.

DOE가 더욱 균형을 이루도록 확대되면서 외삽 문제가 사라졌습니다. 외삽 제어 기능은 불균형 DOE를 강화하여 예측 모델의 유용성을 어떻게 크게 향상시킬 수 있는지에 대한 즉각적인 이해를 제공했습니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
조쉬 스턴튼	안녕.
통 신지에	안녕 조쉬.
조쉬 스턴튼	안녕하세요 징기입니다.
통 신지에	네, 좋습니다.
조쉬 스턴턴	글쎄요, 이에 동의해 주셔서 감사합니다. 귀하의 프레젠테이션을 듣고 싶습니다.
통 신지에	감사합니다. 그럼 어떻게 시작할까요?
	아니면 다른 어떤 것, 시작하기 전에요.
조쉬 스턴턴	네, 간단한 체크리스트가 있습니다. 그냥 살펴보고 싶었어요. 혹시 계시다면요.
	당신의 나는 아직도 켜져 있는 당신의 전화기입니다.
통 신지에	그렇죠.
조쉬 스턴튼	응, 있어.
통 신지에	좋은 알림 감사합니다.
조쉬 스턴튼	그리고 한 번만 말씀드리면 이 내용이 무엇인지 알고 있다는 구두 확인을 받아야 합니다. JMP Discovery Summit에서 이 내용이 녹음된다는 점을 이해하는 것처럼 말입니다.
	회의를 통해 이 녹음 및 사용에 대한 권한을 부여하기 위해 작업 사용자 커뮤니티에 공개적으로 제공될 것입니다.
	응, 응, 알았어.
	형식적으로 그들은 훌륭하고.
	나는 당신의 배경이 모든 것이 좋아 보이는 것을 좋아하고 당신이 가지고 있는 유일한 것은 당신의 디스플레이가 1920 x 10 at으로 설정되어 있는지 알고 있습니까?
통 신지에	나는 실제로 그렇지 않습니다.
	분명히 알아라.
통 신지에	디스플레이 설정이 정말 빠릅니다.
	나는 119 20 곱하기 1080을 참조할 것이라고 생각합니다.
조쉬 스턴튼	아 완벽해요.
통 신지에	응 좋아.
조쉬 스턴튼	예, 완벽합니다. 외삽 제어 기능과 JMP pro 16 최적화 보상 마이닝 프로세스(2021년 30MP)를 활용하여 이 작업을 수행하게 될 것입니다.
	좋아요, 그럼 갈게요.
	프레젠테이션을 시작할 수 있는지 확인하고 싶으십니까? 슬라이드를 계속 진행하세요.
	당신의 관점에서 모든 것이 좋아 보인다면, 제 영상을 음소거 상태로 전환하고 당신에게 넘겨드리겠습니다.
통 신지에	그래서 우리는 정말 빨리 시도해 볼 수 있습니다.
조쉬 스턴턴	당신이 발표하고 싶다면 제가 확인해 드릴 수도 있습니다.
	우리는 당신의 슬라이드를 볼 수 있습니다.
통 신지에	네, 음 그럼 먼저 화면을 공유해야겠어요.
	응.
통 신지에	그리고 내 화면이 보입니다.
	네 알겠습니다. 그래서 데모를 좀 하게 될 것 같습니다. 그렇지 않을 것 같습니다.
	저는 데모를 좀 해야 합니다. 일단 데모를 하게 되면 그냥 이 작업을 하게 될 것입니다. 괜찮습니까? 그런 다음 슬라이드로 돌아갑니다.
조쉬 스턴튼	그렇죠, 그렇군요. 괜찮습니다.
	그리고 아시다시피 비디오 내에서 어떤 편집도 이루어지지 않아 여러분이 알고 있는 부분이 잘립니다.
	하지만 실수를 했다면 알 수 있습니다.
	그냥 지키려고 노력하세요.
	일종의 굴러가는 우리는 여기의 모든 인간이므로 실수를 해도 괜찮습니다.
	알고 있다고 생각한다면, 그러나 정말로 그것이 재앙적인 일이었다고 생각한다면 보고 싶을 것입니다.
	이제 할 수 있습니다.
	다시 시작할 수 있습니다. 큰 문제는 아니지만 예, 하지만 약간의 실수가 당신을 괴롭히는 것을 허용하지 마세요.
	당신은 그럴 것입니다.
	응, 응.
통 신지에	그리고 발표시간이 딱 20분 정도 된 것 같아요.
	그렇군요.
	요구사항은 같습니다.
조쉬 스턴턴	모든 사람이 조금씩 다르다는 것을 확신할 수는 없지만 저는 그렇지 않다는 것을 알고 있습니다.
	네, 시간에 대해 너무 걱정하지 마세요. 그건 일종의 지침일 뿐입니다. 알아두세요.
	좋아, Dan, 네가 조사한 내용을 꺼내면 우리가 확인해 볼게.
통 신지에	좋습니다. 그렇다면 발표를 시작하겠습니다.
조쉬 스턴튼	네, 그럼 제가 비디오를 시작하겠습니다. 그 다음에는 그가 잠시 시간을 내서 원했거나 준비가 되면 언제든지 시작할 수 있습니다.
통 신지에	아, 굳이 제작을 할 필요는 없겠죠?
조쉬 스턴튼	아니, 그냥 줄 수 있다면, 이름을 말하고, 앞으로 겪게 될 일을 알고 있다고 말할 수 있습니다.
	일종의 롤백입니다.
통 신지에	알았어 알았어.
조쉬 스턴턴	알았어 알았어 카메라 끄고 너한테 갈게. 행운을 빌게. 고마워.
통 신지에	감사합니다.
	제 이름은 Xinjie Tong입니다. 제가 발표할 주제는 실제 채굴 문제에서 JMP Pro 16의 외삽 제어 기능을 어떻게 활용하는지에 관한 것입니다. 채굴 과정에서 광물 제거 효율성을 최적화하려고 했던 것이죠.
	따라서 마이닝 프로세스에 대한 사례 연구를 소개한 다음 언급된 외삽 제어 메트릭, 외삽을 염두에 두고 최적화하는 방법 및 DOE 확대를 사용하여 외삽 문제를 잠재적으로 처리할 수 있는 방법에 대해 조금 더 살펴보겠습니다.
	다음은 현재 JMP 16 Pro에서 사용되는 외삽 제어 측정항목에 대해 소개한 슬라이드이며, 이러한 모든 정보는 JMP 커뮤니티의 동영상에서 가져옵니다.
	SAS에서 만든 것으로, 하단에 참고자료가 보이듯이 JMP에서 사용하는 지표는 크게 두 가지입니다.
	하나는 선형 플랫폼에서 특히 최소 제곱을 맞출 때 사용되는 레버리지입니다. 또 있다
	정규화된 호텔링의 T 제곱이라는 측정항목은 현재 GenReg, 신경 부분 최소 제곱과 같은 비선형 플랫폼에서 구현됩니다. 그래서 레버리지를 위해,
	이는 학습 데이터의 설계 매트릭스와 예측 지점의 함수입니다. 따라서 모델 형식에 따라 다릅니다. 또한 선형 모델의 경우 예측 분산에 비례합니다.
	그러나 다르게 정규화된 t 제곱의 경우 감독되지 않은 버전이므로 어떤 형태의 모델에도 함수가 아닙니다.
	그리고 여기 제가 그 비디오에서 훔친 방정식이 있습니다.
	이는 추론을 염두에 두고 최적화가 어떻게 달라질 수 있는지 보여주기 위해 해당 비디오에서 나온 예입니다.
	여기에는 세 개의 입력 변수가 있는 예가 있으며, 여기에서 볼 수 있듯이 MaxPulse와 RunPulse는 강한 양의 상관관계를 가지고 있습니다.
	외삽 제어를 고려하지 않으면 모델은 파란색 점이 최적이라고 알려줍니다. 그러나 훈련 데이터의 관계를 따르지 않으므로 그다지 좋지 않습니다.
	믿을 수 있는. 모델은 추정하고 있습니다. 그러나 외삽 제어를 켜면 이 빨간색 점이 제안되어 이제 더욱 현실감이 커집니다. 따라서 외삽 제어가 어떻게 의사 결정에 실제로 도움이 되고 비현실적인 예측을 피할 수 있는지 보여줍니다.
	이제 제가 Dow에 근무하면서 접한 사례 연구에 대해 이야기하겠습니다. 따라서 이 사례 연구는 채광 프로세스에 관한 것이며 우리의 목표는 광물 제거 효율성 향상을 위해 채광 조건을 최적화하는 것이었습니다.
	이 데이터 세트에는 120개의 행이 있고 3개의 입력 변수와 1개의 출력 변수가 있습니다.
	입력변수로는 물의 종류가 있는데, 이는 3단계 범주형 변수이므로 A, B, C 유형으로 코딩했습니다.
	우리는 또한 12가지 유형의 거품기를 사용했으며, 그것들도 범주형입니다. 우리는 입자 크기라는 숫자 변수를 가지고 있으며 이를 0, 1 및 .35로 코딩했습니다.
	여기서 출력은 제거효율로 0과 1 사이의 값이며, 여기의 모든 값은 실제 정보를 보호하기 위해 코딩되어 있습니다.
	따라서 이 데이터 세트의 문제점은 설계 단계로 인해 실제로 일부 공선성이 있다는 것입니다. 따라서 이 그래픽 빌더를 살펴보면 JMP의 플랫폼인 그래프 빌더를 사용하여 데이터 구조를 매우 쉽게 시각화한 것입니다.
	여기서는 거품기 유형을 포장으로 사용하고 있으므로 각 상자는 한 가지 유형의 거품기를 나타내고 Y축에서는 입자 크기를, X축에서는 물 유형을 확인합니다.
	여기서 문제는 물 유형 B가 있을 때 입자 크기가 중간 수준인 한 수준만 갖게 되므로 입자 크기를 추정하려고 할 때 공선성이 존재한다는 것입니다.
	B 유형과 상호 작용합니다. 따라서 이 경우에는 추정할 수 없습니다.
	이러한 불균형이나 일부 종속성으로 인해 외삽 문제가 발생하며, 여기서 외삽 제어 기능은 불완전한 데이터 세트로 인한 위험을 방지하는 데 실제로 도움이 될 수 있습니다.
	그래서 저는 JMP에서 다양한 플랫폼을 사용하여 모델을 구축했습니다. 이를 통해 측정항목을 비교하고 측정항목이 의사결정에 잠재적으로 어떤 영향을 미칠 수 있는지 비교했습니다.
	모델을 적합시키기 전에 일반적으로 JMP의 기능 중 하나인 설계 평가를 시작합니다. 따라서 이 플랫폼을 통해 우리는 이해를 요청할 수 있습니다.
	주어진 데이터 세트에서 데이터 세트로부터 추정할 수 있는 항은 무엇입니까? 이에 대해 간단한 데모를 해보겠습니다. 여기 내 데이터 세트가 있습니다. 그래서 3개의 입력 변수와 1개의 출력 변수가 있습니다. 우리가 할 수 있는 일은 교육청에 가는 것입니다.
	진단을 설계하고 설계를 평가합니다. 여기에서 Y 응답은 선택 사항이므로 세 가지 입력을 여기에 드래그하고 확인을 클릭합니다.
	이제 주 효과만 고려하면 이를 추정할 수 있으며 전체 공간, 설계 공간 내 예측 분산 및 일부 진단과 같은 진단을 볼 수 있다는 것을 알려줍니다.
	하지만 양방향 상호작용을 추정하고 싶습니다. 따라서 양방향 상호작용을 클릭하면
	이 경고가 나타나면 이 데이터 세트가 모든 양방향 상호 작용 항에 적합할 수 없으며 추정할 수 없는 항이 제거되었음을 알려줍니다.
	그리고 여기를 보면 물의 종류와 특정 크기 사이의 상호 작용이 삭제되었음을 알 수 있습니다. 이는 제가 방금 언급한 공선성 문제 때문입니다.
	따라서 여기를 확인하면 이 새로운 모델 용어 세트를 기반으로 이러한 진단이 업데이트되었습니다. 그래서 이제 알았어
	공선성으로 인해 모든 항을 추정할 수 없으므로 모델이 적합할 수 있는 항으로만 시작할 수 있습니다. 그런 다음 슬라이드로 돌아가겠습니다. 그래서 모델 만들기를 시작하겠습니다.
	그래서 제가 장착한 첫 번째 모델은 GenReg 플랫폼 내에 있었습니다. 그 이유는 나의 대응이 효율성이기 때문이다. 0과 1 사이의 값이고 저는 보통 이 GenReg에서만 실현될 수 있는 베타 분포에 대해 생각할 것입니다.
	그러나 우리의 경우에는 0과 1 사이에 있지만 분포가 정규분포에 가깝고 0이나 1 근처에 높은 빈도가 없기 때문에 정규분포를 사용하는 것이 문제가 됩니다.
	그래서 제가 한 일은 이 GenReg에 맞는 제 모델에서 베타와 일반을 모두 시도하는 것이었습니다. 또한 전체 모델과 모델 축소를 위한 다양한 방법을 시도했습니다. 그래서
	AICc와 BIC를 비교한 결과 정규 분포를 사용할 수 있으며 Lasso 감소 방법은 전체 모델에 비해 더 작은 AICc 또는 BIC를 제공한다는 것을 깨달았습니다. 아마도 그것이 제가 앞으로 나아갈 것입니다.
	하지만 이제 정규 분포를 사용할 수 있으므로 실제로 동일한 모델을 다른 플랫폼에 적용할 수 있다는 것을 깨달았습니다.
	그래서 제가 다음으로 한 일은 JMP의 선형 플랫폼인 Fit Least Square를 사용하는 것이었고 거기에 동일한 모델을 적합시켰습니다.
	하지만 이제 제가 할 수 있는 것은 레버리지를 외삽 제어 지표로 사용하는 것입니다. 반면 GenReg에서는 정규화된 호텔링의 T 제곱을 사용했습니다. 이제 이 두 측정항목이 실제로 어떻게 대조되는지 또는 얼마나 유사한지 비교할 수 있습니다.
	이제 측정항목 비교와 몇 가지 결과를 살펴보겠습니다. 여기 제 지도가 있습니다. 동일한 전체 모델로 시작했습니다.
	그리고 저는 GenReg 내에서 모델을 맞추고 서로 다른 측정항목을 사용하는 곳에 최소 제곱을 맞추었습니다. 측정항목을 비교하는 것 외에도 모델 형식을 변경하여 전체 모델과 축소 모델을 사용했는지 확인하고 싶었습니다. 그러면 측정항목의 성능이 어떻게 바뀌나요?
	여기에서는 또 다른 데모를 수행하고 프로파일러에서 외삽 제어 기능을 사용하는 방법도 확인할 수 있습니다. 그래서 저는 동일한 스크립트인 이 GenReg부터 시작하겠습니다.
	그냥 그러니까...자세한 내용을 보려면 모델 대화를 클릭하겠습니다. 그래서 이곳이 모델이 설치된 곳입니다. 따라서 Y에 대한 효율성은 평가 설계에서 정의되고 베타 또는 정규를 사용하여 정의된 용어입니다.
	그리고 실행을 클릭하세요. 그래서 두 가지 모델을 저장했습니다. 첫 번째는 모형 축소를 사용한 정규 분포입니다. 두 번째는 전체 모델을 사용한 정규 분포입니다. 따라서 먼저 전체 모델로 시작한다면 여기를 클릭하여 프로파일러를 켜는 것입니다.
	그리고 프로파일러에서는
	여기서 새로운 점은 이제 외삽 제어를 클릭하고 경고를 끌 수 있다는 것입니다.
	그래서 지금은 세부사항이 없으니, 세부사항을 보고 싶다면 빠른 외삽 세부사항이 필요합니다.
	측정항목의 임계값을 보여줍니다. 따라서 입자 크기를 따라 이동할 수 있고 측정항목이 변경되지만 임계값 내에 있으므로 경고가 없습니다.
	그러나 공선성이 존재하는 유형 B로 가면 매우 높은 입자 크기 또는 매우 작은 입자 크기에서 가능한 외삽 경고를 볼 수 있습니다.
	우리가 할 수 있는 또 다른 일은 경고를 켜는 대신 외삽 제어를 직접 켤 수 있다는 것입니다. 그리고 그것이 하는 일은 외삽이 없는 범위만 보여주는 것입니다.
	이제 여기서 임계값은 16.3이고 축소된 모델을 적용하면 어떻게 되는지 언급하고 싶습니다. 임계값과 외삽 영역도 변경됩니까? 이제 축소된 모델로 이동하여 이미 켰던 프로파일러를 켤 수 있습니다.
	외삽 세부정보를 클릭하고 켜면 임계값과 외삽 범위가 동일한 것을 볼 수 있습니다. 따라서 여기서 이 정규화된 T 사각형은 감독되지 않으며 전체 모델과 축소 모델을 사용할 때 변경되지 않습니다.
	그리고 GenReg를 사용하는 대신 선형 플랫폼인 적합 임대 제곱을 사용해 보겠습니다. 레버리지는 모델 추정에 사용될 수 있습니다. 여기 내 전체 모델이 있습니다. 요인 프로파일링을 클릭하고 프로파일러를 켤 수 있습니다.
	여기에서도 마찬가지로 외삽 제어를 클릭하고 경고를 켜고 외삽 세부정보도 설정할 수 있습니다.
	따라서 여기서 임계값은 다른 방정식을 기반으로 계산되었기 때문에 다릅니다. 이전과 유사합니다. 유형 B...유형 A와 C에는 외삽법이 없지만 유형 B의 경우 실제로...모두 외삽 온난화가 있습니다.
	그리고 이것을 .35로 설정하면 이것이 외삽이 없는 유일한 지점입니다. 이를 더 명확하게 보여주기 위해 외삽 제어를 켜면 B 물이 있는 것을 볼 수 있습니다.
	이는 실험에서 관찰된 단일 수준의 입자 크기만 예측할 수 있습니다. 그래서 이것은 우리에게 다음과 같은 사실을 알려줍니다.
	주어진 데이터 세트와 레버리지를 측정 기준으로 사용하면 물...물 유형 B를 사용할 때 다른 입자 크기를 예측할 수 없습니다.
	따라서 이는 정규화된 T 제곱을 사용한 GenReg와 비교하면 더 엄격합니다. 왜냐하면 다른 시나리오에서는 더 좁은 범위를 예측할 수 있었기 때문입니다. 그리고 다시 말하지만, 그 사람은 감독되지 않고 이 사람은 모델 형식을 더 지향하기 때문입니다.
	여기서는 임계값이 .5이고 레버리지를 사용할 때 축소 모델을 시도했는데 모델 형식에 따라 임계값도 변경되었습니다. 따라서 모델이 더 작으면 임계값도 더 작아집니다. 그리고 이것이 비교표입니다.
	이 특정한 경우에는 정규화된 T Square보다 레버리지가 더 엄격하다는 것을 알 수 있습니다.
	이제 저는 이 외삽 제어 기능을 사용하여 어떻게 최적화할 수 있는지에 관심이 있었습니다. 그것이 우리 프로젝트의 목표이기 때문입니다.
	그래서 제가 얻은 최종 결과는 다음과 같습니다. 따라서 이것은 모든 입력 변수를 그리는 것이며 파란색 점은 외삽 제어 없이 최적화한 것입니다. 그리고 이는 데이터에서는 관찰되지 않았던 이 점을 시사하고 있습니다.
	그러나 외삽 제어를 고려하면 현재 훈련 데이터와 더 유사한 것을 제안하므로 이에 대해 더 많은 확신을 갖게 됩니다.
	우리가 실제로 할 수 있는 또 다른 일은 외삽 제어를 사용하거나 사용하지 않고 시각화를 수행하는 것입니다. 그래서 저는 이것을 아주 빨리 시연하고 싶습니다.
	왜냐하면 이것이 제가 가장 좋아하는 미래라고 믿기 때문입니다. 예를 들어 우리가 다음과 같이 결정한다면...
	죄송합니다. 명확한 시각화를 위해 이 페이지를 닫겠습니다.
	따라서 할 수 있다면...이 프로파일러...이 모델을 사용하기로 결정했다면 계속해서 외삽 제어를 켠 다음 클릭할 수 있는 것은 무작위 테이블 출력입니다.
	그리고 이것이 하는 일은 모델이 어떤 외삽 없이도 예측할 수 있는 모든 잠재적인 조건을 생성한다는 것입니다.
	이제 5,000번의 실행이 있고 여기를 클릭하면 각 매개변수의 분포나 히스토그램을 매우 쉽게 볼 수 있습니다.
	유형 A를 클릭하면 모델이 입자 크기에 대해 0과 1 사이의 전체 범위를 예측할 수 있음을 볼 수 있습니다.
	유형 C와 유사하지만 유형 B가 있으면 추가로 인해 좁은 범위의 입자 크기만 예측할 수 있습니다.
	죄송합니다. 추정입니다. 따라서 이를 통해 우리는 외삽 제어를 염두에 두고 실제로 최적화하고 시뮬레이션할 수 있습니다.
	또한 이 파일에서 그래픽 빌더를 사용할 수도 있습니다.
	그리고 이 플롯을 생성하면 외삽 제어가 없는지 확인할 수 있습니다. 색상이 효율성, 예측 효율성인 모든 범위가 있습니다.
	그러나 외삽 제어를 사용하면 이러한 모든 범위를 예측할 수 없으며 이는 해당 시뮬레이션 기능을 기반으로 한 매우 좋은 시각화입니다.
	이제 마지막 질문은 '이 공간을 정말로 추정하고 싶다면 어떻게 해야 할까요?'입니다. 그러기 위해서는 모델이 전체 범위를 예측할 수 있도록 데이터를 수정하거나 데이터를 보강해야 합니다. 이제 JMP 기능의 일부인 데이터 증대를 수행할 수 있습니다.
	따라서 증강 설계에서 우리가 할 수 있는 것은 새로운 블록 변수를 추가하여 새로운 실행을 분리하고 블록 2로 그룹화할 수 있다는 것입니다.
	또한 추정하려는 모델 항을 정의할 수 있습니다. 이제 모든 양방향 상호작용을 추정하고 싶습니다.
	다음은 증강된 실행의 시각화입니다. 빨간색 점은 모든 증강된 실행이며 이제 데이터를
	물 유형이 B형인 경우 입자 크기의 높고 낮음으로 모든 항을 추정할 수 있으며 더 이상 공선성 문제가 없습니다. 또한 프로파일러에서는 유형 B가 있으면 전체 범위를 예측할 수 있음을 알 수 있습니다.
	그래서 몇 가지 테이크아웃이 가능합니다. 입력 변수 간에 종속성이 있거나 추정할 수 없지만 추정할 수 있는 다른 항이 있는 경우 등 외삽의 소스는 다양할 수 있습니다.
	모델에 포함되어야 합니다. 모든 예측 모델링 세계에는 기계 학습도 있습니다. 온전성 검사이기 때문에 외삽 제어를 고려해야 합니다.
	예측 세계에 대해 감사하게도 JMP 16 Pro 덕분에 이 기능을 사용하면 매우 간단하게 사용할 수 있습니다. 또한 데이터 세트의 구조가 모델의 유용성에 어떤 영향을 미칠 수 있는지 보여주는 것도 매우 쉽습니다. 그래서
	그래서 저는 이 기능을 만들었고, 이 기능이 얼마나 유용한지 보여주기 위해 더 넓은 커뮤니티와 공유하고 싶습니다. 이것이 제 프레젠테이션의 전부입니다. 다음은 참조 및 일부 면책 조항입니다.
조쉬 스턴턴	엄청난.
통 신지에	괜찮나요?
조쉬 스턴턴	고마워요, 정말 좋았어요. 사랑해요.
	프로필에서 예측 변수를 보는 것을 좋아합니다.
	프로필.
	이제 그는 아무런 문제 없이 출발했다는 점에서 대단한 일이었습니다.
통 신지에	고마워요, 고마워요. 그렇지 않기를 바랍니다.
	글쎄요, 초보자를 위한 것이므로 그다지 복잡하지는 않습니다.
조쉬 스턴턴	저한테는 그랬고, 조금 발전할 것이라는 걸 아시겠지만, 그건 좋은 생각이 아니었습니다. 그는 디자인 강화에 대해 이야기하기 시작했습니다. 그것은 확실히 다음 단계입니다.
	저것.
	예, 그게 거의 전부입니다. 제가 말했듯이 이 종류의 편집을 잘라내고 앞과 뒤를 알면 웹 사이트에 언제 게시할 것인지 확신할 수 없지만 그렇게 될 것입니다. 곧 거기 올라가서.
	이 내용을 공유하기 위해 시간과 노력을 투자해 주셔서 다시 한번 감사드립니다.
	우리 커뮤니티와 함께.
통 신지에	그래 물론.
	응 좋은 것 같아.
조쉬 스턴튼	알겠습니다. 몸 조심하시고, 조만간 이러한 이벤트 중 하나로 만나보실 수 있기를 바랍니다.
통 신지에	응.
	감사합니다. 기대됩니다.
	기회를 주셔서 감사합니다.
조쉬 스턴튼	아 네, 정말 감사합니다. 알겠습니다. 안녕히 계세요.
통 신지에	안녕 좋은 하루 보내세요.
	너도.

브레이크아웃암사슴통계 및 모델링