こんにちは、私の名前のスティーブマクスウェル。
私午前のエンジニア。
私仕事での半導体業界。
今日、私は行くに与えるあるプレゼンテーションの上どうやって私JMPを使用する
での建物のの画像分析パイプライン。
あ少し少しの背景の上の問題。
二の私たちのモジュールグループで私たちの施設
走ったの中への問題とある特徴
どこにありますかだった浸食の上のサイドウォールのの特徴。
のSEMシステムそれ私たちは使用済みに測定
のサイズのこれ特徴そうではなかった検出するこれ特徴、
そしてそれしませんでした持っているの能力に特徴づけるこれ。
そのの年上のピースの装置、しかしも支払われたのためにそれで私たちは好きだったそれ。
のアプローチそれ私雇用されたにヘルプ彼ら外
だったに建てるある別分析パイプラインに分析する画像、
分類する画像それは持っているダメージがあるかどうか、
そしてそれ生産するあるメトリックそれになり得るSPCに送られるシステムのために追跡目的。
私使用主にJMPに分析するデータ、
に建てるあるモデルシステム配備するそして製造、
として良いとして、もっと最近、
統合するいくつかののの実際の画像分析の中へJSL。
病気見せるいくつかの例のそれ。
これはあるサンプルの何それはそれだった探しているで。
これはある良い画像の左-手側、
そしてこれはある悪い画像の上の右側。
私たちはできる見るここののように変化そして侵食。
それは何私たちはだった探しているのためにでこれら画像。
私たちはできた見るからここそれの測定、
どれのは終わりの上の内部のこれ
そうはしないだろう本当にリセットにこれら特徴それは着陸しますでの同じスポット毎時間。
だったないできるに使うだけで伝える私たちの普通方法。
これはある少し少しもっと詳細について何私たちはだった見てる。
これはの例の何いくつかののそれデータ見たのように
もし私たちはできた見るからここそれけれどのプロセスだった持っている問題、
私たちはだったない検出するそれとの測定値それ私たちはだったを使用しています。
立ち上げましたの中へのアプローチに住所これ問題。
私使用の標準ETLフォーマットのためにほとんどのデータ科学問題。
抽出する、変身、負荷。
私得たに壊すそれの中へ4つのカテゴリー、
構成、設定、集める、分析そして報告。
設定とコレクション、標準メソッド。
分析、それはの鍵にこれ。
それはどうやって私は再処理の画像
そしてそれから抽出するメトリクスのためにそれらの画像それ私たちはできる使用に建てるあるモデル
に決定するかどうかまたはない、私たちはできた検出するの問題で手。
のアプローチのためにそれ分析はに変換するの画像からRGB、
どれのは来るオフの上のシステム、の測定システム、
そして変換するそれらのにグレー規模。
そうして画像はトリミングされた、取り除くどれでも測定詳細、
すべてのようにそれ外の彼ら。
それからの次ステップはに適用する中央値にこれら画像。
の理由なぜするそれはだった行くにぼかしの画像
そして取り除くいくつかのののノイズ外のの画像。
これはある鍵ステップのために画像分析そして画像処理。
のアプローチだった使用済みとしての実験的なアプローチ違うカーネルサイズ、
違うカーネル形、しかしでの終わり、は解決済みの上
を使用してあるディスク-形をしたカーネルとあるピクセル半径ののように5、7 、 10、そして15ピクセル。
のためにそれらのそれは馴染みのないとそれ用語、
カーネルは基本的にただの配列
それは使用済みに悪化させる画像いつあなたはそれを再処理しています。
後それだった終わり、
抽出ののメトリクスからの再処理された画像だった発展した、
使用済みいくつかの違う標準メトリクス、
構造的な類似性索引、平均二乗誤差、シャノンエントロピ、
それからある少し違う好きなものガウスバージョンのSSIM、
として良いとして探しているでの手段のの標準逸脱のの
SSIMイメージグラデーションからのガウス重み付けされた画像。
からそこに、使用されました次元の削減テクニック
に抽出するどれののそれらのメトリクスだったほとんど関連する、
に試すそして建てるあるモデル、予測的なモデル
そしてそれから変換するそれの中へいくつかのそのメトリック
それできたなれ簡単に解釈されたの上の製造業
その間ランニング生産。
1つののフォローアップの上これはいつやってるのメトリック抽出物、
の参照画像エクスプロイトの画像それ
使用済みあるカーネルとあるピクセル半径で五、
そしてそれからの7、10、15カーネル半径は準備したにそれ画像。
これショーある少し少しもっと詳細について
何の分析パイプラインアプローチ見た目のように。
のオフラインアプローチ、私たちは始めるとの画像取得。
明らかに、これは終わりその間の製造業プロセス。
後それ、最初は、これ仕事だった終わりパイソン、
どれのだったに変換するのグレースケール作物、デノイズ、の画像、
そしてそれから特徴世代メトリック抽出、 SSIM、
平均四角、エントロピ、計算、等
JMP JSLもっているあるパイソンラッパーそれあなたできる使用のために統合。
なに？素晴らしいはあなたできる実は動くある多くのこれコード
でにのJMP環境。
病気行くの中へある少し少しもっと詳細について何それは
そしてどうやって私使用それをヘルプスピードこれプロセス平行。
の最後の成分のこれだったに開発するある品質メトリック。
これはとてもJMP集中型ステップとして良い。
それから一度あるメトリックは決定した、
あなた動くそれ以上の中へのオンラインプロセス
でどれの、の製造業データは分析され、
そしてそれから情報は押し込まれたにあるSPCシステム。
あ少し少しもっとについてパイソン/ JSL統合、
の統合されたパイソン分析コードの中へJSLを使用してパイソン/ JSLラッパー。
のデータ移行発生するによる変換するJMPテーブルの中へパンダデータフレーム。
のデータフレームは合格したでの分析コード。
の結果は戻ってきたからパイソンにJMPとしてあるデータテーブル。
なに？素晴らしいについてこれはそれ可能にするを使用して
一般画像分析図書館skimage、scipy、PIL、 OpenCV 、等、
に実行するの仕事その間維持するのデータ内でのJMP フレームワーク。
これ、で私の意見、だった鍵なぜなら私はない移動中データ
から1つシステムまたは1つプラットホームに別のプラットホームそして戻るそして前方へ。
私だったできるに保つそれ全てで1つスポット。
これはある少し少しもっと詳細について
何の分析パイプラインはやってるいつその再処理の画像。
これは何私だったできるに動くからただランニングゆっくりでパイソン
に統合するそれの中へJSL使ってみましょう言う、パイソン図書館。
あなたできる見る、ここにありますある悪い、ここにありますある良い。
私たちはトリミングされたの画像だけに見せる
のみ取る基本的にこれ成分のそれ、変換するそれにグレー、
そしてそれから申請中中くらいフィルターにぼかしの画像と違うカーネルサイズ
あなたのようにできる見るとして私たちは増加のカーネルサイズ、
彼らはなるある少し少しぼやける。
何私欲しいにテイクアウトを表示ここはのためにある良い画像、あなたできる見る
のカーネルとディスクサイズ5対、 7対、 10対15、
見てかわいい似ているに1つ別の。
一方ディスク5、ディスク7、ディスク10、ディスク15、の上ある悪い画像、
あなたできる見るそれによる時間あなた得るにディスク15、
これ画像、またはカーネルサイズ15、
これ画像は起動に見て似ているにこれ。
による削除するのノイズからこれ画像、
そしてそれからノイズ除去の画像段階的に
を使用して違うカーネルサイズ。
Thそれが可能にするものです私たちに無事に抽出するメトリクス
それ私たちはできる使用に差別化する間の良い対の悪い。
ごめん、所有の上ここ。 私にさせて行く戻る上。
でこれポイント、私は行くに打ち上げデモそれショー
どうやって私は移動中これデータの中へJMP
そしてそれから何それ見た目のようにとしてそれ基本的に再処理これもの。
どうやって私するそれはの初めにすること私必要にするは私必要に建てるあるデータテーブル。
そのある素晴らしい特徴JMPでは、
あなた行くにファイル、輸入複数ファイルここ。
それから何私は得たは私は得た基本的にあるサンプルセットちょうどの五画像
それ私は行くにすべてを組み合わせる一緒にの中へ1つデータテーブル。
何それするはそれ実は輸入の画像として良いとしての画像ファイル名前。
あなた行くここ、クリックそれファイルカラム名前、クリック輸入、
そして
何私たちは得る、
はこれ。
私たちは得たの画像の私たちの写真それ私たちは欲しいに分析する。
私たちは得たあるファイル名前鬼ごっこ次にそれ。
私たちは得たのデータインポートされた画像。
今、の次ステップはに走る私たちの分析コード
に対してそれぞれのこれら画像そして始める抽出するメトリクス。
私は得たああ...
修正されたバージョンのそれコードここ。
の方法これコード作品は
あるよあるパイソン初期化それ発生するJSL。
その後一度それは終わり、
のデータテーブルそれあなた欲しいに分析する
は過去八にパイソンとしてあるデータフレーム。
でそれポイント下のパイソン提出する、
基本的に、あなた変換する以上にパイソンコード。
その後あなたはを使用して標準アプローチし、
標準コーディング手順のためにパイソン
そして分析するの画像、としてあなたできる見るここ、
私たちは私たちの図書館輸入品、等
どうやって高いこれコードだった、基本的にに探すある束の機能。
それからそれらの機能意思戻るの出力
それするだろう基本的に得る追加した戻るの中へのデータフレーム
それは押し込まれた戻る外にJMPの中へのデータテーブル。
それは終わりによるを使用してこれラムダ関数、
番目はラムダ関数が適用されるこれふーノースカロライナ州ション全て行、
これ指定されたカラムでのデータフレームまたはのJMPテーブル。
いつ私たちは走るこれ...
私たちは何ですか行くにするは取るそれテーブル私ただ建てられた
そしてだった行くに抽出する、
しかし何だった行くにするは再処理するの画像そして抽出するのメトリクス。
何私たちは見るここはの画像それは見せている以前。
私たちは取られた私たちの写真、私たちは持っています変換されたそれにグレー。
それから私たちは始めました学ぶそれ。
私たちは得た5ピクセル半径カーネル7、 10と15.
それからからそこには、だった抽出する全ての私たちの違うメトリクス。
SS私はのために7 比較に5 SSIM。
SSIM は構造的な類似性索引、
7 比較に5、 10個の比較に5、 15 個の比較に5.
それは基本的に何だったやってる、は計算する構造的な類似性索引
間これ画像そしてこの画像、
この画像とこの画像
そしてこの画像とこの画像。
もし私たちは行く戻るに私たちのプレゼンテーション、
からここ、私使用済みいくつかの違うアプローチのために尋問するのデータ。
最初は多変量
たくさんの相関関係に仕事とここ。
の赤を示します悪い画像、青を示します良い画像。
アン外れ値分析、ただ探しているでのマハラノビス距離、
ジャックナイフ距離。
それはただに見るかどうかまたはないだった重く歪んだ、
あなたできる見るそれ私たちは持っています得たもっと外れ値
での悪い人口比較したにの良い。
しかし、私考えるもしあなた別これら二外、
これ来る下ある少し少し。
私は見せているこれただに見せるあなたできる行くでここ、
そしてあなたできる始めるトリミングいくつかののこれら外もしあなた欲しいに、
もしあなたはない見る良いフィットします。
しかしのためにの目的のこれエクササイズ、
私しませんでした持っているに取り除くまたは隠れるどれでもデータでの分析。
私だったできるに使用全てとしてそれは。
しかしどうやって私したそれだったここ。
これはの主要データテーブル。
これは全てのデータそれ私見たで、ここ全ての画像。
私するだろうただ行くに分析し、多変量メソッド、走るの多変量。
何私たちは欲しいにするはただ行くとそれ、
実は、ごめん、での2番ここ。
いつ分類、
私した使用変換の上の分類からあるキャラクターベースtああ振り向く。
あるよある素晴らしい特徴でここ。
私たちはできる行くにカラム、ユーティリティ、そしてそれから作るインジケータ列。
あなたできる行くここで「追加」をクリックしますカラム名前。
何それするはある少し言う、 "わかった、それは1つ、ゼロ。"
のためにこれ行、これは悪い、ない良い。
それから、下ここに行く副その逆も。
あなたできる使用それ情報
に餌の中へいくつかののの違うモデリングプラットフォーム
それに行っていましたここを見てくださいである少し分。
戻るにのマルチ変化します。
行きますここ、行くに走る全てこれら。
しましょう走るこれプラットホーム。
それは面白い。
しましょう行くここ、私の悪い。
W eできる見る私たちの相関関係。
それからに得るの外れ値分析、
行くここ、クリック、
ごめん、行くの中へのマルチ変化させてあなた行く下に外れ値分析。
あなた走るマハラノビス距離、あなたジャックナイフディスタンスを走る。
あるよ違うアプローチはベースのの上。
私は持っていたに得る成功このために。
これは最初のパス。
見た目のように私たちは持っています得た何かに仕事とここ。
の次ステップはに壊すこれら下ある少し少しもっと
に見てでどうやってそれぞれのの違うメトリクスは応答する
に違うカーネルサイズ。
何だった本当に探しているのためにここは
取得する方法...
私たちは始めるに見るより大きな変化でのカーネルサイズ。
はの行まだ重複と1つ別の？
だった起動に見る分離。
探していますで15の上悪い、 対15はいいけど、
15はダメ、 15はいいよ構造用類似性でMSE
そして、私たちはできる始めるに見るそれ、だった見る分離ここ。
私考えるそれはある良いインジケータ
それ私たちはすべきなれできるに抽出する何かからこれ。
それだった終わりを使用してのグラフビルダーデモ。
私は得たデータテーブル建てられた
具体的にはのためにこれ
グラフビルダー、素晴らしい特徴ここ。
私はダンピングでカーネルサイズ。
私は探しているの価値の通信網、
これらの中へグループベースのの上良い対悪い分類コード。
それから私の画像メトリックは行くに使用ページ。
ここ私ただ行く作成するある線形フィット
それ見てで高度なのために予測、 R²。
それは方程式をポップするだけですはそこには。
あなたできる見るの善良さののフィット。
私するのように探しているで乾杯ポイント。
のためにこれ、いつ私使用済み中央に配置されたグリッドそして動くこれ平行。
そのただ簡単その周りの目のためにプレゼンテーション目的。
あなたできるスクロールを通してここ、
そしてその得たのためにそれぞれのこれら本当にニース探しているグラフにプレビュー。
に基づくのマルチ変化させてこれ線形フィット、
私はフィーリングかわいい良いについてのデータ
それ私たちは抽出されたからこれら画像。
の次ステップは、私たちは持っています得たある多くのメトリクスそれ私たちは持っています抽出されたからこれら。
全部やるそれの案件、するいくつかののそれ案件？
の次カップルスライド、私たちは行く以上次元の削減。
具体的には、私使用済みあるPCAそして部分的B正方形のためにこれPCA。
とこれは分類、悪い対良い。
これ行きます戻るに何私だったデモをする以前
そしてのデータテーブル。
いつあなたは建物あるPCA、あなた欲しいに持っている、明らかに、
あなたの入力そしてあなたの出力リキャストとしてベクトルでそれ分析。
の理由なぜあなた欲しいそれはなぜなら
あなたは探しているのためにノンオー直交性とよろしくにあなたの入力そしてあなたの出力。
のもっと直交、彼らははに1つ別の、
の少ないおそらく彼らは遊んでいるあるでの役割何ですか行くの上。
リキャスト
あるキャラクター-ベースの分類の中へある番号作るそれ簡単に仕事と。
私たちはできた見るここ、私たちは持っています得たいくつかのここそれ見てのように彼らはできたなれ面白い。
いくつかののこれらは面白い。
私強調表示されたこれらに走るこれ分析
そして単に取った私のデータテーブルそれ私建てられた、
行くここ、分析する、予測するモデリング。
ごめん、多変量、主コンポーネント。
何だった行くにするはキャスト良い、悪い分類、
そして全ての私たちの違うメトリクスの中への分析。
見るここ、これら面白そう。
これらだった特に面白い。
なに？ニースはいつあなたハイライトこれら、
そしてあなた行く戻るそしてあなた見てであなたのデータテーブル、
それはハイライトどれの問題あなた選択されました。
しばしばPTできる得る本当に忙しい、
それでそのハンディになれできるに行く参照して、こう言います。
"わかった、それでこれらはのものそれ私は実は興味があるで。"
しましょう得る戻るにここ。
後これ、であるよろしくお願いします。これはもっとのために
ターゲティングどうやって多くの要因私たちは考えるは遊んでいるある役割
でのデータそれ私たちは持っています得た、
として良いとして助ける私たち識別する追加メトリクス
それかもしれないなれ面白い。
のためにこれ特定のデータセット、
それ見た目のようにそれ定着するでそしてについて
おそらく最低の五要因それ私たちはするだろう期待する
それ来るからこれ問題より大きなよりも
ファン・デル・ヴォートT²メトリックベースのの上の仕事のマニュアル、
彼らは参照したあるアカデミックということを示す研究
何でも行きますについて0.1は通常どこあなた欲しいに始めるで。
からそこには、私たちは走るのお願いします要素識別。
これはあなたのVIP対係数プロット、
そしてからそこに、あなたできるハイライトの違う
メトリクスそれ思われるになれ運転これ、のものそれはほとんど関連する。
の方法それ作品探しているでこれらチャートはあなた欲しいに行く外にの極端な。
これらは面白い。
としてそれ取得もっと近くに、もっと近くににのゼロ係数、
その少ない面白い。
私はない行くに走るのお願いしますプラットホーム
なぜならこれ意思実は取るあるその間に走る。
私しないでください考える誰でも望むにただ時計私のコンピューター走る
これをしながら。
に基づく私たちの寸法削減、
私終了しました上とこれら要因いるのほとんど関連する
とよろしくに何それはそれ私たちは欲しいに餌の中へのニューラル通信網。
いくつかの実験、私見つかったそれそれだった主にのお願いします結果、
そしてそれからの標準10メートルからのPCAとして良い
いつそれだった追加したで、
それ本当に助けた引くのモデル一緒に。
トレーニング対検証。
明らかに、私はを使用してあるニューラル通信網に建てるのモデルのためにの分類子。
の理由なぜ私はを使用してそれプラットホーム具体的にはのためにこれ、
それもっているKフォールド検証が予約されましたでの上その標準でのJMPプラットフォーム、
どれのは素晴らしい。
私は見つかったそれKF老人助けますに補償する
いつあなたはぐらつくの上クラス不均衡。
それはある本当に一般問題いつあなたは取引すると、
勉強する製造業プロセス。
Y私たちはない行くに持っているある多くのの欠陥のあるデータに仕事と。
あなたは本当に得たに作るの最高の何あなたは得た。
私探すそれ時々 K-Folds が役立つそれ。
の出力からのニューラル通信網だったかわいい良い、実は。
の方法私するこれは病気走るこれモデル、のようにについて五回、
そしてそれから病気すべてを比較する5つの彼ら1つに別の。
病気取る基本的にの中央値、これ分類レート、
そしてそれから行く下ここそして見てで私たちの偽りポジティブそして間違いネガティブ料金。
とよろしくに、
の間違いポジティブ料金。
私見てでのROC曲線。
これはある秘密オペレーター特徴曲線。
あなた欲しいに見てでこれら、
彼らは欲しいになれ説明されたとして高くてきつい、
のクローザーこれら行得るにこれ真ん中ライン、
のクローザーあなたの得物にのコインパスとあなたのの予測。
明らかに、それはない何だった見るここ。
それからの予測プロファイラーもっているいくつかの素晴らしい特徴
なぜならあなたできる基本的に並べ替えるこれらベースのの上
どれのは遊んでいるの最大の役割での予測、
として良いとして視覚化する、のように何それぞれ個人メトリックはやってる
とよろしくに遊んでいるある役割での予測自体。
でこれ場合、
だった探しているでトランジションのの支配的な寸法ここ。
こちらですある少し少し奇妙な。
私はないもちろん何ですか行くの上それと。
あsあなた得る戻るここ、どこの少ない支配的な寸法、
あなたできる始めるに見る彼らはなるもっと押し込まれた。
病気走るのデモのためにのニューラル通信網。
私たちは行くここ。
分析する。
あ実際、私は得たこれ1つ建てられたすでに。
私にさせて...
私たちは打ち上げこれ分析。
私たちは含まれています私たちの要因、私たちの反応は分類。
ニューラル通信網しませんお手入れ
もしあなたはを使用してある数値的またはキャラクター-ベースの応答。
それ意思仕事とどちらか1つ。
ここ、のために検証方法、
あなたはK-Foldを持っています、を使用して五重。
の金標準のためにほとんどのようにAI型分析は十。
私見つかったこれ五だった大丈夫
それでいいえ理由に押すそれ。
私使用三つ隠れたノード。
「Go」を押すと、これが出力。
のように私言った、病気走るこれおそらく
五回、読み取り値を取得しますあなたできる見るここ。
私たちの分類はかわいい良い。
良い見るある少し少し変化の上の検証セット。
しかしその全て内で理由のために何それはそれ私は探しているのために
とよろしくにのプロファイラーそしてのROC曲線。
あなた得る下ここ、どれのROC曲線あなたできる見るここ、
として私説明された以前、これ身長特徴の上の曲線。
検証、多分ある少し少し少ない、しかし我々はできる仕事とそれ。
それからとよろしくにのプロファイラー。
プロファイラーの出力見た目のようにこれ。
それしません整える彼らそしてどれの1つはほとんど関連する。
あなた行くここ
そしてあなた行くに評価変数重要性、独立したユニフォーム入力。
行く戻る上ここ、私たちはできる見るあるまとめ報告。
ここ、あなた行く下に変数重要性、メニュー。
からここ、あなたできる並べ替える要因による主要エフェクトの重要性。
のためにこれモデル、それ並べ替えたこれ方法、
色付けします。
あなたできる見るここ私たちは持っています得たの暗い色ほとんどです関連する
そしてそれからそれ動くにの右。
見てみましょう。
変換中のモデルにのSPCメトリック、に作るのデータより簡単にに解釈する、
私たちは必要に取るの結果からのモデル変換されたの中へメトリック
ができるなれ投稿されましたにSPCシステムそしてプロットされたの上SPCチャート。
のアクティベーション成分ののニューラル通信網モデルはある柔らかい地図関数
それはある標準JMPで。
これ計算しますの確率のの画像いる良いまたは悪い、
とのより高いの二結果として生じるそしてとの画像機密扱いとして
そして何だった行くにするここは行くに導入ある3番目のメトリック未知。
病気見せるある少し少しについてどうやってそれは終わり。
1つののニースものについてのニューラル通信網プラットホーム
はのSASデータステップ出力ファイルは実はのようにあるパイソン的モデル脚本。
通常のためにメートル法、あなた欲しいこれでパイソン、
そうしますなれ本当にいいね、
忘れたどうやってにするそれ全てでJMP。
これコードからのニューラル通信網ここ、
の実際のモデル自体できるなれ出力されたでこれフォーマット。
あなたただ行くにモデルそして作るSASデータSステップ。
ここ私たちは行く。
私考えるJMP Proでは、あなたできたただ出力それによるパイソン直接、
しかしないみんなもっているアクセスにJMPプロ。
それ取得どちらか80 %のの方法そこには、
ない100 %。
それただ必要ある少し修正での実際のコード。
の上の左手側、私たちは持っています得たのSASデータSテップフォーマット。
の上の右側、そのの変換のそれにのパイソン。
そのただ輸入するそれとして輸入するの数学図書館、
そしてそれから申請中それそれで私たちはできる取るの正接にもの。
それからあなた得るそれここ。
何私たちは欲しいにするはしきい値、
私たちのもの頻繁に斧確率計算だったやってるこれ、
それよりもよりもただと言って、どちらでものこれら、
は最高はあなたの実際の結果。
もしその0.5 1、悪い、 0.49 、良い、それからそうなるだろうなれ悪い。
は私たちは行くそして私たちは言う、 "わかった、もしのソフトマックス出力はより大きなよりも0.75
それからそのそれ分類器、なぜならそれはなれ等しいそして反対。"
それはなれ許容できる1つ。
もしその0.75それなら悪いその悪い、
しかしもしそのある番号少ないよりもそれ、それしません分類するそれとして良いまたは悪い。
それはただ機密扱いとして未知。
良い合格それの中へ私たちのシステム。
何それ言う私たちにするは誰か見てでそれらの画像、
なぜならの分類子できない決めるかどうかまたはないその良いまたは悪い。
の出力、そしてこれはの終了した製品、
はに変換する、のように私言った、
最終メトリックの中へ何かそれできたなれ報告私たちの中でSPCシステム。
基本的に、何だったやってるここはただ実は報告
何私たちのソフトム斧確率は、
取るの逆数のそれ、そしてそれから申請中のしきい値
に決定するかどうかまたはないものは知られているまたは未知。
に基づくそれ、これは私たちのイニシャルデータ
それ私は示したでの始まりののプレゼンテーション
それショーこれはのチャート見てのようにのためにの測定のの欠陥。
それからこれは何私たちは得るいつ私たちは行くで
そして私たちは再分析するそれデータそして適用するこれ新しいメトリック、
どれの言う私たちかどうかまたはないそれ考えるそれあるよ側壁特徴、
あなたできる見る探しているでの同じデータセット
それはい、それとても多くのそれで特定するそれとしてどちらか良いまたは悪い。
の緑を示しますそれはある良い。
の赤を示しますそれらのだった機密扱いとして悪い。
それからあなたできる見るここの上SPCデータ、
彼らはするだろう即座に得るフラグが立っているとして悪いとして良い。
これら青ものぶら下がっている外ここ
はものそれは未知それそれは伝える私たちそれで多くの、
"行く見てでこれ。"
それは私のプレゼンテーション。
私は投稿されましたの情報にのユーザーコミュニティサイト
もし誰でも望むアクセスにのコード
それは使用済みのためにの画像分析それはそこには。
感謝あなたとても多くの。
