|
스피커
|
성적 증명서
|
| |
안녕하세요. |
| |
제 이름은 론 케네트입니다. 이것 |
| |
Chris와의 공동 대화입니다 |
| |
Gotwalt와 우리는 기본적으로 |
| |
메시지가 두 개 있어요 |
| |
그게 나와야 해. |
| |
말하다. 하나는 우리가해야한다는 것입니다 |
| |
정말 걱정돼 |
| |
정보와 정보 |
| |
품질. 사람들은 말을 하는 경향이 있다 |
| |
데이터와 데이터 품질에 관한 것이지만 |
| |
데이터는 실제로 문제가 아닙니다. |
| |
우리는 통계학자입니다. 우리는 |
| |
데이터 과학자. 우리는 숫자를 바꾸고, |
| |
데이터를 정보로 변환하여 |
| |
우리의 목표는 |
| |
우리는 고품질을 생산합니다 |
| |
정보. 다른 메시지 |
| |
JMP가 도움이 될 수 있다는 것입니다 |
| |
그것을 달성하고 이것은 |
| |
실제로 들어간 것으로 밝혀졌다 |
| |
놀라운 방법. 그래서 결합해서 |
| |
Chris의 전문 지식과 |
| |
정보 소개 |
| |
품질, 우리는 이 두 가지가 |
| |
메시지가 도착할 것입니다 |
| |
분명히. 그래서 내가 해야 한다면 |
| |
우리가 무엇인지 요약 |
| |
결국 얘기하고 싶은 건 |
| |
그것은 모두 정보에 관한 것입니다 |
| |
품질. 나는 에서 강연을 했다. |
| |
4년 만에 프라하 정상회담에서 |
| |
전에는 그 이야기가 일반적이었습니다. |
| |
이사하는 것에 대해 이야기했습니다. |
| |
디자인에 의한 품질 여행. |
| |
나의 여행정보 |
| |
품질. 이 강연에서 우리는 집중합니다 |
| |
이것이 어떻게 이루어질 수 있는지에 대해 |
| |
JMP. 이는 보다 자세한 |
| |
기술적인 얘기보다 |
| |
내가 프라하에서 했던 일반적인 강연. |
| |
그 얘기를 보시면 됩니다. |
| |
여기에 나열된 링크가 있습니다. 당신은 할 수 있습니다 |
| |
JMP 커뮤니티에서 찾아보세요. |
| |
그래서 우리는 다음에 대해 이야기 할 것입니다 |
| |
정보 품질, 즉 |
| |
데이터 세트의 잠재력, |
| |
특정 데이터 세트를 달성하기 위해 |
| |
특정한 목표, 특정한 목표, |
| |
주어진 경험적 방법으로. |
| |
그래서 그 정의에서 우리는 |
| |
세 가지 구성 요소는 |
| |
나열되어 있습니다. 하나는 특정 데이터입니다. |
| |
세트. 여기에 데이터가 있습니다. 그만큼 |
| |
두 번째는 목표이고, |
| |
분석의 목표는 무엇입니까? |
| |
그것은 우리가 달성하고 싶은 것입니다. |
| |
세 번째는 우리가 어떻게 할 것인지입니다. |
| |
그렇게 하세요, 즉, 무엇으로 |
| |
우리가 생성할 메소드 |
| |
정보, 그리고 그 잠재력 |
| |
으로 평가할 예정이다. |
| |
유틸리티 기능. 그리고 나는 할 것이다 |
| |
에 대한 소개로 시작하다 |
| |
정보의 질, 그리고 |
| |
크리스가 대신할 거예요. |
| |
사례 연구에 대해 토론하고 |
| |
수행하는 방법을 보여줍니다. |
| |
정보 품질 평가. |
| |
결국 이렇게 해야 한다 |
| |
JMP가 어떻게 하는지 질문에 답해 보세요. |
| |
InfoQ를 지원합니다. |
| |
포인트가 될 것입니다 |
| |
당신은...테이크아웃 포인트를 얻을 수 있습니다 |
| |
얘기부터. 에 대한 설정 |
| |
이는 우리가 권장하는 것입니다. |
| |
제가 생명주기 보기라고 부르는 것은 |
| |
통계의. 다시 말해서, |
| |
데이터 분석뿐만 아니다. |
| |
우리는 알아야 해...우리는 일부가 되어야 해 |
| |
문제 도출의 |
| |
단계. 또한 목표는 |
| |
그럴만한 가치가 있는 제제화 단계 |
| |
토론. 우리는해야한다 |
| |
분명히 그 일에 관여하고 있을 거야. |
| |
데이터 수집 계획이 있는 경우 |
| |
실험을 통해서나 |
| |
설문조사나 관찰을 통해 |
| |
데이터. 그럼 우리도 찍어야지 |
| |
공식화를 위한 시간 |
| |
그냥 꺼내는 것이 아니라 |
| |
에 인쇄된 보고서 |
| |
회귀계수 |
| |
추정치와 그들의 |
| |
중요하지만 우리는 |
| |
또한 무엇인지 논의 |
| |
결과? 운영화 |
| |
결과는 의미합니다. 좋아요, 우리는 무엇을 할 수 있나요? |
| |
이 결과와 관련이 있습니까? 무엇인가 |
| |
의 의미 |
| |
결과? 이렇게 해야 합니다... |
| |
에게 전달해야 합니다. |
| |
올바른 사람들을 올바른 방식으로, |
| |
결국 우리는 |
| |
파악하기 위한 영향 평가, |
| |
좋습니다. 우리는 이 모든 작업을 수행했습니다. 무엇을 가지고 |
| |
우리의 부가가치가 되었어요 |
| |
일하다? 나는 인생에 대해 이야기했다 |
| |
몇 년 동안의 통계 주기 |
| |
전에. 이것이 전제조건이고, |
| |
무엇에 대한 관점 |
| |
에 대해 이야기하겠습니다. 그래서 나는 |
| |
언급한 정보는 |
| |
품질은 잠재력이다 |
| |
특정 데이터 세트를 달성하기 위해 |
| |
주어진 것을 사용하여 특정 목표 |
| |
경험적 분석 방법. 이것 |
| |
4개를 통해 식별됩니다. |
| 구성 요소 |
목표, 데이터, |
| |
분석방법과 |
| |
유틸리티 측정. 그래서 한 안에 |
| |
수학적 표현, |
| |
f를 x에 적용하는 유틸리티, |
| |
목표에 대한 조건은 우리가 어떻게 |
| |
InfoQ, 정보를 식별하다 |
| |
품질. 이 내용은 다음에서 출판되었습니다. |
| |
왕립통계학회 |
| |
2013년 시리즈 A 8개 |
| |
토론자님, 충분했습니다. |
| |
논의됨. 어떤 사람들은 생각했다. |
| |
이건 환상적이었고 몇몇은 |
| |
사람들이 비판을 많이 하더군요 |
| |
그 아이디어는 더 광범위합니다. |
| |
무엇에 대한 범위 고려 |
| |
통계에 관한 것입니다. 또한 우리 |
| |
2006년에 쓴 글, 우리는 나 자신을 만난다 |
| |
그리고 Galit Shmueli라는 책이 있습니다. |
| |
정보 품질. 그리고 |
| |
정보의 맥락 |
| |
우리가 소위 하는 일을 한 품질 |
| |
해체. 데이비드 핸드는 |
| |
Deconstruction이라는 논문 |
| |
통계학. 이것이 |
| |
정보의 해체 |
| |
품질을 8차원으로 나누었습니다. 나 |
| |
이 8가지 차원을 다룰 것입니다. |
| |
그게 대화에서 내 역할이고 |
| |
그러면 Chris가 이것이 어떻게 이루어지는지 보여줄 것입니다. |
| |
특정 방식으로 구현됩니다. |
| |
사례 연구. |
| |
관련된 또 다른 측면 |
| |
이것은 내가 가지고 있는 또 다른 책이다. |
| |
이게 최근이야, 1년 전이야 |
| |
데이터의 실제 작업이라는 제목의 |
| |
과학과 우리는 무엇에 대해 이야기합니다 |
| |
데이터의 역할이다 |
| |
조직의 과학자들과 |
| |
그런 맥락에서 우리는 강조했습니다 |
| |
데이터 과학자의 필요성 |
| |
세대에 참여하다 |
| |
정보로서의 정보 |
| |
목표를 달성하는 품질 |
| |
조직. 그럼 나한테 |
| |
8차원을 다룹니다. 그건 |
| |
그게 내 소개야. 그만큼 |
| |
첫 번째는 데이터 해상도입니다. 우리 |
| |
목표가 있습니다. 알았어, 우리는 그럴 거야 |
| |
독감 수준을 알고 싶습니다 |
| |
왜냐하면 그 나라에서나 |
| |
우리가 살고 있는 지역이니까. |
| |
우리의 결정에 영향을 미칠 것입니다 |
| |
공원에 갈까? |
| |
우리는 사람들을 만날 수도 있고, |
| |
...재즈 콘서트에. 그리고 그 |
| |
콘서트가 내일이에요. |
| |
CDC 데이터를 찾아보면 |
| |
독감 수준, 그 데이터는 |
| |
매주 업데이트되므로 |
| |
그래프의 빨간색 선은 |
| |
네 앞에 있으니 우리는 |
| |
며칠 동안의 데이터를 얻을 수 있습니다 |
| |
전에는 좋았을 수도 있고 좋지 않았을 수도 있어요 |
| |
우리 금이면 충분해요. 구글 독감, |
| |
검색을 기반으로 한 것입니다. |
| |
독감 관련 내용이 업데이트되었습니다. |
| |
잠깐, 그래서 업데이트됐어 |
| |
온라인에서는 아마도 |
| |
우리에게 더 나은 정보를 제공합니다. 그래서 |
| |
우리의 목표, 파란색 선, |
| |
구글 트렌드...구글 독감 |
| |
추세 지표는 아마도 |
| |
더 적절합니다. 두번째 |
| |
차원은 데이터 구조입니다. |
| |
우리의 목표를 달성하기 위해 우리는 |
| |
데이터를 봐. 우리는...우리는 |
| |
데이터 소스를 식별해야 합니다 |
| |
그리고 이 데이터의 구조 |
| |
소스. 따라서 일부 데이터는 |
| |
텍스트, 일부는 비디오일 수도 있고 일부는 비디오일 수도 있습니다. |
| |
예를 들어 다음과 같을 수 있습니다. |
| |
추천 네트워크. 이것 |
| |
만약에 어떻게 되는지에 대한 아마존 사진입니다 |
| |
책을 보다가 당신은 |
| |
좀 사러 갈게 |
| |
다른 책 추천. 그리고 만약에 |
| |
다른 책으로 가세요. |
| |
더 많은 데이터를 갖게 될 것입니다 |
| |
추천합니다. 그래서 데이터는 |
| |
구조는 모든 종류로 올 수 있습니다 |
| |
모양과 형태가 다양하며 이는 |
| |
텍스트가 되십시오. 이는 기능적일 수 있습니다. |
| |
데이터. 이미지일 수 있습니다. 우리는 |
| |
이제는 우리가 사용하는 것에 국한되지 않습니다. |
| |
데이터를 호출하는 것입니다. |
| |
Excel 스프레드시트에서 찾아보세요. |
| |
데이터가 손상될 수 있으며, |
| |
누락된 값이 있을 수 있습니다. |
| |
특이한 패턴을 가지고 있는데, |
| |
어느 것이 될 것인가? |
| |
살펴볼 것. 일부 |
| |
패턴, 사물이 있는 곳 |
| |
반복. 어쩌면 데이터의 일부일 수도 있습니다. |
| |
그냥 복사해서 붙여넣으면 됩니다. |
| |
경고를 받고 싶습니다. |
| |
그러한 옵션. 세 번째 |
| |
차원은 데이터 통합입니다. |
| |
우리가 데이터를 고려할 때 |
| |
이러한 다양한 소스를 통해 우리는 |
| |
통합할 예정이므로 |
| |
일부 분석 연계를 수행할 수 있습니다. |
| |
아이디를 통해 예를 들어, 우리는 |
| |
그렇게 하겠지만 그렇게 함으로써 |
| |
몇 가지 문제가 발생할 수 있습니다. |
| |
예를 들어 데이터를 공개할 때 |
| |
보통은 그래야 해 |
| |
익명화되었습니다. 데이터 |
| |
통합, 그래, 그럴 거야 |
| |
우리가 환상적인 일을 할 수 있게 해주세요. |
| |
하지만 데이터가 다음과 같이 인식된다면 |
| |
어느 정도 사생활이 노출되어 있다 |
| |
문제가 있다면 품질이 문제일 수도 있습니다 |
| |
의 정보 중 |
| |
우리가 할 분석 |
| |
될 것입니다. |
| |
체하는. 그래서 데이터 통합 |
| |
매우, 매우 살펴봐야 한다 |
| |
주의하여. 이것이 사람들이 |
| |
ETL을 호출하는 데 사용되었을 가능성이 높습니다. |
| |
추출, 변환 및 로드합니다. 우리 |
| |
이제 훨씬 더 나은 방법이 있습니다. |
| |
그렇게 하고 있어요. 조인 옵션은 다음과 같습니다. |
| |
예를 들어, JMP에서는 다음을 제공합니다. |
| |
그렇게 하기 위한 옵션. |
| |
시간적 관련성. 알았어, 그렇구나 |
| |
꽤 분명해요. 우리는 데이터를 가지고 있습니다. 그것은 |
| |
어떻게든 찍혀있습니다. 우리가 갈 거라면 |
| |
분석은 나중에 하려고요, 나중에 |
| |
데이터 수집 후, |
| |
우리가 배포하는 경우 |
| |
더 나중이라고 생각하면 |
| |
데이터가 일시적으로 존재하지 않을 수도 있습니다. |
| |
관련 있는. 공통적으로 |
| |
상황을 비교하고 싶다면 |
| |
지금 무슨 일이 일어나고 있는지, 우리는 |
| |
이걸 만들 수 있어서 좋아 |
| |
최근 데이터와 비교하거나 |
| |
팬데믹 이전의 데이터 |
| |
시작했지만 10년이 안됐어요 |
| |
더 일찍. 공식 통계 |
| |
건강 기록에는 2번이었는데 |
| |
또는 3년 뒤처진 조건 |
| |
타이밍이 너무 좋아서 |
| |
공식적인 사용이 어렵습니다. |
| |
평가 통계 |
| |
무슨 일이야? |
| |
감염병 세계적 유행. 데이터의 연대기와 |
| |
목표는 결정과 관련이 있다 |
| |
우리가 만든 결과로 |
| |
목표. 예를 들어 우리의 경우 |
| |
공기질을 예측하는 것이 목표입니다. |
| |
우리는 좀 사용할 거야 |
| |
방송 중인 예측 모델 |
| |
품질 지수 보고 |
| |
일일 기준. 이것은 우리에게 하나를 제공합니다 |
| |
위험에서 6단계까지 |
| |
좋은. 몇 가지 값이 있습니다. |
| |
수준을 나타내는 |
| |
건강 문제. 0-50이 좋습니다. |
| |
300-500은 위험하고 |
| |
데이터와 목표의 연대기 |
| |
우리가 할 수 있어야한다는 것을 의미 |
| |
매일 일기예보를 하다 |
| |
기초. 그래서 우리가 사용하는 방법은 |
| |
매일 업데이트되어야 함 |
| |
기초. 반면에, |
| |
우리의 목표는 어떻게 되는지 알아내는 것입니다. |
| |
이 AQI 지수를 계산하면 |
| |
실제로는 |
| |
분석의 적시성. |
| |
알다시피, 우리는 우리의 |
| |
시간. 급한 일은 없어 |
| |
분석을 완료하는 중 |
| |
일일 기준. 일반화 가능성, |
| |
6차원은 대략 |
| |
우리의 연구 결과를 가지고 |
| |
이것이 어디에서 가능한지 고려하면서 |
| |
좀 더 일반적인 용어로 적용하면, |
| |
다른 인구, 모두 |
| |
상황. 이것은 할 수 있습니다 |
| |
직관적으로. 마케팅 관리자는 |
| |
에 대한 연구를 보았습니다. |
| |
시장을 A라고 부르죠. |
| |
이미 무엇인지 이해하고 있습니다 |
| |
시장 B에 미치는 영향 |
| |
데이터 없이. 사람들은 |
| |
물리학자들은 할 수 있을 것이다 |
| |
을 기반으로 예측을 한다 |
| |
첫 번째 원리에 대한 역학 |
| |
데이터 없이. |
| |
그래서 일반화 가능성 중 일부는 |
| |
데이터로 이루어집니다. 이것이 |
| |
통계적 기초 |
| |
일반화, 우리가 가는 곳 |
| |
샘플을 모집단에 전달합니다. |
| |
통계적 추론은 대략 |
| |
일반화. 우리는 일반화한다 |
| |
샘플부터 |
| |
인구. 그리고 일부는 그럴 수도 있어요 |
| |
즉, 도메인 기반 |
| |
전문지식, 도메인을 활용한 |
| |
전문 지식이 반드시 필요한 것은 아닙니다. |
| |
데이터. 우리는 그것을 인식해야 한다 |
| |
일반화 가능성은 단지 |
| |
통계로 끝났습니다. |
| |
일곱 번째 차원은 |
| |
운영화 구축, |
| |
그게 정말 무엇인지에 관한거야 |
| |
우리가 측정하는 것입니다. 우리는 원한다 |
| |
행동, 감정, 무엇을 평가 |
| |
측정할 수 있다는 것입니다. |
| |
반영하는 데이터를 제공합니다. |
| |
행동이나 감정. |
| |
내가 여기에 제시하는 예 |
| |
일반적으로 통증이 있습니다. |
| |
우리는 고통이 무엇인지 압니다. 어떻게 |
| |
우리가 그걸 측정해? 만약 당신이 |
| |
병원에 가서 간호사에게 물어보세요. |
| |
통증을 어떻게 평가하나요? |
| |
우리에겐 저울이 있습니다. |
| |
1부터 10까지. 아주 |
| |
질적, 별로 |
| |
과학적이라고 말하고 싶습니다. 만약 우리가 |
| |
수준을 측정하고 싶습니다. |
| |
운전석에서 술을 마시다 |
| |
길은 힘들겠지 |
| |
측정하다. 그래서 우리는 측정할 수 있습니다 |
| |
대용 수단으로 속도. |
| |
또 다른 부분 |
| |
운영화는 다른 것이다 |
| |
이야기의 끝. 다른 곳에서는 |
| |
단어, 첫 번째 부분, |
| |
구성은 우리가 측정하는 것입니다. |
| |
이는 우리의 목표를 반영합니다. 는 |
| |
끝...결론은 이렇습니다 |
| |
우리는 결과를 얻었고 우리는 그것을 원합니다 |
| |
그들과 함께 뭔가를 해보세요. 우리는 원한다 |
| |
우리의 발견을 운영화하기 위해. |
| |
액션이란 바로 이런 것이다 |
| |
운영화에 관한 것입니다. |
| |
그것은 당신이 무엇을 하느냐에 관한 것입니다. |
| |
발견 후 존재 |
| |
여기 연단에서 발표되었습니다. 우리 |
| |
세 가지 질문을 하곤 했습니다. |
| |
이것들은 매우 중요합니다 |
| |
물어볼 질문. 일단 당신이 |
| |
몇 가지 분석을 마쳤습니다. |
| |
당신 앞에 누군가가 |
| |
아, 정말 고마워요. |
| |
넌 끝났어... 통계학자인 너 |
| |
아니면 데이터 과학자. 그래서 이거 |
| |
이렇게 하면 한 단계가 더 필요합니다. |
| |
고객에게 물어보게 만드는 것 |
| 이 간단한 질문들 |
무엇을 합니까? |
| |
이루고 싶어? 어떻게 될까요? |
| |
당신은 그렇게 하고 어떻게 하시겠습니까? |
| |
당신이 성취했는지 알아라 |
| |
저것? 우리가 답변을 도와드릴 수 있습니다. |
| |
적어도 지원, 이들 중 일부는 |
| |
우리가 대답한 질문. |
| |
8차원은 |
| |
의사소통. 나는 당신에게 |
| |
아주 유명한 옛날 이야기의 예 |
| |
19세기 지도인데, |
| |
행진곡을 보여주고 있어요 |
| |
프랑스에서 나폴레옹 군대 |
| |
모스크바에서 러시아로. 당신은 |
| |
숫자는 너비입니다. |
| |
경로는 크기를 나타냅니다 |
| |
군대에서, 그리고 계속해서 |
| |
블랙, 무슨 일이 일어났는지 알겠어? |
| |
돌아오는 길이에요. |
| |
그래서 기본적으로 이것은 |
| |
비참한 행진. 우리 우리 우리 우리 |
| |
이 오래된 지도를 다음과 연관시킬 수 있습니다. |
| |
기존 지도에는 |
| |
JMP 추가 기능 |
| |
JMP 커뮤니티에서 찾아보세요. |
| |
버블 도표로 보여드리겠습니다. |
| |
동적 버블 플롯이 무엇인지 |
| |
처럼 보입니다. 그래서 내가 다뤘어 |
| |
아주 빨리 8가지 정보를 |
| |
품질 차원. 내 마지막 |
| |
슬라이드는 내가 말한 것입니다 |
| |
대략 역사적으로 |
| |
관점, 정말 좀 넣어 |
| |
내가 말하는 것과 비례한다. |
| |
정말 시대에 맞는 것 같아요 |
| |
정보 품질의. 우리는 사용했었다 |
| |
제품에 관심을 갖다 |
| |
18세기 품질은 |
| |
17 세기. 그런 다음 우리는 |
| |
프로세스 품질과 서비스 |
| |
품질. 이건 짧은 메모야 |
| |
관리도를 제안하면서, |
| |
1924년인 것 같아요. |
| |
그럼 관리쪽으로 가보겠습니다 |
| |
품질. 이것이 바로 쥬란이다 |
| |
디자인, 개선의 3부작 |
| |
그리고 통제. 6시그마(정의, |
| |
측정, 분석, 개선) |
| |
제어 프로세스는 |
| |
주란의 개선과정, |
| |
그리고 Juran은 할아버지였습니다. |
| |
그런 의미에서 6시그마. |
| |
그러다가 80년대에 다구치가 왔습니다. |
| |
in. 그는 견고함에 대해 이야기합니다. |
| |
설계. 우리는 어떻게 처리할 수 있습니까? |
| |
적절한 입력의 가변성 |
| |
디자인 결정? 그리고 지금 우리는 |
| |
정보화 시대에 |
| |
품질. 우리에겐 센서가 있습니다. 우리 |
| |
유연한 시스템을 갖추고 있습니다. 우리는 |
| |
AI와 기계에 따라 |
| |
학습과 데이터 마이닝 그리고 우리는 |
| |
크고 크게 모이고 있어 |
| |
숫자이지만 우리는 이를 큰 숫자라고 부릅니다. |
| |
데이터. 정보에 대한 관심 |
| |
품질은 소수이어야 한다 |
| |
관심. 나는 노력할 것이고 |
| |
도움을 받아 당신을 설득하세요 |
| |
크리스, 그거. |
| |
우리는 여기에 있고 JMP는 할 수 있습니다 |
| |
우리가 그것을 달성할 수 있도록 도와주세요 |
| |
정말 특이한 방법. |
| |
마지막에 보게 될 것은 |
| |
Chris가 진행할 사례 연구 |
| |
쇼는 또한 그것을 수행하는 방법입니다 |
| |
정보 품질 평가 및 |
| |
기본적으로 특정 연구에 대해 |
| |
정보 품질을 생성 |
| |
점수. 따라서 위에서 아래로 이동하면 |
| |
이 연구를 말해 줄 수 있습니다. |
| |
이 분석은 아마도 80%이거나 |
| |
어쩌면 30%일 수도 있고 어쩌면 95%일 수도 있습니다. |
| |
그리고 예를 통해 당신은 |
| |
어떻게 하는지 알아보세요. 이있다 |
| |
이를 제공하는 JMP 추가 기능 |
| |
평가. 실제로 그렇죠 |
| |
아주 아주 쉽습니다. 있다 |
| |
정말 세련된 것은 없습니다 |
| |
그것에 대해. 그래서 난 끝났고 |
| |
크리스, 너 다음엔. 고마워요, 론. 그래서 |
| |
이제 나는 그 과정을 겪을 거야 |
| |
어떤 방식으로든 데이터 세트를 분석 |
| |
이는 명시적으로 다음을 호출합니다. |
| |
정보의 다양한 측면 |
| |
품질을 확인하고 JMP가 어떻게 될 수 있는지 보여주세요. |
| |
개선을 평가하는 데 사용됩니다. |
| |
InfoQ용. 그럼 우선 나는 |
| |
InfoQ를 살펴보겠습니다 |
| |
구성 요소. 첫 번째 InfoQ |
| |
구성 요소가 목표이므로 |
| |
이 경우 문제 설명 |
| |
그거 화학회사였어? |
| |
그런 공식을 원했다 |
| |
제품 수율을 극대화하는 동시에 |
| |
불쾌한 불순물을 최소화 |
| |
반응으로 인해 발생한 것입니다. |
| |
그래서 그것은 높은 수준의 목표였습니다. |
| |
통계적인 측면에서 우리는 |
| |
정확하게 맞는 모델을 찾으려면 |
| |
데이터에 대한 반응을 예측했습니다. |
| |
우리가 찾을 수 있도록 설정 |
| |
성분의 조합과 |
| |
다음과 같은 처리 단계를 거치게 됩니다. |
| |
더 좋은 제품으로. |
| |
데이터는 100으로 설정됩니다. |
| |
실험적 제제 |
| |
하나의 주요 성분, X1, 및 |
| |
10가지 첨가물. 또한 |
| |
13의 처리 인자 |
| |
응답. 데이터는 |
| |
완전히 조작되었지만 |
| |
같은 것을 설명하기 위해 시뮬레이션 |
| |
의 강점과 약점 |
| |
원본 데이터. 자료 |
| |
제형도 만들어졌다. |
| |
녹음되었습니다. 우리는 살펴볼 것이다 |
| |
이 데이터를 자세히 살펴보고 싶습니다. |
| |
지적하는 것 이상으로 자세히 설명하다 |
| |
그들은 한 곳에서 수집되었다고 |
| |
임시적인 방법으로 하나 또는 두 개 변경 |
| |
첨가물을 한 번에 넣는 것보다 |
| |
설계 또는 무작위로 |
| |
실험. 많이있다 |
| |
이 데이터를 분석하는 방법, |
| |
가장 일반적인 것은 가장 적은 것입니다 |
| |
앞으로 정사각형 모델링 |
| |
선택된 응답에 대한 선택. |
| |
그게 내 원래 의도였어 |
| |
이 강연을 위해 제가 보여드렸을 때 |
| |
Ron에게 데이터를 보내면 그는 즉시 |
| |
응답 열을 인식했습니다. |
| |
분석의 시계열로 |
| |
화학. 데이터임에도 불구하고 |
| |
시뮬레이션을 통해 그는 다음을 볼 수 있었습니다. |
| |
구조. 그는 사물을 볼 수 있었다 |
| |
내가 보지 못한 데이터에서 |
| |
그리고 그것을 읽어 보면 그렇지 않았습니다. 나는 찾았다 |
| |
이건 놀랍게도 |
| |
인상적인. 그 너머에 있어요 |
| |
이 대화의 범위는 다음과 같습니다. |
| |
기반으로 한 훨씬 더 나은 접근 방식 |
| |
앙상블 모델링을 이용한 |
| |
부분 가중치 |
| |
부트스트래핑. 필 램지, |
| |
웨인 레빈과 나에겐 또 다른 일이 있어요 |
| |
이 방법론에 대해 이야기해 보세요. |
| |
유럽의 발견 |
| |
올해 컨퍼런스. 그만큼 |
| |
접근 방식은 유망하다. |
| |
다음을 사용하여 모델을 데이터에 맞출 수 있습니다. |
| |
생각보다 활발한 상호작용 |
| |
달리기가 있습니다. 네 번째이자 마지막 |
| |
정보 품질의 구성 요소 |
| |
유틸리티는 우리가 얼마나 잘하는지입니다. |
| |
우리의 목표를 평가할 수 있습니다. 또는 |
| |
우리가 얼마나 잘했는지 어떻게 측정합니까? |
| |
우리의 목표를 평가했나요? 거기에 |
| |
이것에 있는 도메인 측면 |
| |
우리가 갖고 싶은 경우 |
| |
다음으로 이어지는 공식 |
| |
수율은 극대화하고 비용은 최소화 |
| |
후처리 과정에서의 낭비 |
| |
재료. 통계적 |
| |
분석 유틸리티는 |
| |
우리가 맞는 모델. 우리는 무엇인가 |
| |
최소한으로 가세요 |
| |
우리 모델의 제곱 정확도 |
| |
우리가 얼마나 잘 할 수 있는지에 대한 조건 |
| |
무슨 일이...무슨 일이 일어날지 예측해 보세요 |
| |
후보자의 결과 |
| |
공식의 조합...의 |
| |
혼합 요인. 이제 나는 간다 |
| |
일련의 질문을 통과하기 위해 |
| |
상세한 InfoQ를 구성하는 것 |
| |
평가는 다음과 같이 구성됩니다. |
| |
정보의 8가지 차원 |
| |
품질. 나는 지적하고 싶다. |
| |
모든 질문이 그렇지는 않을 것입니다. |
| |
서로 다른 것과 똑같이 관련됨 |
| |
데이터 과학 및 통계 |
| |
프로젝트이며 이는 그렇지 않습니다. |
| |
엄격한 교리를 의도했지만 |
| |
오히려 일련의 것들 |
| |
스스로에게 물어보는 것도 좋은 생각이다. |
| |
이 질문은 종류를 나타냅니다 |
| |
데이터 분석의 지혜 |
| |
생각보다 더 광범위하게 보입니다. |
| |
특정의 적용 |
| |
통계 기술. 사본 |
| |
스프레드시트의 |
| |
질문과 함께 다음 사항에 대한 조언을 제공합니다. |
| |
JMP의 가장 뛰어난 기능 |
| |
답변하는 데 유용합니다. |
| |
특별한 것이 업로드됩니다 |
| |
JMP 커뮤니티에 |
| |
이 대화를 활용해 보세요. 처럼 |
| |
질문을 계속 진행하는데, |
| |
나는 분석을 시연할 것이다. |
| |
JMP의 데이터 그래서 질문 1 |
| ~이다 |
사용된 데이터 규모입니다 |
| |
명시된 목표와 일치합니까? 그래서 |
| |
우리가 가지고 있는 X는 다음과 같습니다 |
| |
단일 범주형 변수 |
| |
처리 및 11 연속 |
| |
입력. 이들은 측정됩니다 |
| |
백분율로 표시되며 또한 |
| |
0.5%로 기록되었습니다. 우리 |
| |
총 금액이 없습니다 |
| |
성분, 오직 |
| |
백분율. 총계는 다음과 같습니다 |
| |
손실된 정보 |
| |
아니면 전혀 녹음되지 않았습니다. 있다 |
| |
기타 잠재적으로 중요한 |
| |
정보 조각은 |
| |
여기에는 없습니다. 사이의 시간 |
| |
배치를 공식화하고 |
| |
측정이 사라졌습니다 |
| |
그리고 다른 게 있었을 수도 있어 |
| |
공변량 수준 정보 |
| |
여기에는 없습니다. |
| |
아래의 조건을 설명했습니다. |
| |
반응이 일어난 것입니다. |
| |
나보다 더 많은 정보 없이 |
| |
가지고 있습니다. 얼마나 중요한지 말할 수 없습니다. |
| |
이런 종류의 공변량 정보 |
| |
이었을 것입니다. 우리는 가지고 있습니다 |
| |
당일의 정보 |
| |
배치로 사용할 수 있습니다. |
| |
아마도 대리자. 전반적으로 우리는 |
| |
바라건대 가장 많은 것을 가지고 |
| |
중요한 입력뿐만 아니라 |
| |
우리가 응답의 측정 |
| |
최적화를 원합니다. 우리는 할 수 있었다 |
| |
더 많은 정보가 있었지만 이것은 |
| |
시도해 볼 만큼 유망해 보입니다 |
| |
그리고 분석. 두번째 |
| |
데이터에 관련된 질문 |
| |
해상도는 얼마나 안정적이고 |
| |
측정 장치가 정확하다 |
| |
그리고 데이터 소스. 그리고 사실 |
| |
즉, 우리는 돈이 많지 않아 |
| |
여기에 구체적인 정보가 있습니다. 그만큼 |
| |
통계학자 내부 |
| |
회사는 더 있었을 텐데 |
| |
정보. 이 경우 우리는 |
| |
그것을 믿을 수밖에 없다. |
| |
화학자들이 공식화하고 |
| |
혼합물을 잘 녹음했습니다. 그만큼 |
| |
데이터와 관련된 세 번째 질문 |
| 해상도는 |
데이터입니다 |
| |
데이터에 적합한 분석 |
| |
집계 수준? 그리고 |
| |
대답은 '예'입니다. |
| |
그들의 측정 시스템은 |
| |
정확하고 데이터가 |
| |
충분히 깨끗합니다. 우리가 갈거야 |
| |
실제로하는 일은 |
| |
우리는 |
| |
기능적 데이터 탐색기 |
| |
기능적 주체 추출 |
| |
데이터인 구성 요소 |
| |
파생된 종류의 데이터 |
| |
집합. 그리고 우리는 |
| |
저거 모델링할 거야 |
| |
기능적 주성분 |
| |
입력 변수를 사용합니다. 그래서 |
| |
이제 데이터로 넘어갑니다 |
| |
구조 차원과 |
| |
우리가 묻는 첫 번째 질문은, |
| |
사용된 데이터는 |
| |
명시된 목표? 그리고 내 생각엔 |
| |
대답은 분명 그렇습니다. 이었다 |
| |
극대화하려고 노력 중 |
| |
생산하다. 우리는 다음에 대한 측정값을 얻었습니다. |
| |
그리고 입력은 다음과 같습니다. |
| |
X로 기록됩니다. 두 번째 데이터 |
| |
구조 질문은 어디에 있습니까? |
| |
정말 일이 벌어지기 시작했어 |
| |
나에게는 흥미로웠다. 그래서 이것은 |
| |
무결성 세부 사항입니다 |
| |
(이상치, 누락된 값, 데이터 |
| |
부패) 문제 설명 및 |
| |
적절하게 처리됐나요? 그래서부터 |
| |
여기서는 JMP를 사용하여 다음을 수행할 수 있습니다. |
| |
이상값이 어디에 있는지 이해하기 위해 |
| |
다음을 위한 전략을 생각해 보세요. |
| |
누락된 값에 대해 무엇을 해야 하는지, |
| |
그들의 패턴을 관찰하고 |
| |
에. 그러니까 여기가 바로 여기야 |
| |
상황이 좀 나아질 거야 |
| |
좀 더 흥미롭습니다. 첫번째 |
| |
우리가 할 일은 우리가 하는 것입니다 |
| |
있는지 판단할 예정 |
| |
우리가 발견한 데이터의 모든 이상값 |
| |
걱정할 필요가 있습니다. 그래서 |
| |
그러기 위해 우리는 갈거야 |
| |
이상치 탐색 |
| |
상영관 밖의 플랫폼 |
| |
메뉴. 우리는 |
| |
반응 변수, 그리고 왜냐하면 |
| |
이는 다변수 설정입니다. |
| |
우리는 새로운 기능을 사용할 거예요 |
| |
JMP Pro 16에서는 Robust라고 함 |
| |
PCA 이상값. 그래서 우리는 어디에 있는지 봅니다. |
| |
큰 잔차는 그 안에 있습니다 |
| |
일종의 파레토형 도표. |
| |
어디에 있는지 보여주는 스냅샷이 있습니다. |
| |
잠재적으로 좀 있어 |
| |
비정상적으로 큰 관찰. 나 |
| |
정말 이게 보인다고 생각하지 마세요 |
| |
나에게는 너무 이상하거나 걱정스럽습니다. |
| |
큰 이상값을 저장할 수 있습니다. |
| |
데이터 테이블로 이동한 다음 |
| |
배포판에 있는 그들 |
| |
플랫폼과 우리가 보는 것 |
| |
정규분포처럼 보이는데 |
| |
가운데를 꺼낸 상태에서. 그래서 나는 |
| |
이것이 데이터라고 생각하세요 |
| |
같은 것에서 오는 |
| |
인구는 많고 아무것도 없어요 |
| |
여기서 정말 걱정할 점은 |
| |
특이치 측면에서. 그래서 일단 우리는 |
| |
이상치를 처리했다 |
| |
우리가 들어가서 탐색하는 상황 |
| |
누락된 값. 그래서 우리는 무엇입니까 |
| |
먼저 할 건 우리가 가는 거야 |
| |
Y를 다음과 같이 로드합니다. |
| |
플랫폼, 그리고 우리는 갈거야 |
| |
누락된 값을 사용하려면 |
| |
어떤 패턴이 있는지 알아보기 위한 스냅샷 |
| |
그들은 우리 실종자 중 하나야 |
| |
가치. 그것은 다음과 같습니다 |
| |
누락된 값은 다음에서 발생하는 경향이 있습니다. |
| |
수평 클러스터가 있고 |
| |
또한 동일한 결측값 |
| |
행에 걸쳐. 그래서 당신은 그것을 볼 수 있습니다 |
| |
여기 검은 얼룩이 있어요. |
| |
그런 다음 |
| |
자동화된 데이터 대치, |
| |
계속 진행하여 저장합니다. |
| |
대치되는 수식 열 |
| |
새 항목의 누락된 값 |
| |
회귀 유형을 사용하는 열 |
| |
의해 개발된 알고리즘 |
| |
마일로라는 내 박사과정 학생 |
| |
NC State의 페이지입니다. 그래서 우리는 놀 수 있어요 |
| |
조금 돌아서 |
| |
ADI와 같은 느낌 |
| |
알고리즘이 작동 중입니다. 그래서 그것은 |
| |
다음 수식 항목을 만들었습니다. |
| |
요소를 벗겨내고 있는 것입니다. |
| |
ADI 대치 열은 다음과 같습니다. |
| |
벡터 수식 열 및 |
| |
점수 대치 기능 |
| |
예상되는 금액을 계산 중입니다. |
| |
주어진 누락된 셀의 값 |
| |
누락되지 않은 셀, 언제든지 |
| |
누락된 값이 있습니다. 그리고 그것은 |
| |
그냥 비를 겪고 |
| |
누락된 값. 그러면 207이 보입니다. |
| |
YO...Y6에 있어요. 처음에는 |
| |
207이지만 다음으로 변경합니다. |
| |
없어졌고 지금은 있어요 |
| |
234로 추정된다. |
| |
그래서 나는 이것을 몇 번 할 것입니다. |
| |
당신은 그것이 어떤지 알 수 있습니다 |
| |
일하고 있는. 그래서 여기에 큰 내용을 입력하겠습니다. |
| |
Y7의 가치가 바로 지금입니다. |
| |
교체되었습니다. 그리고 우리가 아래로 내려가면 |
| |
행을 추가하고 |
| |
그러면 누락된 값이 모두 거기에 있습니다. |
| |
처음에는 열이 의미합니다. |
| |
교체됩니다 |
| |
전가. 만약 내가 간다면 |
| |
미리 일부 값을 추가하세요. |
| |
그 누락된 세포는 |
| |
조건부 작업을 시작하세요 |
| |
아직 실종에 대한 기대 |
| |
정보를 사용하는 세포 |
| |
그게 빠진 것 안에 있어요.... |
| |
누락되지 않은 것. 그럼 우리 다음은 |
| |
데이터 구조에 대한 질문은 |
| |
분석 방법은 |
| |
데이터 구조에 적합합니까? |
| |
따라서 11개의 혼합 입력이 있습니다. |
| |
그리고 처리 변수는 |
| |
범주형. 저것들이 가네 |
| |
최소한의 입력이 되도록 |
| |
사각형 유형 모델. 우리는 |
| |
13개의 연속 응답과 |
| |
우리는 그것들을 다음을 사용하여 모델링할 수 있습니다... |
| |
개별적으로 최소한의 사용 |
| |
사각형. 아니면 모델로 삼을 수도 있어요 |
| |
기능적 교장 |
| |
구성 요소. 그...지금은 있어요 |
| |
문제. X는... |
| |
입력 변수가 없습니다. |
| |
전혀 무작위로 지정되었습니다. 그것은 매우 |
| |
분명히 그들은 똥을 싸겠지 |
| |
다음 중 하나 이상과 함께 |
| |
화합물을 넣은 다음 이동합니다. |
| |
다른 하나에. 그래서 |
| |
그 순서는 |
| |
입력 변수가 다양했습니다. |
| |
좀 우연적이었습니다. 그것은 |
| |
무작위화가 확실히 부족하고, |
| |
그건 부정적이겠지 |
| |
우리의...일반화 가능성에 영향을 미칩니다 |
| |
그리고 우리 결론의 힘. |
| |
데이터 통합은 세 번째다 |
| |
InfoQ 차원. 이들 데이터 |
| |
수동으로 입력된 실험실 메모입니다. |
| |
대부분 혼합물로 구성됨 |
| |
백분율 및 장비 |
| |
판독값. 우리는 단지 가정할 수 있을 뿐입니다 |
| |
데이터가 입력되었다고 |
| |
올바르게 그리고 X는 |
| |
응답과 올바르게 정렬됩니다. |
| |
그렇지 않다면, |
| |
모델에는 심각한 편견이 있을 것입니다. |
| |
문제가 있고 |
| |
일반화에 문제가 있습니다. |
| |
통합이 더 문제 |
| |
관측 데이터로 |
| |
기계의 과학 문제 |
| |
실습보다 학습 연습 |
| |
이런 실험. 하지만 |
| |
여기에는 적용되지 않습니다. |
| |
프라이버시를 지적하고 |
| |
기밀 유지 문제가 발생할 수 있습니다. |
| |
모델링을 통해 확인된 |
| |
데이터의 민감한 부분을 사용하여 |
| |
게시할 구성요소 |
| |
데이터에. 결과적으로 |
| |
모델이 예측되면 하나 |
| |
프라이버시를 걱정해야 한다 |
| |
우려가 충족되지 않고 있습니다. 일시적인 |
| |
관련성은 다음을 가리킨다. |
| |
작업 시간 순서 |
| |
데이터 수집, 분석 및 |
| |
배포 및 격차 여부 |
| |
그 단계들 사이에는 |
| |
의 유용성이 감소함 |
| |
연구에 나온 정보. |
| |
이 경우 우리는 간단히 말해서 |
| |
재료가 공급되기를 바랍니다 |
| |
합리적으로 일관성이 있고 |
| |
그 테스트 장비는 |
| |
합리적으로 정확합니다. |
| |
이에 대해 검증할 수 없는 가정 |
| |
가리키다. 시간 해상도는 우리가 |
| |
데이터 수집이 완료되면 |
| |
일 수준에서 이는 다음을 의미합니다. |
| |
그럴 방법은 별로 없다고 |
| |
시간이 있는지 확인해 볼 수 있어요 |
| |
매일의 변화. |
| |
데이터와 목표의 연대기는 다음과 같습니다. |
| |
가용성에 대해 |
| |
측면에서 관련 변수 |
| |
변수가 |
| |
데이터에 전혀 존재하지 않거나 |
| |
올바른 정보인지 |
| |
모델이 출시되면 사용할 수 있습니다. |
| |
배포됩니다. 예측을 위해 |
| |
모델, 이것은 모델과 관련이 있습니다 |
| |
다음과 유사한 데이터에 적합 |
| |
그 시간에 무엇이 있을 것인가 |
| |
모델은 다음에 대해 평가됩니다. |
| |
새로운 데이터. 이로써 우리 데이터는 |
| |
세트는 확실히 괜찮습니다. 을 위한 |
| |
인과관계를 확립하지만, |
| |
우리는 그다지 좋지 않다 |
| |
모양이 부족하기 때문에 |
| |
무작위화는 그 시간을 의미합니다. |
| |
효과와 요인 효과는 다음과 같습니다. |
| |
혼란스러워서 편견을 낳게 된다 |
| |
우리 추정으로는. 내생성, |
| |
아니면 인과관계가 역전될 수도 있고 |
| |
여기서 분명히 문제가 될 수 있습니다. |
| |
온도와 같은 변수 |
| |
반응 시간은 분명히 |
| |
응답에 영향을 미치지만 |
| |
기록되지 않은 채로 남겨졌습니다. 전반적인, |
| |
우리가 모르는 것이 많다 |
| |
이 차원에 대해 |
| |
정보 품질 감각. |
| |
InfoQ의 나머지 부분 |
| |
평가는 될 것이다 |
| |
유형에 따라 |
| |
우리가 하는 분석. 그래서 이것에 |
| |
요점은 내가 계속해서 |
| |
이 데이터를 분석해 보세요 |
| |
기능 데이터 사용 |
| |
JMP Pro의 Explorer 플랫폼 |
| |
이를 통해 저는 다양한 분야에서 모델을 만들 수 있습니다. |
| |
모든 열을 동시에 |
| |
기반으로 하는 방식으로 |
| |
기능적 주요 구성 요소, |
| |
최대 금액을 포함하는 |
| |
모든 정보에 대한 정보 |
| |
에 표시된 대로 열 |
| |
가능한 가장 효율적인 형식입니다. |
| |
나는 다음 작업을 할 예정이다. |
| |
열의 귀속된 버전 |
| |
제가 아까 계산했던 |
| |
프레젠테이션. 그리고 나는 갈거야 |
| |
내가 될 거라고 지적해줘 |
| |
의 조합을 찾기 위해 노력하고 있습니다. |
| |
달성하는 혼합 요소 |
| |
최대한 가깝게 |
| |
최소 제곱 감각, 이상 |
| |
의해 만들어진 곡선 |
| |
극대화하는 실무자 |
| |
잠재적인 제품의 양 |
| |
일괄 처리될 수 있습니다. |
| |
금액을 최소화하는 것 |
| |
그들이 가지고 있는 불순물 |
| |
현실적으로 배치를 생각했다 |
| |
포함할 수 있습니다. 그래서 나는 |
| |
분석으로 이동하여 분석 |
| |
메뉴에서 Functional |
| |
데이터 탐색기. 여기에는 다음과 같은 행이 있습니다. |
| |
기능. 난 짐을 싣을 거야 |
| |
행을 귀속시킨 다음 나는 갈 것입니다 |
| |
내 공식을 적용하려면 |
| |
구성 요소 및 내 처리 |
| |
보충 칼럼 |
| |
변하기 쉬운. 우리에겐 신분증이 있어요 |
| |
함수, 그게 배치 ID입니다. 여기 나는 |
| |
타세요. 기능이 보이고, |
| |
오버레이 모두와 |
| |
개별 기능을 볼 수 있어요. |
| |
그러면 타겟을 로드할 수 있어요 |
| |
기능이 이상적입니다. |
| |
그러면 상황이 바뀔 것입니다. |
| |
일단 결과 분석 |
| |
모델링에 들어가다 |
| |
단계. 그래서 이것들은 예쁘다 |
| |
기능이 간단해서 그냥 |
| |
그들을 모델로 삼을 예정 |
| |
B 스플라인. |
| |
그런 다음 내 속으로 들어가겠습니다. |
| |
기능적 DOE 분석. |
| |
이거 모델한테 맞을거같아 |
| |
입력을 연결하는 |
| |
기능적 교장 |
| |
구성 요소를 모두 연결한 다음 |
| |
통과하는 길 |
| |
그렇게 만드는 고유함수 |
| |
우리는 복구할 수 있습니다 |
| |
전반적인 기능은 |
| |
변경되었습니다. |
| |
혼합 요인. 그만큼 |
| |
기능적 주성분 |
| |
분석에 따르면 |
| |
네 가지 차원이 있습니다 |
| |
이러한 반응의 변화 |
| |
기능. 무엇을 이해하려면 |
| |
그 말은, 가자고 하고 |
| |
FPC 프로파일러로 탐색해 보세요. |
| |
그러니 바로 여기 이 창을 보세요. |
| |
FPC 1을 조정하면 볼 수 있습니다. |
| |
이 FPC는 다음과 연관되어 있습니다. |
| |
최고 높이. FPC2, 보인다 |
| |
일종의 정점인 것처럼 |
| |
좁음. 그것은 거의 같다 |
| |
해결 주체 |
| |
요소. 세 번째는 |
| |
무릎 부상과 관련된 |
| |
지배적 인 피크의 왼쪽. |
| |
그리고 Peak 4는 다음과 같습니다. |
| |
주로 관련이 있는 |
| |
불순물, 그래서 그게 다야 |
| |
근본적인 의미는 |
| |
이 네 가지 기능적 |
| |
주요 구성 요소. |
| |
그래서 우리는 목표를 특정화했습니다. |
| |
제품의 극대화와 |
| |
불순물을 최소화하고, |
| |
우리는 그것을 |
| |
이 이상을 통해 분석하거나 |
| |
우리가 공급한 황금 곡선 |
| |
FDE의 시작 |
| |
우리가 하고 있는 운동. 다음과 같이 얻으려면 |
| |
그 이상에 최대한 가깝다 |
| |
곡선, 바람직함을 켭니다. |
| |
기능. 그러면 우리는 갈 수 있어요 |
| |
꺼내서 바람직함을 극대화합니다. |
| |
그리고 우리는 최적의 |
| |
입력의 조합은 대략 |
| |
4.5% |
| |
성분 4, 2% |
| |
성분 6. 2.2% |
| |
성분 8과 1.24% |
| |
성분 9를 이용한 가공 |
| |
방법 2. 방법을 검토해 보겠습니다. |
| |
우리는 여기까지 왔습니다. 우리가 먼저 |
| |
누락된 응답을 계산했습니다. |
| |
열. 그런 다음 B-스플라인을 찾았습니다. |
| |
해당 기능에 맞는 모델 |
| |
FDE 플랫폼에서도 마찬가지입니다. ㅏ |
| |
기능적 주성분 |
| |
분석 결과 |
| |
4개의 고유함수가 있었습니다 |
| |
변화를 특징짓는 것 |
| |
이 데이터. 이 네 가지 |
| |
고유함수가 결정되었습니다 |
| |
FPC 프로파일러를 통해 각 |
| |
합리적인 주제를 가지고 |
| |
물질 의미. 기능적인 |
| |
DOE 분석은 다음과 같이 구성되었습니다. |
| |
앞으로 잘라내기 적용 |
| |
각각의 선택 |
| |
개별 FPC 점수를 사용하여 |
| |
DOE 요소를 입력 변수로 사용합니다. |
| |
그리고 우리는 여기서 이것들이 |
| |
의 조합을 발견했습니다 |
| |
상호작용과 주효과 |
| |
가장 예측 가능했던 것은 |
| |
각 기능 주체 |
| |
구성요소 점수를 개별적으로 평가합니다. |
| |
기능적 DOE 프로파일러 |
| |
우아하게 모두 담아냈습니다 |
| |
측면을 하나의 표현으로 |
| |
그것은 우리가 |
| |
제제 처리 단계 |
| |
바람직할 것으로 예측된다. |
| |
높은 것으로 측정된 특성 |
| |
수확량과 낮은 불순물. |
| |
이제 InfoQ를 할 수 있습니다. |
| |
평가 |
| |
데이터의 일반화 가능성 |
| |
분석. 따라서 이 경우에는 |
| |
우리는 그것에 더 관심이 있습니다 |
| |
과학적 일반화 가능성 |
| |
실험자는 깊이 |
| |
지식이 풍부한 화학자 작업 |
| |
이 화합물로. 그래서 우리는 |
| |
더 의지하게 될 거야 |
| |
해당 주제에 대한 전문 지식 |
| |
그런 다음 통계적 원리에 따라 |
| |
가설 테스트와 같은 도구 |
| |
기타 등등. 목표는 |
| |
주로 예측하지만, |
| |
일반화 가능성은 일종의 |
| |
문제가 되는 이유는 |
| |
실험은 설계되지 않았습니다. 우리의 |
| |
상호작용을 추정하는 능력 |
| |
다음과 같은 기술에 대해서는 약화됩니다. |
| |
전진선택 불가능 |
| |
최소 제곱 분석을 통해 |
| |
전체 모델. 왜냐하면 |
| |
연구는 무작위로 이루어지지 않았습니다. |
| |
녹음되지 않은 시간이 있을 수 있습니다. |
| |
주문 효과. 우리는 가지고 있지 않습니다 |
| |
잠재적으로 중요한 공변량 |
| |
온도와 같은 정보 |
| |
반응 시간. 이는 |
| |
또 다른 큰 물음표 |
| |
일반화 가능성에 관해서. |
| |
반복성 및 |
| |
연구의 재현성은 |
| |
여기도 우리처럼 알려지지 않았어 |
| |
에 대한 정보가 없습니다 |
| |
로 인한 변동성 |
| |
측정 시스템. 다행스럽게도, |
| |
JMP와 같은 도구가 있습니다 |
| |
이해하기 위해 디자인을 평가하다 |
| |
기존 디자인은 물론이고 |
| |
디자인을 크게 향상시킬 수 있습니다. |
| |
일반화를 강화하다 |
| |
분석의 성과. |
| |
증강은 정보를 향상시킬 수 있습니다 |
| |
주요 효과에 대해 |
| |
상호 작용 및 두 번째 라운드 |
| |
실험의 수는 |
| |
또한 향상시키기 위해 무작위로 지정되었습니다. |
| |
일반화 가능성. 그래서 지금 나는 |
| |
몇 가지 과정을 겪게 될 거예요 |
| |
방법을 보여주는 간단한 단계 |
| |
일반화를 개선하다 |
| |
우리의 연구 성과 |
| |
JMP의 디자인 도구 내가 전에 |
| |
그렇게 해라, 나는 지적하고 싶다 |
| |
데이터를 가져와야 했고 |
| |
이렇게 변환해 보세요. |
| |
비율보다는 |
| |
퍼센트. 그렇지 않으면 디자인 |
| |
도구가 실제로 동의하지 않았습니다 |
| |
데이터를 아주 잘 가지고 있습니다. 그래서 우리는 |
| |
평가 디자이너로 이동 |
| |
그런 다음 Y를 로드하고 |
| |
우리 엑스. 나는 능력을 요청했다 |
| |
2차 상호작용을 처리합니다. |
| |
그럼...그래, 알림이 왔어 |
| |
'야, 난 그럴 수 없어'라고 말하면서 |
| |
우리는 할 수 없기 때문에 |
| |
모든 상호 작용을 추정 |
| |
한 번에 하나의 요소가 주어졌을 때 |
| |
우리가 가지고 있는 데이터. 그래서 나는 지지했다 |
| |
위로. 우리는 증강에 간다 |
| |
디자이너, 모든 것을 로드하고 |
| |
증가를 설정합니다. 우리는 선택할 것이고 나는- |
| |
최적의 디자인을 제공하기 때문에 |
| |
정말 걱정된다 |
| |
여기서 예상되는 성능. |
| |
그리고 나 |
| |
실행 횟수를 148로 설정합니다. |
| |
맞춤 디자이너가 요청한 |
| |
최소 141이지만 나는 |
| |
148 그냥 확실히 하려고요 |
| |
우리는 할 수 있는 모든 능력을 갖고 있다고 |
| |
우리의 모든 상호작용을 추정해 보세요 |
| |
꽤 괜찮아요. 그 이후에는 |
| |
약 20초 정도 소요 |
| |
디자인을 구성합니다. 그래서 지금 |
| |
우리가 디자인을 갖고 있다는 걸, 나는 |
| |
두 가지를 가장 많이 보여드리겠습니다 |
| |
중요한 진단 도구 |
| |
증강 디자이너 |
| |
디자인을 평가합니다. 에 |
| |
왼쪽에는 |
| |
디자인 공간 플롯. 이것은 |
| |
볼륨의 50%를 보여줍니다. |
| |
디자인의 |
| |
예측 분산은 다음과 같습니다. |
| |
1보다 작습니다. 따라서 1은 |
| |
잔차와 동일 |
| |
오류. 그래서 우리는 얻을 수 있습니다 |
| |
측정 오류보다 낫습니다. |
| |
품질에 대한 예측 |
| |
디자인의 대부분. 에 |
| |
오른쪽에 컬러 맵이 있습니다 |
| |
상관관계. 이것이 보여지고 있다 |
| |
우리가 추정할 수 있는 것은 |
| |
모든 것이 꽤 좋습니다. 있다 |
| |
일부...혼합 때문에 |
| |
제약이 있어, 우리는 뭔가를 얻고 있어요 |
| |
사이의 강한 상관관계 |
| |
상호작용과 주효과. |
| |
전반적으로 효과는 상당합니다 |
| |
깨끗한. 그리고 상호작용은 |
| |
꽤 잘 분리되어 있어요 |
| |
또 다른 주요 효과 |
| |
꽤 잘 분리되어 있어요 |
| |
서로도 마찬가지입니다. 후에 |
| |
디자인을 보고 |
| |
진단을 통해 우리는 |
| |
테이블. 여기에서 나는 다음을 보여주었다. |
| |
증강된 실행 중 처음 13개 |
| |
그리고 우리는...우리는 |
| |
더 많은 무작위화가 있습니다. 우리는하지 않습니다 |
| |
동일한 주효과를 사용함 |
| |
계속해서 줄무늬. |
| |
그게 더 좋다는 증거죠 |
| |
무작위화와 전반적인 |
| |
디자인은 할 수 있을 것이다 |
| |
훨씬 더 나은 주요 추정 |
| |
효과와 상호작용 |
| |
더 좋은 품질로 받았습니다 |
| |
이 두 번째 단계의 정보 |
| |
실험의. 그래서 입력은 |
| |
변수인 X는 정확합니다. |
| |
혼합물의 표현 |
| |
비율이니까 확실히 알겠지 |
| |
객관적 관심. 그만큼 |
| |
응답은 가까운 대리자입니다 |
| |
제품 금액에 대해 |
| |
그리고 불순물의 양은 |
| |
배치. 우리는 꽤 잘 지내요 |
| |
7.1. 거기. 정당성 |
| |
분명합니다. 공부가 끝난 후 우리는 |
| |
물론 준비하러 갈 수도 있지 |
| |
배합물인 배치 |
| |
FDOE에서 권장한 것입니다. |
| |
프로파일러. 시험해보고 괜찮다면 |
| |
우리는 그런 종류의 것을 얻고 있습니다 |
| |
우리가 찾고 있던 성능 |
| |
을 위한. 그것은 매우 분명하다 |
| |
그게 우리가 할 수 있는 방법이겠지 |
| |
우리가 얼마나 잘 달성했는지 평가 |
| |
우리의 연구 목표. 그럼 이제 그 밑에 |
| |
마지막 InfoQ 차원 |
| |
의사소통. 설명함으로써 |
| |
목표로서의 이상적인 곡선 |
| |
기능, 기능적 DOE |
| |
프로파일러는 목표를 설정하고 |
| |
분석 결정의 결과 |
| |
분명한. 하지만 이건 표현이 가능해요 |
| |
쉽게 할 수 있는 수준에서 |
| |
화학자들에 의해 해석되고 |
| |
R&D 시설의 관리자. |
| |
그리고 우리가 세부적인 작업을 수행한 것처럼 |
| |
정보 품질 평가, |
| |
우리는 이것에 대해 솔직하게 말했습니다. |
| |
의 강점과 약점 |
| |
연구 설계 및 데이터 |
| |
수집. 결과가 그렇다면 |
| |
일반화하지 마세요. 우리는 확실히 |
| |
어디서 찾아야 하는지 알아라 |
| |
문제가 있었다. 일단 당신이 |
| |
개념을 잘 알고 있고, |
| |
멋진 추가 기능이 작성되어 있습니다 |
| |
Ian Cox가 작성한 것입니다. |
| |
빠른 정량적 InfoQ 수행 |
| |
평가. 추가 기능에는 |
| |
상단 및 하단 슬라이더 |
| |
각 InfoQ 차원의 경계. |
| |
이러한 측정기준은 결합되어 있습니다. |
| |
만족도 함수를 사용하여 |
| |
전체 간격에 대한 접근 방식 |
| |
InfoQ는 왼쪽에 있습니다. |
| |
다음은 에 대한 평가입니다. |
| |
내가 다룬 데이터 및 분석 |
| |
이 프레젠테이션. 추가 기능은 다음과 같습니다. |
| |
유용한 사고 도구이기도 합니다. |
| |
당신이 각각을 고려하게 만들 것입니다 |
| |
InfoQ 차원. 그것은 또한 |
| |
실용적인 의사소통 방법 |
| |
InfoQ 평가를 귀하에게 제공합니다. |
| |
고객이나 경영진에게 |
| |
이는 높은 수준의 보기를 제공합니다. |
| |
없는 정보 품질 |
| |
많은 기술을 사용하여 |
| |
개념과 전문 용어. 추가 기능 |
| |
의 기초로도 유용하다. |
| |
InfoQ 비교. 나의 |
| |
이것에 대한 원래의 희망 |
| |
프레젠테이션은 조금 할 예정이었습니다. |
| |
좀 더 야심차게. 나는 바랐다 |
| |
내가 분석한 내용을 다루기 위해 |
| |
방금 겪었고, |
| |
또 다른 간단한 것, 건너뛰는 것 |
| |
응답을 입력하고 수행 |
| |
단순 다변량 선형 |
| |
응답의 회귀 모델 |
| |
열. 오늘은 내가 할 수 있는 일만 |
| |
그것에 대한 최종 평가를 제공하십시오 |
| |
접근하다. 보시다시피, |
| |
InfoQ의 여러 가지 |
| |
치수가 크게 악화됩니다. |
| |
더 정교하지 않고 |
| |
분석. 매우 분명하다 |
| |
간단한 분석으로 이어집니다. |
| |
InfoQ 점수가 훨씬 낮습니다. |
| |
단순 상한선 |
| |
분석은 그리 높지 않습니다 |
| |
하한치 이상 |
| |
정교한 것. 와 함께 |
| |
경험, 당신은 얻을 것입니다 |
| |
InfoQ가 좋은지에 대한 직관 |
| |
점수는 데이터 과학을 위한 것입니다 |
| |
귀하가 속한 업계의 프로젝트와 |
| |
당신처럼 더 나은 습관을 기르십시오 |
| |
더 이상 눈이 멀지 않을 것이다. |
| |
정보 병목 현상 |
| |
데이터 수집, 분석 및 |
| |
모델 배포. 정보 |
| |
사용하기 쉬운 품질 |
| |
상호 작용. 이게 내 첫 번째였어 |
| |
공식적인 정보 품질 |
| |
평가. 나 자신에 대해 말하면, |
| |
정보의 질 |
| |
프레임워크는 단어와 |
| |
나는 많은 것들에 대한 구조 |
| |
이미 본능적으로 알고 있었다. 그것 |
| |
내 방법은 이미 변경되었습니다. |
| |
새로운 데이터 분석에 접근 |
| |
프로젝트. 꼭 가보시길 권합니다 |
| |
이 과정을 통해 스스로 |
| |
자신의 데이터(그 데이터가 있더라도) |
| |
분석은 이미 매우 |
| |
당신에게 친숙한. 나는 보장한다 |
| |
당신이 더 현명해지고 |
| |
보다 효율적인 데이터 과학자 |
| |
때문에. 감사합니다. |
