-안녕, 나는 실내 변기 물고기 나는 a 인위적인 엔지니어 ~와 함께 제이엠피
I 씌우다 여러 개의 중서부 주 ~에 그만큼 우리를.
나는 합류했다 오늘 ~에 의해 하나 ~의 나의 동료 스콧 앨런,
누구야 또한 a 인위적인 엔지니어 ~을 위한 제이엠피
그리고 그 지원합니다 여러 개의 다른 중서부 주.
안녕, 스콧.
-여기요, 실내 변기, 좋은 아침.
-좋은 아침.
오늘 우리 원하다 에게 말하다 ~에 대한 a 다양성,
a 비교적 새로운 방법 에게 분석하다 데이터, 구체적으로 ~에서 갈기 운영,
어디 우리 원하다 에게 배우다 ~에 대한 갈기 에게 돕다 ~와 함께 a 규모- 위로 갈기 프로세스.
-안에 e 둘 다 가지다 a 강한 관심 ~에 프로세스 최적화 사용 중 암사슴
그리고 ~에 모델링 응답 곡선
사용 중 그만큼 기능적 데이터 탐침 ~에 도약 찬성,
그리고 우리 원했다 에게 가져오다 저것들 함께 ~을 위한 오늘의 프레젠테이션.
그리고 하나 ~의 그만큼 첫 번째 예시 I 봤다 행위 이것 종류 ~의 분석
~였다 그만큼 갈기 암사슴 그게 ~에 그만큼 견본 데이터 도서관,
어디 그만큼 목표 ~이다 에게 최적화하다 한 평균 입자 크기.
그래서 ~처럼 우리 ~이었다 말하는 ~에 대한 가능한 주제 ~을 위한 오늘,
우리 생각 그것 ~일 것이다 BE 흥미로운 에게 보다 만약에 우리 ~할 수 있었다 연장하다 저것
대신에 ~의 최적화 저것 단지 그만큼 입자 크기,
~할 수 있었다 우리 실제로 최적화하다 그만큼 입자 크기 분포 응답 곡선?
-그래서, 갈기 가지다 많은 다른 응용 프로그램.
당신은 할 것이다 찾다 그것 ~에 아무것 ~에서 채광, 음식 처리 중,
만들기 토너 ~에 그만큼 인쇄 산업, 만들기 제약 가루.
~에 그만큼 최대 기초적인 수준, a 갈기 프로세스 ~이다 사용된
언제 우리 원하다 에게 줄이다 그만큼 입자 크기 ~의 a 확실한 물질
그리고 생산하다 제복 입자 모양 그리고 크기 분포
~의 a 시작하다 재료.
자주 일부 유형 ~의 연마 중간 ~이다 추가됨 에게 가속하다 그만큼 프로세스
또는 에게 제어 그만큼 크기 그리고 모양 분포
~의 그만큼 결과적으로 입자.
~ 안에 각 애플리케이션 그만큼 욕구 ~이다 에게 얻다 그만큼 오른쪽 입자 크기,
말하다 그만큼 중앙값 또는 그만큼 평균 입자 크기,
~와 함께 a 통제된 예측 가능한 입자 크기 분포.
~ 안에 그만큼 대본 우리 논의했다 오늘,
우리 가지다 한 기존의 조작 갈기 작업
저것 생산하다 a 제약 가루.
그것 가지다 좋은 성능 오늘,
창조하다 그만큼 오른쪽 중간 입자 크기 그리고 a 좁은 입자 크기 분포.
A 가득한 폭로 이것 대본 그리고 그만큼 결과적으로 데이터 ~이다 발명됨.
스콧 그리고 I 하지 않았다 가지다 입장 에게 비 비밀의 데이터
에게 현재의 ~에 이것 종이.
하지만, 심지어 그렇지만 그만큼 데이터 ~이다 만드는,
그만큼 기법 저것 이었다 ~에 대한 에게 보여주다 ~이다 해당되는 ~을 위한 진짜 세계 문제.
그만큼 그림 ~에 그만큼 왼쪽 쇼 a 전형적인 흥분한 공 밀.
그만큼 재료 에게 BE 밀링, 들어간다 ~에 그만큼 맨 위
그리고 계속해서 흐름 ~ 안으로 그만큼 선박 어디 한 교반기 회전하다
그만큼 재료 그리고 그만큼 연마 중간 에게 영향을 미치다 입자 크기.
그만큼 결과적으로 입자 ~이다 그 다음에 진공 청소 밖으로 ~의 그만큼 선박
~처럼 그들은 밀링.
관리 가지다 말했다 그들 필요 에게 증가하다 그만큼 생산 산출,
무엇 이었다 모두, 나는 확신하는, 친숙한 와 함께.
그들 ~이다 치고는 건물 a 새로운 갈기 선,
하지만 ~ 전에 투자 모두 저것 수도, 그들은 좋다 에게 조사하다,
~할 수 있다 우리 간단히 증가하다 그만큼 처리량 ~의 우리의 기존의 장비?
그래서 조작 만들어진 일부 시도 ~에 행위 저것,
그들 조정됨 그들의 프로세스,
그리고 ~하는 동안 그들 ~할 수 있다 영향을 미치다 그만큼 중앙값 입자 크기,
그만큼 새로운 산출 가지다 이상한 입자 크기 분포.
그래서 조작 왔다 뒤쪽에 에게 아르 자형& D 어디 스콧 그리고 I 이다,
그리고 물었다 우리를 에게 가다 에게 그만큼 조종사 랩
그리고 보다 만약에 있다 어느 콤비네이션 ~의 설정 저것 ~할 것 같다 개선하다 처리량.
스콧, 무엇 매개변수 했다 우리 바라보다 에?
-안에 이것 사례,
이었다 가고 있다 에게 사용 육 다른 요인들 ~을 위한 a 데오.
있다 가고 있다 에게 BE 네 개 마디 없는 요인들
그래서 동요 속도, 그만큼 흐름 비율 ~의 담체 가스,
그만큼 메디아 로딩 중 ~처럼 a 백분율 ~의 그만큼 총,
그리고 그 다음에 그만큼 온도 ~의 그만큼 체계.
그리고 그 다음에 있다 둘 범주형 요인들,
그만큼 메디아 유형 그리고 아마도 그만큼 망사 크기 ~의 a 사전 화면 프로세스.
그리고 그래서 결정하다 저것들 요인들
~이다 꽤 똑바로 이것들 ~이다 알려진 에게 영향을 미치다 입자 크기 분포
그리고 것들 좋다 저것, 하지만 그만큼 응답 ~이다 아직 a 도전.
그리고 ~에 이것 사례, 나는 ~ 아니다 확신하는 어떻게 너 ~일 것이다 실제로 가다 합 행위 이것
만약에 너 할 수 없었다 모델 그만큼 응답 곡선 좋다 이었다 가고 있다 에게 하다.
그래서 실내 변기, ~에 당신의 경험, 어떻게 ~일 것이다 너 가지다 완료 이것 전에?
-에스 o 이것 다음 슬라이드 쇼 전형적인 입자 크기 분포
또는 입자 크기 밀도 구성.
그리고 우리는 갖다 a 계획했다 ~처럼 퍼센트 당 미크론 ~ 대 크기.
하지만 너 ~할 수 있다 생각하다 ~의 이것 ~처럼 단지 a 입자 세다
~에 그만큼 그리고- 중심선 또는 a 대량의 분포,
그것은 단지 a 히스토그램 대표하는 그만큼 분포 ~의 입자.
무엇 당신은 봄 ~에 당신의 화면,
이것 ~할 것 같다 BE a 좋은 입자 크기 분포,
가지다 a 멋진 좁은 모양 ~와 함께 a 정점
~에 그만큼 원하는 중앙값 입자 크기.
하지만 어떻게 하다 우리 특징화하다 이것 분포
만약에 우리 원하다 에게 하다 a 시험 에게 조정하다 그것?
잘, 우리 ~할 것 같다 특징화하다 그만큼 위치 ~와 함께 그만큼 평균, 중앙값, 방법
~의 그만큼 분포.
그리고 우리 ~할 것 같다 특징화하다 그만큼 너비 ~을 통해 a 기준 편차
또는 아마도 a 너비 ~에 반 정점 키,
저것들 ~이다 전형적인 방법 우리 ~할 것 같다 측정하다 저것.
하지만 언제 조작 시험을 마친 에게 회전하다 다양한 생산 손잡이
~에 그들의 프로세스 에게 속도 위로 그만큼 처리량,
그들 봤다 다양한 학위 ~의 어울리지 않음 ~에 그만큼 분포.
아마도 이것 ~였다 ~로 인한 에게 불완전한 갈기 ~의 그만큼 제약 재료,
또는 아마도 거기 ~이었다 온도 효과 저것 발생했다 입자 에게 덩어리,
우리 ~하지 않다 정말 알다.
하지만 지금 그만큼 반 너비
아니다 정말 대표하는 그만큼 모양 ~의 저것 새로운 곡선.
그래서 우리 ~할 것 같다 회전하다 에게 계산 중 아마도 백분위수
~을 따라 그만큼 너비 ~의 그만큼 곡선,
아마도 그만큼 10번째 백분위수 ~의 입자 저것 떨어지다 아래에 a 확실한 가리키다,
20% 아래에 이것 가리키다, 90% 아래에 이것 가리키다, 그리고 그래서 앞으로.
하지만 그것 얻는다 심지어 더 강하다 언제 이었다 견딜 수 없는 에게 설명하다 무엇 좋다 이것 모양
어디 거기 ~이다 둘 매우 명백한 봉우리, 또는 이것 모양,
어느 I 추세 에게 부르다 a 커다란 건초 더미 어디 그것은 매우 넓은, 하지 않는다 가지다 꼬리.
무엇 하다 우리 하다 ~와 함께 저것?
그래서 이것 매개변수화 기술 하지 않는다 ~인 것 같다 에게 BE 그만큼 최상의 방법
에게 접근하다 그만큼 문제.
스콧, I 알다 우리 가지다 에게 하다 일부 실험,
하지만 어떻게 ~이다 우리 가고 있다 에게 접근하다 이것 ~에 오늘의 분석?
-그래서 그게 무엇 이었다 가고 있다 에게 하다.
그래서 우리는 가고 있다 에게 사용 그만큼 전체 모양,
우리의 응답 ~에 이것 사례 ~이다 가고 있다 에게 BE 저것 곡선.
그래서 이었다 ~ 아니다 가고 있다 에게 노력하다 에게 공동 최적화 모두 저것들 다른 매개변수
저것 너 이야기했다 에 대한.
우리 ~할 수 있었다 공동 최적화하다 둘, 삼, 네 개 다른 매개변수,
하지만 대신에 이었다 가고 있다 에게 사용 저것 전체 곡선 ~처럼 우리의 응답.
이었다 가고 있다 에게 사용 모두 그만큼 데이터 그리고 그 다음에 우리의 목표
~이다 가고 있다 에게 BE 일부 가정적인 곡선 저것 우리 원하다 에게 성취하다.
그래서 한 번 다시, 이었다 ~ 아니다 가고 있다 에게 노력하다 에게 목표
모두 그만큼 다른 매개변수 ~에 저것 곡선,
이었다 가고 있다 에게 노력하다 에게 성냥 그만큼 모양.
그래서 우리 원하다 에게 가지다 우리의 실험적 모양 성냥 그만큼 모양 ~의 우리의 목표.
그리고 그래서 그게 어떻게 이었다 가고 있다 에게 얻다 시작했다 ~와 함께 그만큼 분석 오늘
그리고 잘 가져가다 너 ~을 통해 그만큼 워크플로 ~의 어떻게 우리 ~일 것이다 하다 저것.
그래서 허락하다 나 가다 그리고 얻다 ~ 안으로 제이엠피
앗, 거기 우리 가다.
그래서 우리 첫 번째 보다 여기 ~이다 그만큼 암사슴 저것 우리 달렸다.
그래서 우리 달렸다 a 결정적인 상영 설계 ~와 함께 저것들 육 요인들,
하지만 너 ~할 수 있었다 사용 어느 설계 저것 너 원함.
그리고 우리는 갖다 18 실험 ~에 이것 사례,
그럼 여기 있어요 모두 그만큼 요인들 그리고 그만큼 요인 설정 저것 우리 사용된.
-저것 외모 예쁜 기준 에게 나, 스콧, ~을 위한 그만큼 암사슴 저것 나는 달리다 ~에 그만큼 과거.
하지만 너 ~하지 않다 가지다 a 응답 열.
-안에 그, 그게 하나 ~의 그만큼 고유한 것들 ~에 대한 그만큼 응답 곡선 분석 ~이다
~에 일부 사례 너 세트 그것 위로 a 작은 조금 다르게 그리고 어떻게 너 하다 그만큼 분석.
그래서 우리 ~하지 않다 가지다 a 응답 열
그리고 이었다 ~ 아니다 가고 있다 에게 최적화하다 단지 a 하나의 값.
대신에, 우리의 응답 ~이다 ~에 이것 다른 테이블.
그래서 ~에 이것 사례, 우리는 갖다 a 매우 키가 큰 데이터 세트
~와 함께 그만큼 엑스- 중심선 ~이다 우리의 크기 그리고 그만큼 Y 값 ~이다 우리의 퍼센트 당 미크론
그리고 이것 ~이다 무엇 이었다 가고 있다 에게 구성 그리고 최적화.
하지만 우리 하다 필요 에게 얻다 우리의 암사슴 요인들 ~에 거기.
그래서 에게 하다 저것, 우리 단지 가지고 갔다 a 작은 조금 ~의 a 지름길
그리고 우리 했다 a 가상 가입하다 ~ 사이 이것들 둘 테이블.
그래서 ~에 우리의 설계 여기, 우리의 달리다 숫자 ~이다 그만큼 링크 ID.
그리고 그 다음에 우리는 갖다 그만큼 달리다 숫자 여기 그리고 이것 ~이다 그만큼 링크 참조,
그리고 이것 하자 우리를 가져오다 ~에 모두 ~의 저것들 암사슴 요인들.
그래서 이것들 ~이다 모두 여기 ~에 그만큼 테이블, 하지만 그들은 단지 사실상 합류했다
그리고 저것 도움이 됩니다 우리를 유지하다 우리의 응답 테이블 멋진 그리고 깨끗한.
그래서 만약에 있다 어느 수정, 우리 ~하지 않다 가지다 에게 걱정하다 ~에 대한 사자
그리고 붙여넣기 또는 조정 모두 저것들 암사슴 요인들.
그래서 그것은 어떻게 우리 세트 위로 우리의 테이블,
우리는 갖다 우리의 암사슴 요인들 ~에 이것 테이블 그리고 우리의 암사슴 응답 발생하다 ~에 이것.
그리고 ~처럼 너 ~할 수 있다 보다, 우리는 갖다 모두 ~의 우리의 18 달리다 여기.
그리고 ~ 전에 우리 시작 그만큼 분석, 하자 가져가다 a 바라보다 ~에 저것들 곡선.
그래서 I 단지 계획했다 모두 저것들 곡선 ~에 그래프 빌더,
그리고 그래서 우리는 갖다 우리의 목표 곡선 여기.
그래서 이것 ~이다 a 가정적인 목표 곡선 저것 우리 원하다 에게 성취하다,
그것은 가고 있다 에게 BE 실험 숫자 영.
그리고 그 다음에 우리는 갖다 실험 하나 ~을 통해 18
그리고 그만큼 응답 곡선 ~을 위한 각 ~의 저것들.
-그래서 당신은 달리다 18 실험 그리고 ~ 아니다 a 하나의 하나 ~의 저것들
외모 정확히 좋다 저것 목표.
무엇 하다 우리 하다 ~와 함께 저것?
-그게 a 좋은 관찰.
그리고 ~에 이것 사례, 무엇 우리 ~할 수 있다 보다 ~이다 일부 다른 특징 ~ 사이 이것들,
그래서 분명히 일부 ~이다 더 넓은.
I 좋다 어떻게 너 ~라고 불리는 그것, 저것 커다란 건초 더미 여기.
일부 ~이다 더 좁은, 아마도 ~와 함께 더 작은 어깨 여기.
우리 하다 보다 저것 그만큼 정점 교대근무 a 작은 조금 ~에 일부 ~의 이것들,
여기 있어요 그만큼 정점, 그것은 이동 왼쪽 그리고 오른쪽.
그리고 그래서 바라건대 우리 ~할 수 있다 찾다 일부 설정 그리고 저것들 요인들
저것 ~ 할 것이다 사용 그만큼 최상의 ~의 모두 ~의 이것들 주다 우리를 무엇 그게 좁은
없이 a 어깨 또는 이중 모드 정점.
하지만 에게 하다 저것, 우리 필요 에게 가다
~ 안으로 그만큼 기능적 데이터 탐침.
이것 ~이다 a 전통적인 암사슴, 우리 ~일 것이다 가다 위로 에게 분석하다
그리고 우리 ~일 것이다 가다 에게 맞다 모델, 잠재적으로.
~ 안에 이것 사례, 이었다 가고 있다 에게 가다 아래에 여기
에게 전문화된 모델링 그리고 가다 에게 기능적 데이터 탐침.
그리고 그래서 언제 우리 시작하다 이것, 우리 필요 에게 추가하다 우리의 Y 가치,
어느 ~이었다 그만큼 퍼센트 당 미크론.
그만큼 X 가치 ~였다 우리의 미크론 크기.
우리 필요 에게 식별하다 각 ~의 저것들 기능
~와 함께 그만큼 달리다 숫자.
그리고 그 다음에 이었다 가고 있다 에게 추가하다 모두 저것들 암사슴 요인들
~처럼 보충 정보.
그래서 나는 단지 가고 있다 에게 가져가다 모두 ~의 나의 암사슴 요인들
그리고 추가하다 그들을 ~처럼 보충 정보.
지금 잘 딸깍 하는 소리 좋아요.
그래서 언제 너 시작하다 그만큼 기능적 데이터 탐침,
이것 ~이다 무엇 너 얻다 첫 번째.
그리고 이것 ~이다 단지 a 데이터 처리 중 창문.
그리고 무엇 이었다 행위 ~이다 단지 취득 a 빠른 바라보다 ~에
모두 ~의 우리의 데이터.
그리고 그래서 ~에 이것 초기의 데이터 구성, 우리 단지 가지다 모두 ~의 우리의 곡선 겹쳐진,
그리고 너 ~할 수 있다 보다 우리의 녹색 목표 곡선 숨김 ~에 거기.
그래서 이것 단지 쇼 우리를 어떻게 모두 ~의 우리의 데이터 ~이다 내벽 위로.
위에 여기 ~에 그만큼 오른쪽, 우리 가지다 a 다른 세트 ~의 기능
에게 돕다 깨끗한 위로 그만큼 데이터, 프로세스 그것.
그리고 하나 ~의 그만큼 정말 멋진 것들 ~에 대한 이것 플랫폼
~이다 너 ~하지 않다 가지다 에게 하다 저것 데이터 처리 중 ~에 그만큼 데이터 테이블.
그래서 만약에 너 필요했다 에게 제거하다 0 또는 하다 일부 종류 ~의 조정 여기,
표준화된 그만큼 범위, 것들 좋다 저것,
너 ~할 수 있다 하다 모두 ~의 저것 ~ 위에 여기 ~에 그만큼 깨끗한 위로.
~ 안에 우리의 사례, 우리의 데이터 ~이다 예쁜 깨끗한,
그래서 우리 ~하지 않다 필요 에게 하다 어느 데이터 처리 중.
하지만 무엇 우리 하다 필요 에게 하다 ~이다 가져가다 이것 녹색 곡선,
우리의 목표 곡선, 밖으로 ~의 그만큼 분석.
그래서 이것 ~이다 그만큼 목표, 이것 ~이다 무엇 이었다 가고 있다 에게 노력하다 에게 성냥.
그리고 그래서 우리 ~하지 않다 원하다 그것 에게 BE 부분 ~의 그만큼 모델링 분석.
그래서 에게 가져가다 저것 곡선 밖으로, 우리 가다 ~ 위에 여기 에게 그만큼 목표 기능
그리고 우리 딸깍 하는 소리 짐.
그리고 나는 가고 있다 에게 선택하다 저것 영 곡선, 딸깍 하는 소리 좋아요.
그리고 지금 그것은 다 쓴.
그래서 지금 이었다 ~ 아니다 가고 있다 에게 포함하다 저것 ~에 우리의 모델.
그리고 그래서 우리 ~할 수 있다 스크롤 아래에 여기 그리고 단지 보다 어떻게 각
~의 우리의 개인 실험 ~이다 음모를 꾸몄다.
그래서 지금 저것 우리의 데이터 ~이다 멋진 그리고 청소했다 위로,
우리 ~할 수 있다 가다 ~에 에게 그만큼 분석.
그래서 에게 하다 그만큼 모델링, 우리 가다 위로 에게 그만큼 빨간색 삼각형
그리고 거기 ~이다 여러 개의 다른 모델 저것 우리 ~할 수 있다 선택하다.
그리고 ~에 a 전형적인 워크플로,
~에 그만큼 시작, 너 ~할 것 같다 ~ 아니다 알다 어느 ~이다 그만큼 최상의 모델 에게 사용,
~이든 당신은 가고 있다 에게 사용 B-스플라인 또는 a P-스플라인 또는 무엇 또 다른.
~ 안에 이것 사례, ~에 그만큼 관심 ~의 시간, 우리는 완료 모두 ~의 저것 이미.
그리고 우리 알다 저것 그만큼 P-스플라인 준다 우리를 a 예쁜 좋은 모델.
그래서 이었다 가고 있다 에게 가다 앞으로 그리고 맞다 저것 모델.
그래서 I 선택하다 P-스플라인 그리고 지금 제이엠피 ~이다 창조하다 그만큼 모델.
그리고 무엇 잘 보다 이다,
그만큼 첫 번째 물건 잘 ~이다 무엇 비슷한 에게 저것 초기의 데이터 창문 ~ 위에 여기.
그래서 모두 ~의 우리의 곡선 ~이다 아직 계획했다 그리고 중첩됨.
하지만 지금 우리는 갖다 이것 빨간색 선 그리고 이것 빨간색 선 ~이다 대표하는 그만큼 평균
그래서 평균 곡선 ~의 모두 ~의 저것들 다른 곡선.
그리고 그래서 우리 ~할 수 있다 또한 스크롤 아래에 아래에
그리고 우리 보다 각 ~의 우리의 개인 실험
또한 ~와 함께 a 선 ~의 맞다.
그리고 이것 ~이다 그만큼 첫 번째 표시 저것 너 ~할 수 있다 얻다 ~에 대한
어떻게 잘 이것 모델 ~이다 입어 보기.
그래서 만약에 당신은 구하는 모두 이것들 빨간색 윤곽 오버레이 당신의 실험적 데이터,
그 다음에 당신은 아마 ~에 그만큼 오른쪽 길.
만약에 거기 ~였다 a 많은 ~의 편차
그 다음에 너 ~할 것 같다 고려하다 행위 a 다른 모델.
다른 물건 당신은 할 것이다 알아채다 ~ 위에 여기 ~이다 있다 다른 입어 보기 기능
저것 그만큼 운형자 모델 ~이다 사용 중.
~ 안에 이것 사례, 거기 ~이었다 둘 저것 JMPs 저것 ~이다 예쁜 좋은.
그래서 이것 선의 모델 그리고 그만큼 단계 기능 모델
그리고 ~에 의해 기본 모두 그만큼 분석 아래에 아래에
~이다 가고 있다 에게 사용 그만큼 모델 저것 가졌다 그만큼 가장 낮은 빅 값.
그래서 ~에 이것 사례, 모두 그만큼 분석 ~이다 사용 중 이것 선의 모델.
하지만 만약에 너 원했다 에게 사용 a 다른 하나 너 단지 선택하다 그것
그리고 I ~하지 않다 알다 만약에 너 ~할 수 있다 보다 그것 쉽게, 하지만 이것 하나의 강조됨 지금
또는 너 가다 에게 그만큼 선의 또는 너 ~할 수 있다 단지 딸깍 하는 소리 ~에 그만큼 배경
그리고 그럴거야 가다 에게 그만큼 기본.
그리고 그래서 그게 그만큼 모델링 옆 ~의 그것.
하지만 우리 필요 에게 확인하다 어떻게 잘 이것 모델 ~이다 입어 보기.
그리고 그래서 에게 하다 저것, 우리 단지 가다 아래에 여기 에게 그만큼 창문 저것 가지다 a 기능적인 PCA.
그래서 이것 ~이다 그만큼 기능적인 원칙 요소 분석.
이것 외모 a 작은 복잡한, 하지만 무엇 우리 원하다 에게 하다
~이다 정말 시작 에게 가져가다 a 바라보다 ~에 어떻게 잘 이것 모델 가지다 계속 ~ 이다 생성됨.
그리고 그래서 무엇 우리 원하다 에게 하다 ~이다 바라보다 ~에 이것 평균 곡선 여기.
그래서 이것 ~이다 그만큼 같은 평균 곡선 저것 ~였다 계획된 ~에 그만큼 부분 위에.
그리고 무엇 제이엠피 가지다 완료 ~이다 말했다, 이었다 가고 있다 에게 시작 ~와 함께 이것 평균 곡선
그리고 그 다음에 이었다 가고 있다 에게 추가하다 a 모양.
그래서 이었다 가고 있다 에게 추가하다 이것 기능 또는 일부 부분,
어느 하나 긍정적인 또는 부정적인 부분 ~의 이것 곡선
에게 이것 평균 곡선.
그리고 너 ~할 수 있다 보다 ~ 위에 여기 어떻게 많이 ~의 그만큼 변화
너 ~할 수 있다 설명하다 ~와 함께 저것 하나 곡선.
그래서 ~에 저것 사례, 만약에 우리 단지 가졌다 우리의 평균 곡선
~에 우리의 첫 번째 모양,
우리 ~일 것이다 설명하다 ~에 대한 50% ~의 그만큼 변화.
에 의해 첨가 a 두번째 기능, 지금 이었다 설명하다 거의 79%,
3번째 기능 얻는다 우리를 위로 에게 88%.
그리고 그래서 너 ~할 수 있다 보다 어떻게 많이 ~의 저것 변화 우리 ~할 수 있다 설명하다
~에 의해 첨가 더 그리고 더 모양.
그리고 따라 ~에 그만큼 유형 ~의 곡선 너 가지다,
너 ~할 것 같다 가지다 오직 하나 기능 또는 너 ~할 것 같다 가지다 수십 ~의 기능
따라 ~에 무엇 저것 곡선 외모 좋다.
그래서 이것 ~이다 그것 외모 좋다 우리 ~할 수 있다 설명하다 a 많은 ~의 그만큼 변화 여기.
그것 걸립니다 우리를 ~에 대한 아홉 기능 에게 얻다 위로 거기.
하지만 지금 우리 원하다 에게 보다 어떻게 잘 저것들 조합
~의 모두 저것들 모양 ~와 함께 그만큼 평균 기능 또는 ~와 함께 그만큼 평균 곡선,
어떻게 저것들 ~이다 대표됨.
어떻게 대표 그들 ~이다 ~의 우리의 실험적 데이터.
그래서 에게 하다 저것, 이었다 가고 있다 에게 가다 아래에 에게 그만큼 점수 구성,
그리고 나는 가고 있다 에게 만들다 이것 단지 a 작은 조금 더 작은.
그리고 이었다 가고 있다 에게 바라보다 ~에 그만큼 점수 구성 그리고 이것 FPC 프로파일러.
그래서 그만큼 FPC 프로파일러
~이다 a 방법 에게 보여주다 그만큼 콤비네이션 ~의 모두 저것들 다른 모양.
그래서 우리 정말 단지 원하다 에게 지불하다 주목 에게 이것 맨 위 왼쪽 부분 ~의 그만큼 그리드.
그래서 이것 ~이다 우리의 실험 기반을 둔 ~에 그만큼 콤비네이션 ~의 그만큼 평균 곡선
~와 함께 모두 저것들 다른 모양.
그리고 오른쪽 지금, 모두 ~의 그만큼 FPC, ~부터 그들은 세트 에게 영,
우리 단지 얻다 저것 평균 곡선.
하지만 만약에 I 시작 첨가 저것 첫 번째 FPC, 만약에 I 만들다 그것 더 긍정적인,
나는 첨가 저것 모양,
지금 I ~할 수 있다 보다 어떻게 나의 모델화하다 모양 ~이다 작고 보기 어리석은 동물,
그리고 만약에 I 가다 낮추다, I ~할 수 있다 보다 어떻게 그것은 작고 보기 어리석은 동물.
그래서 ~에 의해 첨가 그리고 빼기 각 ~의 이것들 다른 모양,
I ~할 수 있다 재현하다 모두 ~의 그만큼 다른 곡선
또는 얻다 닫다 에게 모두 저것들 다른 곡선.
그래서 이것 ~할 것 같다 가져가다 a 작은 ~하는 동안 에게 하다 수동으로,
하지만 있다 a 멋진 작은 지름길.
그래서 무엇 I 좋다 에게 하다 ~이다 가다 ~ 안으로 이것 점수 구성,
그리고 하자 말하다 I 원하다 에게 보다 실험 숫자 육
그래서 I ~할 수 있다 호버 ~ 위에 육,
그리고 그 다음에 나는 가고 있다 에게 핀 저것 여기, 당기다 그것 위에.
그리고 그래서 거기 ~이다 아홉 다른 기능, 하지만 이었다 오직 가고 있다 에게 보다 둘 ~에 a 시간.
그리고 I ~할 수 있다 보다 저것 요소 하나 ~이다 0.08
그리고 요소 둘 ~이다 마이너스 0.03 .
그래서 I ~할 수 있다 가져가다 이것 에게 0.08 , 그리고 I ~할 수 있다 가져가다 이것 에게 마이너스 0.03 .
그리고 나는 시작하다 에게 낳다 이것 곡선, 하지만 I ~일 것이다 필요 에게 조정하다 모두 ~의 그들을.
그리고 그래서 있다 a 지름길 에게 하다 저것 ~에 의해 단지 클릭 ~에 이것.
그래서 ~에 의해 클릭 ~에 육, 모두 ~의 그만큼 다른 FPC 구성 요소
~이다 세트 에게 그만큼 최상의 대표 모델.
그리고 우리 ~할 수 있다 바라보다 ~에 이것들 둘 모양 그리고 보다 어떻게 닫다 그들 이다.
~ 안에 이것 사례, 그들 바라보다 예쁜 좋은.
아마도 있다 ~ 아니다 ~처럼 많이 정의, 그리고 이것 ~이다 ~ 아니다 매우 똑바로,
하지만 그것 외모 예쁜 좋은.
그리고 그래서 우리 ~할 수 있다 가다 ~ 위에 에게 또 다른 곡선 좋다 숫자 일곱,
잘 딸깍 하는 소리 ~에 저것 하나 그리고 보다 어떻게 그것 변화.
지금 그것은 ~ 아니다 찾고 상당히 ~처럼 좋은, 그리고 우리 ~할 수 있다 가다 에게 여덟.
그리고 이것 ~이다 무엇 I 정말 좋다 ~에 대한 이것 플랫폼,
~이다 그것 하자 너 탐구하다 그만큼 데이터.
그래서 그것은 기능적 D 분 탐침,
이었다 단지 봄 어떻게 잘 이것 모델 맞는다,
그리고 이었다 행위 그것 꽤 시각적으로.
그리고 오른쪽 여기, 만약에 이었다 정말 관심 있는 ~에 저것 이해 그만큼 이중 모드 자연
이었다 ~ 아니다 구하는 저것 해결 ~와 함께 여기.
그래서 이것 ~이다 말함 우리를 아마도 이것 아니다 그만큼 최상의 모델.
아마도 있다 a 더 나은 하나 밖으로 거기 저것 우리 ~할 수 있다 바라보다 에.
그래서 만약에 우리 가다 위로 뒤쪽에 에게 그만큼 맨 위,
그만큼 선의 모델 ~였다 선택된 처음에 왜냐하면 그것 가졌다 그만큼 최저한의 빅,
하지만 아마도 우리 원하다 에게 사용 a 단계 기능 그래서 I ~할 수 있다 딸깍 하는 소리 ~에 그만큼 단계 기능.
그리고 지금 모두 저것들 FPC 곡선 가지다 계속 ~ 이다 재계산됨.
그리고 그만큼 첫 번째 물건 우리 알아채다 이다,
이었다 구하는 a 많은 더 설명 ~의 그만큼 변화 여기.
그래서 우리 ~하지 않다 반드시 필요 모두 ~의 이것들 곡선,
I ~할 수 있다 단지 가져가다 이것 슬라이더.
아마도 우리 단지 원하다 에게 바라보다 ~에 육 곡선 그리고 설명하다 99.7% 그만큼 변화.
그리고 그래서 그것은 단순화 그만큼 모델 a 조금.
그래서 지금 우리 ~할 수 있다 가다 아래에 여기 그리고 가져가다 또 다른 바라보다
그리고 점 확인하다 저것들 곡선.
그래서 I ~할 수 있다 호버 ~ 위에 육 다시, 핀 그것 여기.
이것 ~이다 그만큼 곡선 저것 잘 BE 찾고 에.
그리고 무엇 I 원하다 에게 하다, 아픈 단지 만들다 이것 a 작은 조금 더 크게.
그리고 그래서 언제 I 딸깍 하는 소리 ~에 육, 좋아요 그래서 무엇 하다 너 생각하다, 실내 변기?
당신은 무엇을합니까 생각하다 이것 하나 ~이다 찾고 a 작은 조금 더 나은?
-그게 많이 더 나은 생식 ~의 당신의 실험적 낮?
응, I 좋다 저것.
-좋은. 응, I 생각하다 이것 ~이다 찾고 더 나은.
그래서 우리 ~할 수 있다 가다 에게 일곱,
그리고 저것 하나의 찾고 a 많은 더 나은 ~처럼 잘.
그리고 너 ~하지 않다 필요 에게 선택하다 그들을 모두,
하지만 그것은 좋은 에게 확인하다 a 약간의 ~의 그들을 그래서 우리 ~할 수 있다 가다 바라보다 ~에 여덟.
응, 그래서 지금 이었다 구하는 a 많은 더 나은 해결 여기
~에 그만큼 이중 모드 자연 ~의 그것.
모두 오른쪽, I 생각하다 이것 ~이다 말함 우리를 저것 이것 모델 ~이다 예쁜 좋은.
-응, 그래서 무엇 하다 우리 하다 지금?
그것이다 엄청난 저것 너 ~할 수 있다 낳다 그만큼 실험적 결과,
하지만 어떻게 하다 너 얻다 에게 그만큼 최적?
-응, I 추측하다 ~에 이것 단계, 그것은 아직 a 작은 조금 추상적인.
그래서 우리는 갖다 모두 이것들 다른 모양 저것 이었다 결합하다 ~에 다른 방법
에게 낳다 모두 ~의 우리의 곡선, 하지만 우리 하지 않았다 완료 무엇 우리 세트 밖으로 에게 하다
어느 ~였다 말하다 저것들 모양 에게 우리의 암사슴 요인들.
그래서 그게 무엇 이었다 가고 있다 에게 하다 다음.
이었다 가고 있다 에게 가다 뒤쪽에 위로 에게 그만큼 모델
그리고 이었다 가고 있다 에게 선택하다 기능적인 암사슴 분석.
그리고 언제 우리 하다 저것, 지금 이었다 구하는 a 프로파일러
저것 ~할 것 같다 바라보다 a 작은 조금 더 친숙한 만약에 당신은 사용된 에게 행위 전통적인 데오.
그래서 한 번 다시, 그만큼 응답 곡선 저것 우리 가지다 ~이다 여기.
그리고 그래서 우리 보다 우리의 퍼센트 당 미크론 ~에 그만큼 Y
그리고 그만큼 미크론 크기 또는 그만큼 입자 크기 ~에 그만큼 엑스.
하지만 지금 대신에 ~의 가지고있다 저것들 FPC
~에 저것들 모양, 지금 우리 가지다 우리의 암사슴 요인들,
그래서 우리는 갖다 우리의 동요 속도, 우리의 흐름 비율, 메디아 로딩 중, 그리고 기타.
지금 I ~할 수 있다 이동하다 저것 동요 속도 그리고 I ~할 수 있다 보다 어떻게 그것은 관련 에게
또는 어떻게 그것은 영향을 미치는 그만큼 곡선.
그리고 I ~할 수 있다 보다 ~에 의해 그만큼 경사 ~의 이것들 윤곽
~이든 또는 ~ 아니다 무엇 ~이다 중요한 또는 아니다.
그래서 작고 보기 어리석은 동물 저것 하나 하지 않는다 정말 변화 그만큼 모양.
그래서 흐름 비율 하지 않는다 문제 a 전체 많은, 하지만 온도 틀림없이
만든다 그것 더 넓은 또는 만든다 그것 더 좁은.
그리고 그래서 무엇 우리 ~할 수 있다 하다 왜냐하면 우리 짐을 실은 저것 목표 곡선,
단지 좋다 ~에 a 기준 거래, 우리 ~할 수 있다 가다 에게 우리의 빨간색 삼각형
그리고 우리 ~할 수 있다 가다 에게 최대화하다 바람직함.
그래서 일반적으로, 이것 ~일 것이다 바라보다 ~에 a 매개변수
만약에 너 ~이었다 행위 a 전통적인 암사슴.
하지만 ~에 이것 사례, 그것은 가고 있다 에게 노력하다 에게 찾다 그만큼 설정
저것 성냥 저것 목표 곡선 저것 우리 짐을 실은 더 일찍.
그래서 언제 I 딸깍 하는 소리 저것, 그리고 거기 우리 가다.
그것 외모 좋다 거기 ~이다 일부 설정 여기 저것 얻다 우리를 a 곡선 그게 꽤 좁은,
타격 그만큼 정점 저것 우리 원했다 그리고 하지 않는다 가지다 어느 ~의 저것들 특징
저것 이었다 견딜 수 없는 에게 피하다.
-매우 시원한.
그래서 ~이다 우리 완료?
우리는 갖다 그만큼 설정 저것 우리 필요, 우리 단지 던지다 저것들
~ 위에 그만큼 울타리 조작 그리고 이었다 완료.
-잘, 그게 하나 방법 에게 암사슴 그것, 실내 변기.
I ~하지 않다 알다 만약에 여러분 ~에 조작 저것 I 일했다 ~와 함께 ~ 전에
~할 것 같다 ~ 아니다 좋다 저것.
우리 아마 원하다 왜냐하면 이것들 설정 ~이었다 세트 에,
그만큼 설정 ~이다 ~ 아니다 부분 ~의 우리의 설계.
그래서 이것 하나 ~이다 ~에 그만큼 센터,
이것 하나의 ~ 아니다 ~에 한 가장자리 또는 그만큼 센터.
그래서 우리 아마 원하다 에게 달리다 일부 확인 달리다 여기,
아마도 보다 일부 민감성 그리고 만들다 확신하는 저것,,
우리는 갖다 일부 견고성 약 이것들 설정.
-매우 시원한.
좋아요, 모두 오른쪽.
-하자 얻다 뒤쪽에 그리고 I 생각하다 우리 ~할 수 있다 합집합 위로.
-응. 그래서, 스콧, 저것 ~였다 엄청난,
감사하다 너 ~을 위한 저것 프레젠테이션.
그래서 ~에 요약, 무엇 우리는 시험을 마친 에게 하다, ~이다 입증하다 어떻게 에게 공연하다 a 암사슴
사용 중 이것들 입자 크기 밀도 곡선.
그만큼 곡선 그들 자신 ~처럼 그만큼 응답 꽤 ~보다 매개변수화 그만큼 PSD
~와 함께 요약 통계 좋다 중앙값, 기준 편차, 그리고 기타.
우리 ~이었다 그 다음에 할 수 있는 에게 최적화하다 우리의 요인 입력 설정 에게 그만큼 프로세스
~에 최소 ~에 그만큼 조종사 규모 에게 찾다 한 최적의 곡선 모양 저것 ~였다 매우 닫다
에게 우리의 원하는 입자 크기 분포.
을 따라 ~와 함께 그만큼 방법 우리 발견되었다 어떻게 일부 ~의 저것들 매개변수,
동요 속도 그리고 그래서 앞으로 영향을 미치다 그만큼 입자 크기 분포,
주요한 에게 다수의 봉우리 또는 주요한 에게 넓은 봉우리
또는 무엇이든 저것 ~할 것 같다 BE.
그래서 우리 가지다 한 이해 ~에 대한 저것, 그리고 우리 가지다 a 모델.
그래서 가져오다 이것 모두 뒤쪽에 에게 우리의 원래의 대본,
아르 자형& D 가지고 갔다 그만큼 결과 뒤쪽에 에게 조작,
어디 확인 달리다 ~이었다 시도했다.
규모- 위로 아마도 아니었다 완전히 성공적인.
그것이다 전형적인 ~의 규모- 업스, 때때로 그만큼 조종사 달리다
~하지 않다 지도 곧장 에게 조작.
하지만 우리 하다 가지다 이것 모델 지금 저것 준다 우리를 한 표시
~의 어느 ~의 이것들 손잡이 에게 회전하다 에게 조정하다 만약에 우리 하다 가지다 a 어깨 ~에 저것 정점
또는 무엇 좋다 저것.
그래서 우리 ~이었다 할 수 있는 에게 가다 뒤쪽에 에게 조작,
주다 그들을 그만큼 보조 저것 그들 필요했다 에게 얻다 저것 ~에
그래서 저것 그들 ~할 수 있었다 증가하다 그들의 처리량 그리고 모든 사람 ~였다 행복하다.
[크로스토크 00:26:18] 저것 결론짓다 우리의 종이.
스콧, 감사해요 ~을 위한 모두 그만큼 딱딱한 일하다.
-응, 잘, 그것 ~였다 엄청난 일하고 있는 ~와 함께 너 ~에 이것, 실내 변기.
- 네, 저도 그래요.
스콧 가지다 계속 ~ 이다 친절한 충분한 에게 구하다 그만큼 모델링 스크립트 ~에 그만큼 데이터 테이블,
어느 이었다 가고 있다 에게 붙이다 에게 이것 프레젠테이션.
만약에 당신은 갖다 어느 질문 ~에 대한 그만큼 동영상
또는 어느 ~의 그만큼 기법 저것 우리 했다, 제발 우편 당신의 댓글 아래에 그만큼 동영상,
있을 것이다 BE a 공간 ~을 위한 너 에게 하다 저것, 우리는 BE 행복하다 에게 얻다 뒤쪽에 ~와 함께 너.
감사하다 너 ~을 위한 합류 우리를.
-얍, 감사해요.
