Hallo, Mein Namen Steve Maxwell.
ICH Bin ein Ingenieur.
ICH arbeiten In Die Halbleiter Industrie.
Heute, Ich bin gehen Zu geben A Präsentation An Wie ICH Verwenden Sie JMP
In Die Gebäude von Die Bild Analyse Pipeline.
A wenig bisschen von Hintergrund An Die Problem.
Zwei von unser Modul Gruppen bei unser Einrichtung
rannte hinein ein Ausgabe mit A Besonderheit
wo da War Erosion An Die Seitenwand von Die Besonderheit.
Der SEM System Das Wir gebraucht Zu messen
Die Größe von Das Besonderheit war nicht erkennen Das Besonderheit,
Und Es nicht haben Die Fähigkeit Zu charakterisieren Das.
Es ist ein älter Stück von Ausrüstung, Aber es ist auch bezahlt für Also Wir gefallen Es.
Der Ansatz Das ICH beschäftigt Zu helfen ihnen aus
War Zu bauen A separate Analyse Pipeline Zu analysieren Bilder,
klassifizieren Bilder das ist haben Schaden oder nicht ,
Und Es produzieren A metrisch Das könnte sein an SPC gesendet System für Tracking-Zwecke.
ICH verwenden JMP hauptsächlich Zu analysieren Daten,
Zu bauen A Modell System bereitstellen Und Herstellung,
als Also als, mehr kürzlich,
integrierend manche von Die tatsächlich Bild Analyse hinein JSL.
Krank zeigen manche Beispiele von Das.
Das Ist A Probe von Was Es Ist Das war suchen bei.
Das Ist A Gut Bild Die links- Hand Seite,
Und Das Ist A schlecht Bild An Die rechte Seite.
Wir dürfen sehen Hier Die wie Variation Und Erosion.
Das ist Was Wir war suchen für In diese Bilder.
Wir könnte sehen aus Hier Das Die Messung,
welche Ist Erledigt An Die innen von Das
würde nicht Wirklich zurücksetzen Zu diese Merkmale das landet bei Die Dasselbe Stelle jeden Zeit.
War nicht fähig Zu Erzählen Sie es, indem Sie es einfach verwenden unser normal Methoden.
Das Ist A wenig bisschen mehr Detail um Was Wir war Sehen.
Das Ist ein Beispiel von Was manche von Das Daten sah wie
Wenn Wir könnte sehen aus Hier Das obwohl Die Verfahren War haben Probleme,
Wir war nicht erkennen Es mit Die Messungen Das Wir war verwenden.
Wir haben gestartet hinein ein Ansatz Zu Adresse Das Ausgabe.
ICH verwenden Die Standard ETL Format für die meisten Daten Wissenschaft Probleme.
Extrakt, verwandeln, Belastung.
ICH bekommen Zu brechen Es hinein vier Kategorien,
konfigurieren, sammeln, Analyse Und Bericht.
Konfigurieren und Sammlung, Standard Methoden.
Analyse, das ist Die Schlüssel Zu Das.
Das ist Wie Ich bin Wiederaufbereitung Die Bilder
Und Dann extrahieren Metriken für diese Bilder Das Wir dürfen verwenden Zu bauen A Modell
Zu bestimmen ob oder nicht, Wir könnte erkennen Die Ausgabe bei Hand.
Der Ansatz für Das Analyse Ist Zu Konvertieren Die Bilder aus RGB,
welche Ist kommen aus An Die System, Die Messung System,
Und Konvertieren diese Zu grau Skala.
Dann ist die Bilder Sind beschnitten, entfernen beliebig Messung Einzelheiten,
alles wie Das aus von ihnen.
Dann Die nächste Schritt Ist Zu anwenden Median Zu diese Bilder.
Der Grund Warum Tun Das Ist war gehen Zu verwischen Die Bilder
Und entfernen manche von Die Lärm aus von Die Bild.
Das Ist A Schlüssel Schritt für Bild Analyse Und Bild wird bearbeitet.
Der Ansatz War gebraucht als ein Experimental- Ansatz anders Kernel Größen,
anders Kernel Formen, Aber In Die Ende, Ist erledigt An
verwenden A Scheibe- geformt Kernel mit A Pixel Radius von wie 5, 7 , 10, Und 15 Pixel.
Für diese Das Sind unbekannt mit Das Terminologie,
Kernel Ist grundsätzlich Nur ein Array
das ist gebraucht Zu verschlechtern die Bild Wann du bist es wiederaufbereiten.
Nach Das War Erledigt,
Extraktion von Die Metriken aus Die wiederaufbereitet Bilder War entwickelt,
gebraucht mehrere anders Standard Metriken,
strukturelle Ähnlichkeit Index, mittlerer quadratischer Fehler, Shannon Entropie,
Dann A wenige anders solche wie Gaußscher Ausführung von SSIM,
als Also als suchen bei Die bedeutet von Die Standard Abweichungen von Die
SSIM-Bild Farbverläufe aus Die Gaußscher gewichtet Bilder.
Aus dort, gebraucht dimensional die Ermäßigung Techniken
Zu Extrakt welche von diese Metriken War am meisten relevant,
Zu versuchen Und bauen A Modell, a prädiktiv Modell
Und Dann Konvertieren Das hinein manche davon metrisch
Das könnte Sei leicht interpretiert An Die Herstellung
während läuft Produktion.
Eins von Die Folgemaßnahmen An Das Ist Wann tun Die metrisch Extraktionen,
Die Referenz Bild Heldentaten Die Bild Das
gebraucht A Kernel mit A Pixel Radius bei fünf,
Und Dann Die 7, 10 und 15 Kernel Radius Ist vorbereitet Zu Das Bild.
Das zeigt an A wenig bisschen mehr Detail um
Was Die Analyse Pipeline Ansatz sieht aus wie.
Der offline Ansatz, Wir Start mit Die Bild Erwerb.
Offensichtlich, Das Ist Erledigt während Die Herstellung Verfahren.
Nach Das, anfänglich, Das arbeiten War Erledigt Python,
welche War Zu Konvertieren Die Graustufen Ernte, de Lärm, Die Bilder,
Und Dann Besonderheit Generation metrisch Extraktion, SSIM,
bedeuten Quadrat, Entropie, Berechnungen, usw.
JMP JSL hat A Python Verpackung Das Du dürfen verwenden für Integration.
Was ist Großartig Ist Du dürfen Genau genommen bewegen A viel von Das Code
In Zu Die JMP Umfeld.
Krank gehen hinein A wenig bisschen mehr Detail um Was Das Ist
Und Wie ICH verwenden es zu helfen Geschwindigkeit Das Verfahren entlang.
Der Finale Komponente von Das War Zu entwickeln A Qualität metrisch.
Das Ist sehr JMP-intensiv Schritt als Also.
Dann einmal A metrisch Ist bestimmt,
Du bewegen Das über hinein ein online Verfahren
In welche, Die Herstellung Daten Ist analysiert,
und dann das Information Ist geschoben Zu A SPC System.
A wenig bisschen mehr um Python/ JSL Integration,
Die Integriert Python Analyse Code hinein JSL verwenden Python/ JSL Verpackung.
Der Daten überweisen tritt ein von konvertieren der JMP Tisch hinein Pandas Daten rahmen.
Der Daten Rahmen Sind bestanden In ein Analyse Code.
Der Ergebnisse Sind ist zurückgekommen aus Python Zu JMP als A Daten Tisch.
Was ist Großartig um Das Ist Es ermöglicht verwenden
gemeinsam Bild Analyse Bibliotheken als Skimage, Scipy, PIL, OpenCV , usw,
Zu ausführen Die arbeiten während behalten Die Daten innerhalb Die JMP-Framework.
Das, In Mein Meinung, War Schlüssel Weil Ich bin nicht ziehen um Daten
aus eins System oder eins Plattform Zu ein anderer Plattform Und zurück Und her.
ICH War fähig Zu halten Es alle In eins Stelle.
Das Ist A wenig bisschen mehr Detail um
Was Die Analyse Pipeline Ist tun Wann es ist Wiederaufbereitung Die Bilder.
Das Ist Was ICH War fähig Zu bewegen aus Nur läuft langsam In Python
Zu integrierend Es hinein JSL verwenden, lass uns sagen, Python Bibliotheken.
Du dürfen sehen, hier ist A schlecht, hier ist A Gut.
Wir beschnitten Die Bild zu nur zeigen
nur nehmen grundsätzlich Das Komponente von Es, Konvertieren Es Zu grau,
Und Dann bewirbt sich Mittel Filter Zu verwischen Die Bilder mit anders Kernel Größen
wie du dürfen sehen als Wir Zunahme Die Kernel Größen,
Sie werden A wenig bisschen verwischen.
Was ICH wollen Zu zum Mitnehmen anzeigen Hier Ist für A Gut Bild, Du dürfen sehen
Die Kernel mit Festplattengröße 5 gegen, 7 gegen, 10 gegen 15,
sehen hübsch ähnlich Zu eins ein anderer .
Wohingegen Diskette 5, Diskette 7, Scheibe 10, Diskette 15, An A schlecht Bild,
Du dürfen sehen Das von Zeit Du erhalten Zu Scheibe 15,
Das Bild, oder Kernel Größe 15,
Das Bild Ist beginnend Zu sehen ähnlich Zu Das.
Von entfernen Die Lärm aus Das Bild,
Und Dann entrauschen Die Bilder schrittweise
verwenden anders Kernel Größen.
Th ist das, was ermöglicht uns Zu erfolgreich Extrakt Metriken
Das Wir dürfen verwenden Zu unterscheiden zwischen Die Gut gegen Die schlecht.
Entschuldigung, halten An Hier. Lass mich gehen zurück hoch.
Bei Das Punkt, Ich bin gehen Zu Start Demo Das zeigt an
Wie Ich bin ziehen um Das Daten hinein JMP
Und Dann Was Es sieht aus wie als Es grundsätzlich Wiederaufbereitung Das Sachen.
Wie ICH Tun Das Ist Die erste Sache ICH brauchen Zu Tun Ist ICH brauchen Zu bauen A Daten Tisch.
Es ist A Großartig Besonderheit im JMP,
Du gehen Zu Datei, importieren mehrere Dateien Hier.
Dann Was Ich habe bekommen Ist Ich habe bekommen grundsätzlich A Probe Satz von gerade fünf Bilder
Das Ich bin gehen Zu kombiniere alle t zusammen hinein eins Daten Tisch.
Was Es tut Ist Es Genau genommen importieren Die Bilder als Also als Die Bild Datei Namen.
Du gehen Hier, klicken Das Datei Spalte Name, klicken importieren,
Und
Was Wir erhalten,
Ist Das.
Wir haben bekommen ein Bild von unser Bild Das Wir wollen Zu analysieren.
Wir haben bekommen A Datei Name Etikett nächste Zu Es.
Wir haben bekommen Die Daten importiertes Bild.
Jetzt, Die nächste Schritt Ist Zu laufen unser Analyse Code
gegen jede von diese Bilder Und Start extrahieren Metriken.
Ich habe bekommen A...
geändert Ausführung von Das Code Hier.
Der Weg Das Code funktioniert Ist
Es gibt A Python Initialisierung Das tritt ein JSL.
Und dann einmal das ist Erledigt,
Die Daten Tisch Das Du wollen Zu analysieren
Ist Vergangenheit acht Zu Python als A Daten rahmen.
Bei Das Punkt unter Die Python einreichen,
grundsätzlich, Du Konvertieren über Zu Python Code.
Und dann du bist verwenden Standard Ansätze,
Standard Codierung Verfahren für Python
Und analysieren Die Bild, als Du dürfen sehen Hier,
wir haben unsere Bibliothek Importe, usw.
Wie hoch Das Code War, grundsätzlich Zu finden A Bündel von Funktionen.
Dann diese Funktionen Wille zurückkehren ein Ausgabe
Das würde grundsätzlich erhalten hinzugefügt zurück hinein Die Daten rahmen
Das Ist geschoben zurück aus Zu JMP hinein Die Daten Tisch.
Das ist Erledigt von verwenden Das Lambda-Funktion,
Th Ist Lambda Funktion gilt Das fu nc tion alle Reihen,
Das angegeben Spalte In Die Daten rahmen oder Die JMP Tisch.
Wann Wir laufen Das...
Was war gehen Zu Tun Ist nehmen Das Tisch ICH Nur gebaut
Und war gehen Zu Extrakt,
Aber Was war gehen Zu Tun Ist wiederaufbereiten Die Bilder Und Extrakt Die Metriken.
Was Wir sehen Hier Ist Die Bilder Das Sind zeigen früher.
Wir haben genommen unser Bild, wir haben umgewandelt Es Zu grau.
Dann Wir gestartet Lernen Es.
Wir haben bekommen 5 Pixel Radius Kernel 7, 10 und 15.
Dann aus Dort, war extrahieren alle von unser anders Metriken.
SS ICH BIN für 7 verglichen Zu 5 SSIM.
SSIM ist strukturell Ähnlichkeit Index,
7 verglichen Zu 5, 10 verglichen Zu 5, 15 verglichen Zu 5.
Das ist grundsätzlich Was war tun, Ist Berechnen strukturelle Ähnlichkeit Index
zwischen Das Bild Und dieses Bild,
dieses Bild und dieses Bild
und dieses Bild und dieses Bild.
Wenn Wir gehen zurück Zu unser Präsentation,
aus Hier, ICH gebraucht mehrere anders Ansätze für verhören Die Daten.
Zuerst war multivariat
viele Zusammenhänge Zu arbeiten mit Hier.
Der Rot zeigt an schlecht Bilder, Blau zeigt an Gut Bilder.
Ein Ausreißer Analyse, Nur suchen bei Die Mahalanobis Entfernungen,
Klappmesser Entfernungen.
Das ist Nur Zu sehen ob oder nicht war schwer schief,
Du dürfen sehen Das wir haben bekommen mehr Ausreißer
In Die schlecht Bevölkerung verglichen Zu Die Gut.
Aber ich denken Wenn Du separate diese zwei aus,
Das kommt runter A wenig bisschen.
Ich bin zeigen Das Nur Zu zeigen Du dürfen gehen In Hier,
Und Du dürfen Start Trimmen manche von diese aus Wenn Du wollen Zu,
Wenn du bist nicht Sehen Gut passt.
Aber für Die Zweck von Das Übung,
ICH nicht haben Zu entfernen oder verstecken beliebig Daten In Die Analyse.
ICH War fähig Zu verwenden alle als Es Ist.
Aber Wie ICH tat Das War Hier.
Das Ist Die hauptsächlich Daten Tisch.
Das Ist alle Die Daten Das ICH sah bei, Hier alle Die Bilder.
ICH würde Nur gehen Zu analysieren, multivariat Methoden, laufen Die multivariat.
Was Wir wollen Zu Tun Ist Nur gehen mit Das,
Genau genommen, Entschuldigung, In Die zweite Hier.
Wann klassifizieren,
ICH tat verwenden Konvertierung An Die Einstufung aus A Charakter Base T Ö drehen.
Es gibt A Großartig Besonderheit In Hier.
Wir dürfen gehen Zu Spalte, Dienstprogramm, Und Dann machen Indikator Säulen.
Du dürfen gehen hier und klicken Sie auf „Anhängen“. Spalte Name.
Was Es tut Ist A wenig sagen, "Okay, Das Ist eins, null."
Für Das Reihe, Das Ist schlecht, nicht Gut.
Dann, runter Hier Zu gehen Vize umgekehrt.
Du dürfen verwenden Das Information
Zu füttern hinein manche von Die anders Modellieren Plattformen
Das wir werden es tun Schauen Sie hier vorbei In A wenige Protokoll.
Zurück Zu Die multi variieren.
Gehen Hier, gehen Zu laufen alle diese.
Lasst uns laufen Das Plattform.
Das ist interessant.
Lasst uns gehen Hier, Mein schlecht.
W e dürfen sehen unser Zusammenhänge.
Dann Zu erhalten Die Ausreißer Analyse,
gehen Hier, klicken,
Entschuldigung, gehen hinein Die multi variieren und Du gehen runter Zu Ausreißer Analyse.
Du laufen Maha lanobis Entfernungen, Du Führen Sie Jackknife-Distanzen durch .
Es gibt anders Ansatz Ist basierend An.
Ich habe hatte Zu erhalten erfolgreich dafür.
Das Ist erster Pass.
Sieht aus wie wir haben bekommen etwas Zu arbeiten mit Hier.
Der nächste Schritt Ist Zu brechen diese runter A wenig bisschen mehr
Zu sehen bei Wie jede von Die anders Metriken Ist reagieren
Zu anders Kernel Größen.
Was war Wirklich suchen für Hier Ist
wie kommt man...
Wir Start Zu sehen größer Änderungen In Die Kernel Größen.
Sind Die Linien Trotzdem überlappend mit eins ein anderer?
War beginnend Zu sehen Trennung.
Schauen bei 15 An schlecht , gegen 15 sind gut,
15 sind schlecht, 15 sind gut für strukturelle Ähnlichkeit In MSE
und wir dürfen Start Zu sehen Das, war Sehen Trennung Hier.
ICH denken Das Ist A Gut Indikator
Das Wir sollen Sei fähig Zu Extrakt etwas aus Das.
Das War Erledigt verwenden Die Graph Baumeister Demo.
Ich habe bekommen Daten Tisch gebaut
speziell für Das
Graph Baumeister, Großartig Besonderheit Hier.
Ich bin Schluss machen In Kernel Größe.
Ich bin suchen Die Wert Die Netzwerk,
diese hinein Gruppen basierend An Gut gegen schlecht Einstufung Codes.
Dann Mein Bild metrisch Ist gehen Zu verwenden Seite.
Hier ICH Nur gehen erstellen A linear fit
Das sehen bei fortschrittlich für Vorhersage , R².
Es wird die Gleichung einfach zum Platzen bringen Ist Dort.
Du dürfen sehen Die Güte von Die fit.
ICH Tun wie suchen bei jubeln Punkte.
Für Das, Wann ICH gebraucht zentriertes Raster Und bewegen Das entlang.
Es ist Nur einfach um Die Augen für Präsentation Zwecke.
Du dürfen scrollen durch Hier,
Und es ist bekommen für jede von diese Wirklich Hübsch suchen Grafiken Zu Vorschau.
Bezogen auf Die multi variieren und Das linear fit,
Ich bin Gefühl hübsch Gut um Die Daten
Das Wir extrahiert aus diese Bilder.
Der nächste Schritt Ist, wir haben bekommen A viel von Metriken Das wir haben extrahiert aus diese.
Alles machen davon Gegenstand, Tun manche von Es Gegenstand?
Der nächste Paar Folien, Wir gehen über dimensional die Ermäßigung.
Speziell, ICH gebraucht A PCA Und Teilweise B Quadrate für Das PCA.
Mit Das Ist Einstufung, schlecht gegen Gut.
Das geht zurück Zu Was ICH War Demo früher
Und Die Daten Tisch.
Wann du bist Gebäude A PCA, Du wollen Zu haben, offensichtlich,
dein Eingänge Und dein Ausgänge Neufassung als Vektoren In Das Analyse.
Der Grund Warum Du wollen Das Ist Weil
du bist suchen für nicht-o Orthogonalität mit Grüße Zu dein Eingänge Und dein Ausgänge.
Der mehr orthogonal, Sie Sind Zu eins ein anderer,
Die weniger wahrscheinlich Sie sind spielen A rein kommen was ist gehen An.
Neufassung
A Charakter- basierend Einstufung hinein A Nummer macht Das einfach Zu arbeiten mit.
Wir könnte sehen Hier, wir haben bekommen manche Hier Das sehen wie Sie könnte Sei interessant.
Manche von diese Sind interessant.
ICH hervorgehoben diese Zu laufen Das Analyse
Und einfach nahm Mein Daten Tisch Das ICH gebaut,
gehen Hier, analysieren, voraussagend Modellieren.
Entschuldigung, multivariat, Prinzipal Komponenten.
Was war gehen Zu Tun Ist gießen Gut, schlecht Einstufung,
Und alle von unser anders Metriken hinein Die Analyse.
Sehen Hier, diese sehen interessant aus.
Diese war insbesondere interessant.
Was ist Hübsch Ist Wann Du Markieren diese,
Und Du gehen zurück Und Du sehen bei dein Daten Tisch,
es wird Markieren welche Probleme Du ausgewählt.
Oftmals PTs dürfen erhalten Wirklich beschäftigt,
Also es ist praktisch Zu Sei fähig Zu gehen Referenzen und sagen Sie:
"Okay, Also diese Sind Die Einsen Das Ich bin Genau genommen interessiert In."
Lasst uns erhalten zurück Zu Hier.
Nach Das, In A PLS, Das Ist mehr für
Targeting Wie viele Faktoren Wir denken Sind spielen A Rolle
In Die Daten Das wir haben bekommen,
als Also als Portion uns identifizieren zusätzlich Metriken
Das könnte Sei interessant.
Für Das besondere Daten Satz,
Es sieht aus wie Es beruhigt sich In Und um
wahrscheinlich mindestens fünf Faktoren Das Wir würde erwarten
Das kommt aus Das wahrscheinlich größer als
van der Voet T² metrisch basierend An Die Arbeitshandbuch,
Sie verwiesen A akademisch Untersuchungen, die darauf hinweisen
irgendetwas geht um 0,1 Ist typischerweise Wo Du wollen Zu Start bei.
Aus Dort, Wir laufen Die Bitte Faktor Identifikation.
Das Ist dein VIP gegen Koeffizient Grundstücke,
Und aus Da, du dürfen Markieren Die anders
Metriken Das erscheinen Zu Sei Fahren Das, Die Einsen Das Sind am meisten relevant.
Der Weg Das funktioniert suchen bei diese Diagramme Ist Du wollen Zu gehen aus Zu Die Extreme.
Diese Sind interessant.
Als Es bekommt näher, näher Zu Die null Koeffizient,
es ist weniger interessant.
Ich bin nicht gehen Zu laufen Die Bitte Plattform
Weil Das Wille Genau genommen nehmen A während Zu laufen.
ICH nicht denken irgendjemand will Zu Nur betrachten Mein Computer laufen
dabei.
Bezogen auf unser Abmessungen die Ermäßigung,
ICH beendet hoch mit diese Faktoren Sein Die am meisten relevant
mit Grüße Zu Was Es Ist Das Wir wollen Zu füttern hinein Die neuronal Netzwerk.
Manche Experimentieren, ICH gefunden Das Es War hauptsächlich Die Bitte Ergebnisse,
Und Dann Die Standard 10 metrisch aus Die PCA als Also
Wann Das War hinzugefügt In,
Es Wirklich hat geholfen ziehen Die Modell zusammen.
Ausbildung gegen Validierung.
Offensichtlich, Ich bin verwenden A neuronal Netzwerk Zu bauen Die Modell für Die Klassifikator.
Der Grund Warum Ich bin verwenden Das Plattform speziell für Das,
Es hat K-Faltung Validierung gebucht In An es ist Standard In Die JMP-Plattform,
welche Ist Großartig.
Ich habe gefunden Das KF alte hilft Zu kompensieren
Wann du bist schwankend An Klasse Ungleichgewicht.
Das ist A Wirklich gemeinsam Problem Wann du bist handeln mit,
studieren Herstellung Prozesse.
Y Du bist nicht gehen Zu haben A viel von Die defekt Daten Zu arbeiten mit.
Du hast Wirklich bekommen Zu machen Die am besten von Was Du hast bekommen.
ICH finden Das Manchmal K-Folds hilft dabei Das.
Der Ausgabe aus Die neuronal Netzwerk War hübsch Gut, Genau genommen.
Der Weg ICH Tun Das Ist Krank laufen Das Modell, wie um fünf mal,
Und Dann Krank vergleiche alles fünf davon ihnen zu einem ein anderer.
Krank nehmen grundsätzlich Die Median, Das Einstufung Rate,
Und Dann gehen runter Hier Und sehen bei unser Falsches Positives Und FALSCH Negativ Tarife.
Mit Grüße Zu,
Die FALSCH positiv Tarife.
ICH sehen bei Die ROC Kurve.
Das ist A Geheimnis Operator Eigenschaften Kurven.
Du wollen Zu sehen bei diese,
Sie wollen Zu Sei beschrieben als hoch und eng,
Die näher diese Linien erhalten Zu Das Mitte Linie,
Die näher Du bekommst Zu Die Münze Pass und dein Die Vorhersage.
Offensichtlich, Das Ist nicht Was war Sehen Hier.
Dann Die Vorhersage Profiler hat manche Großartig Merkmale
Weil Du dürfen grundsätzlich neu anordnen diese basierend An
welche Sind spielen Die größte Rolle In Die Vorhersage,
als Also als visualisieren, wie Was jede Individuell metrisch Ist tun
mit Grüße Zu spielen A Rolle In Die Vorhersage selbst.
In Das Fall,
war suchen bei Übergänge von Die Dominant Maße Hier.
Hier ist A wenig bisschen seltsam.
Ich bin nicht Sicher was ist gehen An damit.
A S Du erhalten zurück Hier, Wo Die weniger Dominant Maße,
Du dürfen Start Zu sehen Sie werden mehr geschoben.
Krank laufen Die Demo für Die neuronal Netzwerk.
Wir gehen Hier.
Analysieren.
A eigentlich, Ich habe bekommen Das eins gebaut bereits.
Lass mich...
Wir Start Das Analyse.
Wir haben inbegriffen unser Faktoren, unser Antworten Sind Einstufung.
Neuronal Netzwerk nicht Pflege
Wenn du bist verwenden A numerisch oder Charakter- basierend Antwort.
Das Wille arbeiten mit entweder eins.
Hier, für Validierung Methode,
Du hast einen K-Fold, verwenden fünf Falten.
Der Gold Standard für am meisten wie KI-Typ Analyse Ist zehn.
ICH gefunden Das fünf War Bußgeld
Also NEIN Grund Zu drücken Es.
ICH verwenden drei versteckt Knoten.
Klicken Sie auf „Los“ und hier ist das Ausgabe.
Wie ICH sagte, Krank laufen Das wahrscheinlich
fünf mal, Nehmen Sie den Lesewert Du dürfen sehen Hier.
Unser Einstufung Ist hübsch Gut.
Also sehen A wenig bisschen Variation An Die Validierung Satz.
Aber es ist alle innerhalb Grund für Was Es Ist Das Ich bin suchen für
mit Grüße Zu Die Profiler Und Die ROC Kurve.
Du erhalten runter Hier, welche ROC Kurven Du dürfen sehen Hier,
als ICH beschrieben früher, Das Höhe Eigenschaften An Die Kurven.
Validierung, Vielleicht A wenig bisschen weniger, Aber wir können arbeiten mit Es.
Dann mit Grüße Zu Die Profiler.
Die Profiler-Ausgaben sieht aus wie Das.
Es nicht arrangieren ihnen Und welche eins Ist am meisten relevant.
Du gehen Hier
Und Du gehen Zu bewerten Variable Bedeutung, unabhängig Uniform Eingänge.
Gehen zurück hoch Hier, Wir dürfen sehen A Zusammenfassung Bericht.
Hier, Du gehen runter Zu Variable Bedeutung, Speisekarte.
Aus Hier, Du dürfen neu anordnen Faktoren von hauptsächlich Wirkungsbedeutung.
Für Das Modell, Es nachbestellt Das Weg,
Kolorieren.
Du dürfen sehen Hier wir haben bekommen Die dunkler Farbe ist am meisten relevant
Und Dann Es bewegt sich Zu Die Rechts.
Mal sehen.
Konvertieren Die Modell Zu ein SPC metrisch, Zu machen Die Daten Einfacher Zu interpretieren,
Wir brauchen Zu nehmen Die Ergebnis aus Die Modell umgewandelt hinein metrisch
das kann Sei Gesendet Zu SPC System Und geplottet An SPC Diagramm.
Der Aktivierung Komponente von Die neuronal Netzwerk Modell Ist A weich Karte Funktion
das ist A Standard im JMP.
Das rechnet Die Wahrscheinlichkeit von ein Bild Sein Gut oder schlecht,
mit Die höher Die zwei resultierend Und mit Die Bilder klassifiziert als
Und Was war gehen Zu Tun Hier Ist gehen Zu einführen A dritte Metrik Unbekannt.
Krank zeigen A wenig bisschen um Wie Das Ist Erledigt.
Eins von Die Hübsch Dinge um Die neuronal Netzwerk Plattform
Ist Die SAS DATEN Schritt Ausgabe Datei Ist Genau genommen wie A Pythonisch Modell Skript.
Typischerweise für das metrische System, Du wollen Das In Python,
das wird Sei Wirklich Cool,
vergessen Wie Zu Tun Es alle In JMP.
Das Code aus Die neuronal Netzwerk Hier,
Die tatsächlich Modell selbst dürfen Sei ausgegeben In Das Format.
Du Nur gehen Zu Modell Und machen SAS DATEN S tep.
Hier Wir gehen.
ICH denken in JMP Pro, Du könnte Nur Ausgabe Es von Python direkt,
Aber nicht alle hat Zugang Zu JMP Pro.
Es bekommt entweder 80 % von Die Weg Dort,
nicht 100 %.
Es Nur erfordert A wenige Modifikationen In Die tatsächlich Code.
An Die links Hand Seite, wir haben bekommen Die SAS DATA S tep Format.
An Die rechte Seite, es ist Die Konvertierung von Es Zu Die Python.
Es ist Nur importieren Es als importieren Die Mathematik Bibliothek,
Und Dann bewirbt sich Das Also Wir dürfen nehmen Die Tangente Zu Dinge.
Dann Du erhalten Das Hier.
Was Wir wollen Zu Tun Ist Schwelle,
unser S oftm Axt Wahrscheinlichkeit Berechnung war tun Das,
eher als Nur Sprichwort, was auch immer von diese,
Ist höchste Ist dein tatsächlich Ergebnisse.
Wenn es ist 0,5 1, schlecht, 0,49 , Gut, Dann es wird Sei schlecht.
Ist Wir gehen Und Wir sagen, "Okay, Wenn Die Softmax Ausgabe Ist größer als 0,75
Dann es ist Das Klassifikator, Weil es wird Sei gleich Und Gegenteil."
Es wird Sei akzeptabel eins.
Wenn es ist 0,75 dann schlecht es ist schlecht,
Aber Wenn es ist A Nummer weniger als Das, Es Gewohnheit klassifizieren Es als Gut oder schlecht.
Es wird Nur klassifiziert als Unbekannt.
Also passieren Das hinein unser System.
Was Das erzählt uns Zu Tun Ist jemand sehen bei diese Bilder,
Weil Die Klassifikator kippen entscheiden ob oder nicht es ist Gut oder schlecht.
Der Ausgabe, Und Das Ist Die fertig Produkt,
Ist Zu Konvertieren, wie ICH sagte,
das endgültige metrisch hinein etwas Das könnte Sei gemeldet in unserer SPC System.
Grundsätzlich, Was war tun Hier Ist Nur Genau genommen Berichterstattung
Was unser Softm Axt Wahrscheinlichkeit Ist,
nehmen Die umgekehrt von Das, Und Dann bewirbt sich Die Schwelle
Zu bestimmen ob oder nicht Dinge Sind bekannt oder Unbekannt.
Bezogen auf Das, Das Ist unser anfänglich Daten
Das Ich habe zeigte bei Die Anfang von Die Präsentation
Das zeigt an Das Ist Die Diagramm sehen wie für Die Messung von Die Defekt.
Dann Das Ist Was Wir erhalten Wann Wir gehen In
Und Wir erneut analysieren Das Daten Und anwenden Das neu metrisch,
welche erzählt uns ob oder nicht Es denkt Das Es gibt Seite Wand Besonderheit,
Du dürfen sehen suchen bei Die Dasselbe Daten Satz
Das Ja, Es sehr viel Also identifiziert Das als entweder Gut oder schlecht.
Der Grün zeigt an das ist A Gut.
Der Rot zeigt an diese war klassifiziert als schlecht.
Dann Du dürfen sehen Hier An SPC-Daten,
Sie würde sofort erhalten markiert als schlecht als Also.
Diese Blau Einsen hängend aus Hier
sind die Einsen Das Sind Unbekannt Das Es Ist erzählen uns Also viel,
"Gehen sehen bei Das."
Das Ist Mein Präsentation.
Ich habe Gesendet Die Information Zu Die Benutzer Gemeinschaft Website
Wenn irgendjemand will Zugang Zu Die Code
das ist gebraucht für Die Bild Analyse Das Ist Dort.
Dank Du sehr viel.
