Salut, mon des noms Steve Maxwell.
je suis un ingénieur.
je travail dans le semi-conducteur industrie.
Aujourd'hui, Je suis en allant pour donner un présentation sur comment je utiliser JMP
dans le bâtiment de le image analyse pipeline.
UN petit bit de arrière-plan sur le problème.
Deux de notre module groupes à notre facilité
couru dans un problème avec un fonctionnalité
où il y a était érosion sur le flanc de le fonctionnalité.
Le MEB système ce nous utilisé pour mesure
le taille de ce fonctionnalité n'était pas détecter ce fonctionnalité,
et il n'a pas ont le aptitude pour caractériser ce.
C'est un plus ancien pièce de équipement, mais c'est aussi payé pour donc nous aimé il.
Le approche ce je employé pour aider eux dehors
était pour construire un séparé analyse pipeline pour analyser images,
classer images c'est ayant dommage ou pas ,
et il produire un métrique ce pourrait être envoyé au CPS système pour fins de suivi.
je utiliser JMP principalement pour analyser données,
pour construire un modèle système déploiement et fabrication,
comme Bien comme, plus récemment,
en intégrant quelques de le réel image analyse dans JSL.
Je vais montrer quelques exemples de ce.
Ce est un goûter de quoi il est ce étaient en regardant à.
Ce est un bien image le gauche- main côté,
et ce est un mauvais image sur le du côté de la main droite.
Nous peut voir ici le comme variation et érosion.
C'est quoi nous étaient en regardant pour dans ces images.
Nous pourrait voir depuis ici ce le la mesure,
qui est fait sur le à l'intérieur de ce
ne serait pas vraiment réinitialiser pour ces caractéristiques qui atterrit à le même place chaque temps.
Étaient pas capable pour dire en utilisant simplement notre normal méthodes.
Ce est un petit bit plus détail à propos quoi nous étaient voyant.
Ce est un exemple de quoi quelques de ce données regardé comme
si nous pourrait voir depuis ici ce mais le processus était ayant questions,
nous étaient pas détecter il avec le des mesures ce nous étaient en utilisant.
Nous avons lancé dans un approche pour adresse ce problème.
je utiliser le standard ETL format pour la plupart des données science problèmes.
Extrait, transformer, charger.
je a obtenu pour casser il dans quatre catégories,
configurer, collecter, analyse et rapport.
Configurer et collection, standard méthodes.
Analyse, c'est le clé pour ce.
C'est comment Je suis retraitement le images
et alors extraire métrique pour ceux images ce nous peut utiliser pour construire un modèle
pour déterminer si ou pas, nous pourrait détecter le problème à main.
Le approche pour ce analyse est pour convertir le images depuis RVB,
qui est venir désactivé sur le système, le la mesure système,
et convertir ceux pour gris escalader.
Puis le images sont tondu, retirer n'importe quel la mesure détails,
tout comme ce dehors de eux.
Alors le suivant marcher est pour appliquer médian pour ces images.
Le raison pourquoi faire ce est étaient en allant pour se brouiller le images
et retirer quelques de le bruit dehors de le image.
Ce est un clé marcher pour image analyse et image traitement.
Le approche était utilisé comme un expérimental approche différent noyau tailles,
différent noyau formes, mais dans le fin, est installé sur
en utilisant un disque- en forme de noyau avec un pixels rayon de comme 5, 7 , dix, et 15 pixels.
Pour ceux ce sont inconnu avec ce terminologie,
noyau est essentiellement juste un déployer
c'est utilisé pour détériorer le image quand tu es le retraiter.
Après ce était fait,
extraction de le métrique depuis le retraité images était développé,
utilisé plusieurs différent standard métrique,
similitude structurelle indice, erreur quadratique moyenne, Shannon entropie,
alors un peu différent ceux comme gaussien version de SSIM,
comme Bien comme en regardant à le moyens de le standard déviations de le
Image SSIM dégradés depuis le gaussien pondéré images.
Depuis là, utilisé dimensionnel réduction techniques
pour extrait qui de ceux métrique était la plupart pertinent,
pour essayer et construire un modèle, un prédictif modèle
et alors convertir ce dans quelques de ça métrique
ce pourrait être facilement interprété sur le fabrication
alors que en cours production.
Un de le suivis sur ce est quand action le métrique extractions,
le référence image exploits le image ce
utilisé un noyau avec un pixels rayon à cinq,
et alors le 7, 10 et 15 noyau rayon est préparé pour ce image.
Ce montre un petit bit plus détail à propos
quoi le analyse pipeline approche regards comme.
Le hors ligne approche, nous commencer avec le image acquisition.
Évidemment, ce est fait pendant le fabrication processus.
Après ce, initialement, ce travail était fait Python,
qui était pour convertir le niveaux de gris culture, de bruit, le images,
et alors fonctionnalité génération métrique extraction, SSIM,
moyenne carré, entropie, calculs, etc.
JMPJSL a un Python emballage ce toi peut utiliser pour l'intégration.
Qu'est-ce que super est toi peut en fait déplacer un parcelle de ce code
dans pour le JMP environnement.
Je vais aller dans un petit bit plus détail à propos quoi ce est
et comment je utiliser ça à aider vitesse ce processus le long de.
Le final composant de ce était pour développer un qualité métrique.
Ce est très Intensif JMP marcher comme Bien.
Alors une fois un métrique est déterminé,
toi déplacer ce sur dans un en ligne processus
dans qui, le fabrication données est analysé,
et puis ça information est poussé pour un CPS système.
UN petit bit plus à propos Python/ JSL L'intégration,
le Intégré Python analyse code dans JSL en utilisant Python/ JSL emballage.
Le données transfert se produit par convertir le JMP tableau dans Pandas Données cadre.
Le données cadres sont passé dans un analyse code.
Le résultats sont revenu depuis Python pour JMP comme un données tableau.
Qu'est-ce que super à propos ce est il permet en utilisant
commun image analyse bibliothèques comme skimage, scipy, PIL, OpenCV , etc,
pour effectuer le travail alors que en gardant le données dans le Cadre JMP.
Ce, dans mon avis, était clé parce que Je suis pas en mouvement données
depuis un système ou un plateforme pour un autre plateforme et dos et de suite.
je était capable pour donjon il tous dans un place.
Ce est un petit bit plus détail à propos
quoi le analyse pipeline est action quand c'est retraitement le images.
Ce est quoi je était capable pour déplacer depuis juste en cours lentement dans Python
pour en intégrant il dans JSL en utilisant, allons dire, Python bibliothèques.
Toi peut voir, voici un mauvais, voici un bien.
Nous tondu le image à seulement montrer
seul prendre essentiellement ce composant de il, convertir il pour gris,
et alors appliquer moyen filtres pour se brouiller le images avec différent noyau tailles
comme toi peut voir comme nous augmenter le noyau tailles,
ils devenir un petit bit se brouiller.
Quoi je vouloir pour montrer à emporter ici est pour un bien image, toi peut voir
le noyau avec taille du disque 5 contre, 7 contre, dix contre 15,
regarder joli similaire pour un un autre .
Alors que disque 5, disque 7, disque 10, disque 15, sur un mauvais image,
toi peut voir ce par temps toi obtenir pour disque 15,
ce image, ou noyau taille 15,
ce image est départ pour regarder similaire pour ce.
Par suppression le bruit depuis ce image,
et alors débruitage le images progressivement
en utilisant différent noyau tailles.
E est ce qui permet nous pour avec succès extrait métrique
ce nous peut utiliser pour différencier entre le bien contre le mauvais.
Désolé, prise sur ici. Laissez-moi aller dos en haut.
À ce indiquer, Je suis en allant pour lancement démo ce montre
comment Je suis en mouvement ce données dans JMP
et alors quoi il regards comme comme il essentiellement retraitement ce truc.
Comment je faire ce est le première chose je besoin pour faire est je besoin pour construire un données tableau.
C'est un super fonctionnalité dans JMP,
toi aller pour déposer, importer plusieurs des dossiers ici.
Alors quoi j'ai a obtenu est j'ai a obtenu essentiellement un goûter ensemble de juste cinq images
ce Je suis en allant pour combiner tout t ensemble dans un données tableau.
Quoi il fait est il en fait importer le images comme Bien comme le image déposer des noms.
Toi aller ici, Cliquez sur ce déposer colonne nom, Cliquez sur importer,
et
quoi nous obtenir,
est ce.
Nous avons a obtenu un image de notre image ce nous vouloir pour analyser.
Nous avons a obtenu un déposer nom étiqueter suivant pour il.
Nous avons a obtenu le données image importée.
Maintenant, le suivant marcher est pour courir notre analyse code
contre chaque de ces images et commencer extraire métrique.
j'ai a obtenu un...
modifié version de ce code ici.
Le chemin ce code travaux est
il y a un python initialisation ce se produit JSL.
Et puis une fois c'est fait,
le données tableau ce toi vouloir pour analyser
est passé huit pour Python comme un données cadre.
À ce indiquer sous le Python soumettre,
essentiellement, toi convertir sur pour Python code.
Et puis tu es en utilisant standard approches,
standard codage procédures pour Python
et analyser le image, comme toi peut voir ici,
nous avons notre bibliothèque importations, etc.
Comment haut ce code était, essentiellement pour trouver un bouquet de les fonctions.
Alors ceux les fonctions sera retour un sortir
ce serait essentiellement obtenir ajoutée dos dans le données cadre
ce est poussé dos dehors pour JMP dans le données tableau.
C'est fait par en utilisant ce fonction lambda,
e est lambda la fonction s'applique ce fu NC tion tous Lignes,
ce spécifié colonne dans le données cadre ou le JMP tableau.
Quand nous courir ce...
Qu'est ce qui était en allant pour faire est prendre ce tableau je juste construit
et étaient en allant pour extrait,
mais quoi étaient en allant pour faire est retraiter le images et extrait le métrique.
Quoi nous voir ici est le images ce sont montrant plus tôt.
Nous avons pris notre image, nous avons converti il pour gris.
Alors nous commencé apprentissage il.
Nous avons a obtenu 5 pixels rayon noyau 7, 10 et 15.
Alors depuis là, étaient extraire tous de notre différent métrique.
SS JE SUIS pour 7 comparés pour 5 SSIM.
SSIM est de construction similarité indice,
7 comparés pour 5, 10 comparés pour 5, 15 comparés pour 5.
C'est essentiellement quoi étaient action, est calculateur similitude structurelle indice
entre ce image et cette image,
cette image et cette image
et cette image et cette image.
Si nous aller dos pour notre présentation,
depuis ici, je utilisé plusieurs différent approches pour interroger le données.
Le premier était multivarié
beaucoup de corrélations pour travail avec ici.
Le rouge indique mauvais images, bleu indique bien images.
Un valeur aberrante analyse, juste en regardant à le Mahalanobis distances,
Couteau de poche distances.
C'est juste pour voir si ou pas étaient fortement biaisé,
toi peut voir ce nous avons a obtenu plus valeurs aberrantes
dans le mauvais population par rapport pour le bien.
Mais je penser si toi séparé ces deux dehors,
ce vient bas un petit bit.
Je suis montrant ce juste pour montrer toi peut aller dans ici,
et toi peut commencer garniture quelques de ces dehors si toi vouloir pour,
si tu es pas voyant bien correspond.
Mais pour le but de ce exercer,
je n'a pas ont pour retirer ou cacher n'importe quel données dans le analyse.
je était capable pour utiliser tous comme il est.
Mais comment je a fait ce était ici.
Ce est le principal données tableau.
Ce est tous le données ce je regardé à, ici tous le images.
je serait juste aller pour analyser, multivarié méthodes, courir le multivariée.
Quoi nous vouloir pour faire est juste aller avec ce,
en fait, Désolé, dans le deuxième ici.
Quand classement,
je a fait utiliser conversion sur le classification depuis un personnage base t o tourner.
Il y a un super fonctionnalité dans ici.
Nous peut aller pour colonne, utilitaire, et alors faire indicateur Colonnes.
Toi peut aller ici et cliquez sur ajouter colonne nom.
Quoi il fait est un petit dire, "D'accord, ce est un, zéro."
Pour ce ligne, ce est mauvais, pas bien.
Alors, bas ici pour aller vice versa.
Toi peut utiliser ce information
pour alimentation dans quelques de le différent la modélisation plates-formes
ce nous allons regarde ici dans un peu minutes.
Dos pour le multi variable.
En allant ici, en allant pour courir tous ces.
Allons courir ce plateforme.
C'est intéressant.
Allons aller ici, mon mauvais.
O e peut voir notre corrélations.
Alors pour obtenir le valeur aberrante analyse,
aller ici, Cliquez sur,
Désolé, aller dans le multi variable et toi aller bas pour valeur aberrante analyse.
Toi courir Maha lanobis Distances, toi courir les distances de Jackknife .
Il y a différent approche est basé sur.
j'ai avait pour obtenir réussi pour ça.
Ce est premier passage.
Regards comme nous avons a obtenu quelque chose pour travail avec ici.
Le suivant marcher est pour casser ces bas un petit bit plus
pour regarder à comment chaque de le différent métrique est répondre
pour différent noyau tailles.
Quoi étaient vraiment en regardant pour ici est
comment avoir...
Nous commencer pour voir plus grand changements dans le noyau tailles.
Sont le lignes toujours chevauchement avec un un autre?
Étaient départ pour voir séparation.
En regardant à 15 sur mauvais , contre 15 sont bons,
15 sont mauvais, 15 c'est bien pour la structure similarité dans MSE
et nous peut commencer pour voir ce, étaient voyant séparation ici.
je penser ce est un bien indicateur
ce nous devrait être capable pour extrait quelque chose depuis ce.
Ce était fait en utilisant le graphique constructeur démo.
j'ai a obtenu données tableau construit
spécifiquement pour ce
graphique constructeur, super fonctionnalité ici.
Je suis dumping dans noyau taille.
Je suis en regardant le valeur le réseau,
ces dans groupes basé sur bien contre mauvais classification codes.
Alors mon image métrique est en allant pour utiliser page.
Ici je juste aller créer un linéaire adapter
ce regarder à avancé pour prédiction , R².
Il va juste faire apparaître l'équation est là.
Toi peut voir le bonté de le adapter.
je faire comme en regardant à applaudir points.
Pour ce, quand je utilisé grille centrée et déplacer ce le long de.
C'est juste facile autour le yeux pour présentation fins.
Toi peut faire défiler à travers ici,
et c'est a obtenu pour chaque de ces vraiment bon en regardant graphiques pour Aperçu.
Basé sur le multi variable et ce linéaire adapter,
Je suis sentiment joli bien à propos le données
ce nous extrait depuis ces images.
Le suivant marcher est, nous avons a obtenu un parcelle de métrique ce nous avons extrait depuis ces.
Faire tout de celui-ci matière, faire quelques de il matière?
Le suivant couple diapositives, nous aller sur dimensionnel réduction.
Spécifiquement, je utilisé un APC et Partiel B carrés pour ce PCA.
Avec ce est classification, mauvais contre bien.
Ce va dos pour quoi je était démo plus tôt
et le données tableau.
Quand tu es bâtiment un APC, toi vouloir pour ont, évidemment,
ton contributions et ton les sorties refonte comme vecteurs dans ce analyse.
Le raison pourquoi toi vouloir ce est parce que
tu es en regardant pour non non orthogonalité avec salutations pour ton contributions et ton les sorties.
Le plus orthogonale, ils sont pour un un autre,
le moins probable ils sont jouant un rôle dans qu'est-ce que c'est en allant sur.
Refonte
un personnage- basé classification dans un nombre fait du ce facile pour travail avec.
Nous pourrait voir ici, nous avons a obtenu quelques ici ce regarder comme ils pourrait être intéressant.
Quelques de ces sont intéressant.
je Souligné ces pour courir ce analyse
et simplement a pris mon données tableau ce je construit,
aller ici, analyser, prédire la modélisation.
Désolé, multivariée, principale Composants.
Quoi étaient en allant pour faire est jeter bien, mauvais classification,
et tous de notre différent métrique dans le analyse.
Voir ici, ces avoir l'air intéressant.
Ces étaient notamment intéressant.
Qu'est-ce que bon est quand toi souligner ces,
et toi aller dos et toi regarder à ton données tableau,
ça va souligner qui problèmes toi choisi.
Souvent PT peut obtenir vraiment occupé,
donc c'est pratique pour être capable pour aller références, et dire,
"D'accord, donc ces sont le ceux ce Je suis en fait intéressé dans."
Allons obtenir dos pour ici.
Après ce, dans un SVP, ce est plus pour
ciblage comment beaucoup facteurs nous penser sont jouant un rôle
dans le données ce nous avons a obtenu,
comme Bien comme portion nous identité supplémentaire métrique
ce pourrait être intéressant.
Pour ce particulier données ensemble,
il regards comme il s'installe dans et à propos
probablement minimale de cinq facteurs ce nous serait attendre
ce vient depuis ce problème plus grand que
van der Voet T² métrique basé sur le manuel de travail,
ils référencé un académique recherche qui indique que
quoi que ce soit va à propos 0,1 est typiquement où toi vouloir pour commencer à.
Depuis là, nous courir le SVP facteur identification.
Ce est ton VIP contre Coefficient parcelles,
et depuis là, tu peut souligner le différent
métrique ce sembler pour être conduite ce, le ceux ce sont la plupart pertinent.
Le chemin ce travaux en regardant à ces graphiques est toi vouloir pour aller dehors pour le extrêmes.
Ces sont intéressant.
Comme il obtient plus près, plus près pour le zéro coefficient,
c'est moins intéressant.
Je suis pas en allant pour courir le SVP plateforme
parce que ce sera en fait prendre un alors que pour courir.
je ne le faites pas penser n'importe qui veut pour juste montre mon ordinateur courir
tout en faisant cela.
Basé sur notre dimension réduction,
je terminé en haut avec ces facteurs être le la plupart pertinent
avec salutations pour quoi il est ce nous vouloir pour alimentation dans le neural réseau.
Quelques expérimentation, je trouvé ce il était principalement le SVP résultats,
et alors le standard 10 métrique depuis le APC comme Bien
quand ce était ajoutée dans,
il vraiment aidé tirer le modèle ensemble.
Entraînement contre Validation.
Évidemment, Je suis en utilisant un neural réseau pour construire le modèle pour le classificateur.
Le raison pourquoi Je suis en utilisant ce plateforme spécifiquement pour ce,
il a Pliage en K validation réservée dans sur c'est standard dans le plateforme JMP,
qui est super.
j'ai trouvé ce KF vieux aide pour compenser
quand tu es chancelant sur classe déséquilibre.
C'est un vraiment commun problème quand tu es transaction avec,
en étudiant fabrication processus.
Oui ous êtes pas en allant pour ont un parcelle de le défectueux données pour travail avec.
Vous avez vraiment a obtenu pour faire le meilleur de quoi vous avez a obtenu.
je trouver ce parfois K-Folds aide avec ce.
Le sortir depuis le neural réseau était joli bien, en fait.
Le chemin je faire ce est Je vais courir ce modèle, comme à propos cinq fois,
et alors Je vais comparer tout cinq de eux à une un autre.
Je vais prendre essentiellement le médian, ce classification taux,
et alors aller bas ici et regarder à notre faux les points positifs et FAUX négatif les taux.
Avec salutations pour,
le FAUX positif les taux.
je regarder à le ROC Courbe.
C'est un secret opérateur caractéristiques courbes.
Toi vouloir pour regarder à ces,
ils vouloir pour être décrit comme haut et serré,
le plus proche ces lignes obtenir pour ce milieu doubler,
le plus proche tu obtiens pour le pièce de monnaie passer et votre le prédiction.
Évidemment, ce est pas quoi étaient voyant ici.
Alors le prédiction profileur a quelques super caractéristiques
parce que toi peut essentiellement réorganiser ces basé sur
qui sont jouant le le plus grand rôle dans le prédiction,
comme Bien comme visualisation, comme quoi chaque individuel métrique est action
avec salutations pour jouant un rôle dans le prédiction lui-même.
Dans ce cas,
étaient en regardant à transitions de le dominant dimensions ici.
Voici un petit bit bizarre.
Je suis pas bien sûr qu'est-ce que c'est en allant sur avec ça.
UN s toi obtenir dos ici, où le moins dominant dimensions,
toi peut commencer pour voir ils devenir plus poussé.
Je vais courir le démo pour le neural réseau.
Nous aller ici.
Analyser.
UN en fait, j'ai a obtenu ce un construit déjà.
Laissez-moi...
Nous lancement ce analyse.
Nous avons inclus notre facteurs, notre réponses sont classification.
Neural réseau n'a pas se soucier
si tu es en utilisant un numérique ou personnage- basé réponse.
Ce sera travail avec soit un.
Ici, pour validation méthode,
vous avez un K-Fold, en utilisant cinq plis.
Le or standard pour la plupart comme Type IA analyse est dix.
je trouvé ce cinq était bien
donc Non raison pour pousser il.
je utiliser trois caché nœuds.
Cliquez sur go et voici le sortir.
Comme je a dit, Je vais courir ce probablement
cinq fois, prendre la valeur de lecture toi peut voir ici.
Notre classification est joli bien.
Bien voir un petit bit variation sur le validation ensemble.
Mais c'est tous dans raison pour quoi il est ce Je suis en regardant pour
avec salutations pour le profileur et le ROC courbe.
Toi obtenir bas ici, qui ROC courbes toi peut voir ici,
comme je décrit plus tôt, ce hauteur caractéristiques sur le courbes.
Validation, peut être un petit bit moins, mais nous pouvons travail avec il.
Alors avec salutations pour le profileur.
Les sorties du profileur regards comme ce.
Il n'a pas organiser eux et qui un est la plupart pertinent.
Toi aller ici
et toi aller pour évaluer variable importance, indépendant uniforme contributions.
Aller dos en haut ici, nous peut voir un résumé rapport.
Ici, toi aller bas pour variable importance, menu.
Depuis ici, toi peut réorganiser facteurs par principal importance de l'effet.
Pour ce modèle, il réorganisé ce chemin,
Coloriser.
Toi peut voir ici nous avons a obtenu le plus foncé couleur est plus pertinent
et alors il se déplace pour le droite.
Voyons.
Conversion le modèle pour un CPS métrique, pour faire le données Plus facile pour interpréter,
nous besoin pour prendre le résultat depuis le modèle converti dans métrique
qui peut être posté pour CPS système et comploté sur CPS graphique.
Le Activation composant de le neural réseau modèle est un doux carte fonction
c'est un standard dans JMP.
Ce calcule le probabilité de un image être bien ou mauvais,
avec le plus haut le deux résultant et avec le images classifié comme
et quoi étaient en allant pour faire ici est en allant pour introduire un troisième métrique inconnu.
Je vais montrer un petit bit à propos comment ce est fait.
Un de le bon choses à propos le neural réseau plateforme
est le SAS DONNÉES Marcher sortir déposer est en fait comme un Pythonique modèle scénario.
Typiquement pour le système métrique, toi vouloir ce dans python,
ça va être vraiment cool,
oublié comment pour faire il tous dans JMP.
Ce code depuis le neural réseau ici,
le réel modèle lui-même peut être produit dans ce format.
Toi juste aller pour modèle et faire SAS DES DONNÉES étape.
Ici nous aller.
je penser dans JMP Pro, toi pourrait juste sortir il par python directement,
mais pas tout le monde a accès pour JMP Pro.
Il obtient soit 80 % de le chemin là,
pas 100 %.
Il juste a besoin un peu modifications dans le réel code.
Sur le gauche main côté, nous avons a obtenu le DONNÉES SAS étape format.
Sur le du côté de la main droite, c'est le conversion de il pour le python.
C'est juste importation il comme importation le mathématiques bibliothèque,
et alors appliquer ce donc nous peut prendre le tangente pour choses.
Alors toi obtenir ce ici.
Quoi nous vouloir pour faire est seuil,
les notres souvent hache probabilité calcul étaient action ce,
plutôt que juste en disant, n'importe lequel de ces,
est le plus élevé est ton réel résultats.
Si c'est 0,5 1, mauvais, 0,49 , bien, alors ça va être mauvais.
Est nous aller et nous dire, "D'accord, si le Softmax sortir est plus grand que 0,75
alors c'est ce classificateur, parce que ça va être égal et contraire."
Ça va être acceptable un.
Si c'est 0,75 mauvais alors c'est mauvais,
mais si c'est un nombre moins que ce, il ne le fera pas classer il comme bien ou mauvais.
Ça va juste classifié comme inconnu.
Bien passer ce dans notre système.
Quoi ce raconte nous pour faire est quelqu'un regarder à ceux images,
parce que le classificateur ne peut pas décider si ou pas c'est bien ou mauvais.
Le sortir, et ce est le fini produit,
est pour convertir, comme je a dit,
le final métrique dans quelque chose ce pourrait être signalé dans notre CPS système.
Essentiellement, quoi étaient action ici est juste en fait rapports
quoi notre Softm hache probabilité est,
prise le inverse de ce, et alors appliquer le seuil
pour déterminer si ou pas choses sont connu ou inconnu.
Basé sur ce, ce est notre initial données
ce j'ai montré à le début de le présentation
ce montre ce est le graphique regarder comme pour le la mesure de le défaut.
Alors ce est quoi nous obtenir quand nous aller dans
et nous réanalyser ce données et appliquer ce nouveau métrique,
qui raconte nous si ou pas il pense ce il y a côté mur fonctionnalité,
toi peut voir en regardant à le même données ensemble
ce Oui, il très beaucoup donc identifie ce comme soit bien ou mauvais.
Le vert indique c'est un bien.
Le rouge indique ceux étaient classifié comme mauvais.
Alors toi peut voir ici sur Données SPC,
ils serait immédiatement obtenir signalé comme mauvais comme Bien.
Ces bleu ceux suspendu dehors ici
sont les ceux ce sont inconnu ce il est récit nous donc beaucoup,
"Aller regarder à ce."
Ce est mon présentation.
j'ai posté le information pour le utilisateur communauté placer
si n'importe qui veut accès pour le code
c'est utilisé pour le image analyse ce est là.
Remercier toi très beaucoup.
