| 스피커 |
성적 증명서 |
| |
안녕하세요. |
| |
제 이름은 론 케넷입니다. |
| |
크리스와의 공동 토크입니다 |
| |
Gotwalt와 우리는 기본적으로 |
| |
두 개의 메시지가 있습니다 |
| |
그게 나와야 해 |
| |
이야기하다. 하나는 우리가 해야 한다는 것이다 |
| |
정말 걱정하다 |
| |
정보와 정보 |
| |
품질. 사람들은 말하는 경향이 있습니다 |
| |
데이터와 데이터 품질에 대해서만 이야기하지만 |
| |
실제로 문제는 데이터가 아닙니다. |
| |
우리는 통계학자입니다. |
| |
데이터 과학자입니다. 우리는 숫자를 바꾸고, |
| |
데이터를 정보로 변환하여 |
| |
우리의 목표는 확실히 하는 것입니다 |
| |
우리는 고품질을 생성합니다 |
| |
정보. 다른 메시지 |
| |
JMP가 당신을 도울 수 있다는 것인가요? |
| |
그것을 달성하고 이것이다 |
| |
실제로는 ~인 것으로 판명됨 |
| |
놀라운 방법들. 그래서 결합함으로써 |
| |
크리스와 전문가의 전문성 |
| |
정보 소개 |
| |
품질, 우리는 이 두 가지를 바랍니다 |
| |
메시지가 전달될 것입니다 |
| |
분명히. 그래서 내가 해야 한다면 |
| |
우리가 무엇을 요약하는지 |
| |
결국, 이야기하고 싶은 것은, |
| |
그것은 모두 정보에 관한 것입니다 |
| |
품질. 나는 ~에서 강연을 했습니다. |
| |
4년 전 프라하 정상회담에서 |
| |
얼마 전 그 이야기가 일반적이었어요. |
| |
그것은 이동하는 것에 대해 이야기했습니다 |
| |
품질에서 디자인으로의 여정. |
| |
정보를 얻는 나의 여정 |
| |
품질. 이 강연에서 우리는 |
| |
이것이 어떻게 이루어질 수 있는지에 대해 |
| |
JMP. 이것은 더 자세한 |
| |
그리고 기술적인 이야기는 다음과 같습니다. |
| |
제가 프라하에서 한 일반적인 강연입니다. |
| |
그 이야기를 시청할 수 있습니다. |
| |
여기에 링크가 나열되어 있습니다. |
| |
JMP 커뮤니티에서 찾아보세요. |
| |
그래서 우리는 이것에 대해 이야기할 것입니다 |
| |
정보 품질은 다음과 같습니다. |
| |
데이터 세트의 잠재력 |
| |
특정 데이터 세트를 달성하려면 |
| |
특정 목표, 구체적인 목표, |
| |
주어진 경험적 방법을 사용하여. |
| |
그래서 그 정의에서 우리는 다음과 같은 것을 가지고 있습니다. |
| |
세 가지 구성 요소 |
| |
나열되어 있습니다. 하나는 특정 데이터입니다. |
| |
설정. 여기에 데이터가 있습니다. |
| |
두 번째는 목표입니다. |
| |
분석의 목적은 무엇인가 |
| |
우리가 이루고자 하는 것은 바로 이것입니다. |
| |
그리고 세 번째는 우리가 어떻게 할 것인가입니다. |
| |
그것을 하다, 즉 무엇으로 하다 |
| |
우리가 생성할 방법 |
| |
정보와 그 잠재력 |
| |
평가될 것입니다 |
| |
효용 함수. 그리고 나는 |
| |
소개로 시작하다 |
| |
정보의 질, 그리고 |
| |
크리스가 인수할 것입니다. |
| |
사례 연구를 논의하고 |
| |
당신에게 수행하는 방법을 보여드립니다 |
| |
정보 품질 평가. |
| |
결국 이것은 |
| |
JMP가 어떻게 되는지에 대한 질문에 답하세요 |
| |
InfoQ를 지원합니다. |
| |
요점은 다음과 같습니다 |
| |
당신이 할 수 있는...테이크 어웨이 포인트 |
| |
토크에서. 설정 |
| |
이것이 우리가 격려하는 것입니다 |
| |
내가 라이프사이클 뷰라고 부르는 것 |
| |
통계의. 즉, |
| |
단순한 데이터 분석이 아닙니다. |
| |
우리는 알아야 합니다...우리는 그 일부가 되어야 합니다 |
| |
문제 도출의 |
| |
단계. 또한 목표는 |
| |
공식화 단계, 그것은 가치가있다 |
| |
토론. 우리는 |
| |
분명히 관련될 것이다 |
| |
데이터 수집 계획이라면 |
| |
실험을 통해서 또는 |
| |
설문 조사 또는 관찰을 통해 |
| |
데이터. 그런 다음 우리도 가져가야 합니다. |
| |
공식화 시간 |
| |
발견한 것을 그냥 꺼내는 것이 아니라 |
| |
인쇄된 보고서 |
| |
회귀 계수 |
| |
추정치 및 그들의 |
| |
중요하지만 우리는 |
| |
또한 무엇인지 논의하십시오 |
| |
발견? 실용화 |
| |
발견 의미, 좋아, 우리는 무엇을 할 수 있습니까? |
| |
이러한 발견과 관련이 있습니까? |
| |
의 의미 |
| |
결과가 나왔나요? 이게... |
| |
에게 전달되어야 합니다 |
| |
올바른 사람을 올바른 방법으로, |
| |
그리고 결국 우리는 ~을 해야 합니다 |
| |
영향 평가를 통해 알아내다, |
| |
좋아, 우리는 이 모든 것을 다 했습니다. |
| |
우리의 부가가치가 되었습니다 |
| |
일? 나는 삶에 대해 이야기했다 |
| |
몇 년 동안 통계의 주기 |
| |
전. 이것이 전제 조건입니다. |
| |
무엇에 대한 관점 |
| |
내가 이야기하려고 하는 것은 다음과 같습니다. |
| |
언급된 정보 |
| |
품질은 잠재력입니다 |
| |
특정 데이터 세트를 달성하기 위해 |
| |
주어진 것을 사용하여 특정 목표 |
| |
경험적 분석 방법. 이 |
| |
4가지를 통해 식별됩니다 |
| 구성 요소 |
목표, 데이터, |
| |
분석 방법 및 |
| |
유용성 측정. 그래서 a에서 a에서 |
| |
수학적 표현, |
| |
f를 x에 적용하는 유용성 |
| |
목표에 대한 조건은 우리가 어떻게 |
| |
InfoQ, 정보를 식별하다 |
| |
품질. 이것은에 게시되었습니다 |
| |
왕립 통계 학회 |
| |
2013년 8개로 시리즈 A |
| |
토론자들이 있었기 때문에 충분히 |
| |
논의되었습니다. 어떤 사람들은 생각했습니다 |
| |
이것은 환상적이었고 |
| |
사람들은 그것에 대해 많은 비판을 했습니다. |
| |
그 아이디어는 더 넓은데요 |
| |
범위 고려 사항 |
| |
통계에 관한 것입니다. 우리도 |
| |
2006년에 쓴 글, 우리는 나 자신을 만난다 |
| |
그리고 Galit Shmueli라는 책이 있습니다. |
| |
정보 품질. 그리고 |
| |
정보의 맥락 |
| |
우리는 품질이라고 불리는 것을 했습니다 |
| |
해체주의. 데이비드 핸드는 |
| |
해체라는 제목의 논문 |
| |
통계학. 이것은 |
| |
정보의 해체 |
| |
품질을 8차원으로 나누세요. |
| |
이 8가지 차원을 다룰 것입니다. |
| |
그게 내가 말하는 부분이고 |
| |
그러면 크리스가 이것을 보여줄 것입니다 |
| |
특정하게 구현됩니다 |
| |
사례 연구. |
| |
이와 관련된 또 다른 측면 |
| |
이것도 제가 가지고 있는 책 중 하나입니다. |
| |
이건 최근, 1년 전이에요 |
| |
데이터의 실제 작업이라는 제목 |
| |
과학과 우리는 무엇에 대해 이야기합니까? |
| |
데이터의 역할은 다음과 같습니다 |
| |
조직의 과학자들과 |
| |
그 맥락에서 우리는 강조했습니다. |
| |
데이터 과학자의 필요성 |
| |
세대에 참여하다 |
| |
정보의 ... 정보로서 |
| |
품질은 목표를 충족하는 것 |
| |
조직. 그래서 내가 |
| |
8차원을 포괄합니다. |
| |
그게 내 소개야. |
| |
첫 번째는 데이터 분석입니다. |
| |
목표가 있어야 합니다. 좋아, 우리는 |
| |
독감 수준을 알고 싶어요 |
| |
왜냐하면 그 나라나 |
| |
우리가 사는 지역이기 때문에 |
| |
우리의 결정에 영향을 미칠 것입니다 |
| |
공원에 갈지 말지 |
| |
우리는 사람들을 만나거나 갈 수 있습니다 |
| |
재즈 콘서트에 가는데. 그리고 |
| |
콘서트가 내일이에요. |
| |
CDC 데이터를 찾아보면 |
| |
독감 수준, 그 데이터는 |
| |
매주 업데이트되므로 다음을 얻을 수 있습니다. |
| |
그래프의 빨간색 선 |
| |
당신 앞에 있으므로 우리는 |
| |
며칠간의 데이터를 얻을 수 있었습니다 |
| |
옛날, 어쩌면 좋았을지도, 어쩌면 좋지 않았을지도 |
| |
우리 금값은 충분해. 구글 독감, |
| |
검색을 기반으로 함 |
| |
독감 관련 업데이트됨 |
| |
잠깐만요, 그래서 업데이트 됐어요 |
| |
온라인에서는 아마도 그럴 것이다 |
| |
우리에게 더 나은 정보를 제공합니다. 그래서 |
| |
우리의 목표는 파란색 선입니다. |
| |
구글 트렌드...구글 독감 |
| |
추세 지표는 아마도 |
| |
더 적절합니다. 두 번째 |
| |
차원은 데이터 구조입니다. |
| |
우리의 목표를 달성하기 위해 우리는 다음을 할 것입니다. |
| |
데이터를 살펴보세요. 우리는... 우리는 |
| |
데이터 소스를 식별해야 합니다 |
| |
그리고 이 데이터의 구조 |
| |
출처. 따라서 일부 데이터는 |
| |
텍스트, 일부는 비디오일 수 있고 일부는 |
| |
예를 들어, 다음과 같습니다. |
| |
추천 네트워크. 이것은 |
| |
아마존 사진이 어떻게 되는지에 대한 것입니다. |
| |
당신은 책을 보면, |
| |
좀 가져갈게요 |
| |
다른 책도 추천해 주세요. 그리고 만약 |
| |
당신은 다른 책들을 읽습니다. |
| |
당신은 더 많은 데이터를 갖게 될 것입니다 |
| |
추천. 그래서 데이터 |
| |
구조는 여러 가지로 나타날 수 있습니다 |
| |
모양과 형태가 있으며 이것이 가능합니다 |
| |
텍스트가 될 수 있습니다. 이것은 기능적일 수 있습니다 |
| |
데이터입니다. 이는 이미지일 수 있습니다. 우리는 |
| |
지금은 우리가 사용했던 것에 국한되지 않습니다 |
| |
데이터를 호출하는 것입니다. |
| |
Excel 스프레드시트에서 찾아보세요. |
| |
데이터가 손상되었을 수 있습니다. |
| |
누락된 값이 있을 수 있습니다. |
| |
특이한 패턴을 가지고 있습니다 |
| |
이는 다음과 같을 것이다 |
| |
조사할 것이 있습니다. 일부 |
| |
패턴, 사물이 있는 곳 |
| |
반복됩니다. 아마도 일부 데이터는 |
| |
그냥 복사해서 붙여넣기만 하면 됩니다. |
| |
경고를 받고 싶습니다 |
| |
이러한 옵션. 세 번째 |
| |
차원은 데이터 통합입니다. |
| |
우리가 데이터를 고려할 때 |
| |
이러한 다양한 출처를 통해 우리는 |
| |
우리가 그것들을 통합할 수 있도록 |
| |
일부 분석 연결을 수행할 수 있습니다 |
| |
ID를 통해. 예를 들어, 우리는 |
| |
그렇게 할 것이지만 그렇게 하면, |
| |
우리는 몇 가지 문제를 만들 수도 있습니다. |
| |
예를 들어, 데이터를 공개할 때 |
| |
일반적으로 그래야 합니다 |
| |
익명화됨. 데이터 |
| |
통합, 그래, 그럴 거야 |
| |
우리가 환상적인 일을 할 수 있게 해주세요. |
| |
하지만 데이터가 인식된다면 |
| |
일부 개인 정보 노출이 있음 |
| |
문제가 있으면 품질이 떨어질 수도 있습니다. |
| |
정보의 |
| |
우리가 할 분석 |
| |
갈 것이다 갈 것이다 |
| |
영향을 받습니다. 따라서 데이터 통합 |
| |
매우, 매우 살펴봐야 합니다 |
| |
조심스럽게. 이게 사람들이 하는 일이에요 |
| |
ETL을 호출하는 데 사용될 가능성이 있음 |
| |
추출, 변환 및 로드합니다. |
| |
이제는 훨씬 더 나은 방법이 있습니다 |
| |
그렇게 하는 중. 조인 옵션은 |
| |
예를 들어, JMP에서는 다음을 제공합니다. |
| |
그렇게 하기 위한 옵션입니다. |
| |
시간적 관련성. 좋아요, 그게 |
| |
꽤 명확해요. 데이터가 있어요. |
| |
어떻게든 찍혀있네. 우리가 간다면 |
| |
나중에 분석하자 |
| |
데이터 수집 후, |
| |
우리가 배치하는 경우 |
| |
더 늦었다고 생각하면, |
| |
데이터는 시간적으로 일치하지 않을 수 있습니다 |
| |
관련성이 있습니다. 공통적으로 |
| |
상황을 비교하고 싶다면 |
| |
지금 무슨 일이 일어나고 있는지, 우리는 |
| |
이걸 만들 수 있으면 좋겠다 |
| |
최근 데이터와 비교하거나 |
| |
팬데믹 이전의 데이터 |
| |
시작했지만 10년도 안 됐어 |
| |
이전에. 공식 통계 |
| |
건강 기록에는 두 가지가 있었습니다. |
| |
또는 3년 뒤처져 있음 |
| |
타이밍이 매우 중요했기 때문에 |
| |
공식 사용이 어렵다 |
| |
평가에서의 통계 |
| |
무슨 일이 일어나고 있는 거야? |
| |
팬데믹. 데이터 연대기 및 |
| |
목표는 결정과 관련이 있습니다 |
| |
우리가 우리의 결과로 만드는 |
| |
목표. 예를 들어 우리의 |
| |
목표는 대기 질을 예측하는 것입니다. |
| |
우리는 몇 가지를 사용할 것입니다 |
| |
공중에서의 예측 모델 |
| |
품질 지수는 보고되었습니다. |
| |
매일. 이것은 우리에게 하나를 제공합니다 |
| |
위험에서 6단계까지 |
| |
좋아요. 몇 가지 값이 있어요 |
| |
수준을 나타내는 |
| |
건강 문제. 0-50은 좋습니다. |
| |
300-500은 위험하고 |
| |
데이터와 목표의 연대기 |
| |
우리가 할 수 있어야 한다는 것을 의미합니다 |
| |
매일 예보를 하다 |
| |
기초. 그래서 우리가 사용하는 방법은 |
| |
매일 업데이트되어야 합니다 |
| |
기초. 반면에, |
| |
우리의 목표는 어떻게 되는지 알아내는 것입니다 |
| |
이 AQI 지수를 계산한 다음, |
| |
실제로는 ~에 구속되지 않는다 |
| |
분석의 시의성. |
| |
알다시피, 우리는 우리의 것을 가져갈 수 있습니다 |
| |
시간. 긴급성은 없습니다 |
| |
분석을 완료하다 |
| |
매일. 일반화 가능성, |
| |
여섯 번째 차원은 대략 |
| |
우리의 발견을 받아들이고 |
| |
이것이 어디에 있을 수 있는지 고려해보세요 |
| |
더 일반적인 용어로 적용하면, |
| |
다른 인구, 모두 |
| |
상황. 이것은 할 수 있습니다 |
| |
직관적으로. 마케팅 관리자는 |
| |
에 대한 연구를 보았습니다 |
| |
시장, A라고 부르자. |
| |
이미 무엇인지 이해했습니다 |
| |
시장 B에 대한 영향 |
| |
데이터 없이. |
| |
물리학자들은 할 수 있을 것이다 |
| |
예측을 기반으로 하다 |
| |
첫 번째 원칙에 따른 역학 |
| |
데이터 없이. |
| |
그래서 일반화 가능성 중 일부는 |
| |
데이터로 수행됩니다. 이것은 |
| |
통계의 기초 |
| |
일반화, 우리는 어디에서 시작합니까? |
| |
표본을 모집단으로 변환. |
| |
통계적 추론은 다음과 같습니다. |
| |
일반화. 우리는 일반화합니다 |
| |
샘플에서 |
| |
인구. 그리고 일부는 |
| |
즉, 도메인 기반 |
| |
전문 지식, 도메인 사용 |
| |
전문성이 반드시 필요한 것은 아니다 |
| |
데이터. 우리는 그것을 인식해야 합니다. |
| |
일반화 가능성은 단지 |
| |
통계로 완료되었습니다. |
| |
일곱 번째 차원은 |
| |
구성 운영화, |
| |
그것이 실제로 무엇인지에 대한 것입니다 |
| |
우리가 측정하는 것. 우리는 원합니다 |
| |
행동, 감정, 무엇을 평가합니까? |
| |
우리가 측정할 수 있다는 것입니다. |
| |
우리에게 반영되는 데이터를 제공할 것입니다 |
| |
행동이나 감정. |
| |
내가 여기서 제시하는 예는 다음과 같습니다. |
| |
일반적으로 통증입니다. |
| |
우리는 고통이 무엇인지 알고 있습니다. 어떻게 |
| |
우리가 그걸 측정하나요? 당신이 |
| |
병원에서 간호사에게 물어보면, |
| |
당신은 어떻게 고통을 평가합니까? |
| |
말해 줄게, 우리는 규모가 있어, |
| |
1에서 10까지. 매우 |
| |
질적으로는 그렇지 않다 |
| |
과학적이라고 말하고 싶습니다. 우리가 |
| |
수준을 측정하고 싶습니다 |
| |
운전자의 알코올 |
| |
길은 어려울 것이다 |
| |
측정합니다. 그래서 우리는 측정할 수 있습니다 |
| |
대용 척도로서의 속도. |
| |
또 다른 부분 |
| |
운영화는 다른 것입니다 |
| |
이야기의 끝. 다른 |
| |
단어, 첫 번째 부분, |
| |
구성은 우리가 측정하는 것입니다. |
| |
이는 우리의 목표를 반영합니다. |
| |
끝...여기서 최종 결과는 다음과 같습니다. |
| |
우리는 발견한 것이 있고 우리는 원합니다 |
| |
그들과 함께 뭔가를 하고 싶어요. 우리는 원해요 |
| |
우리의 연구 결과를 실제에 적용하기 위해. |
| |
이것이 행동입니다 |
| |
운영화에 관한 것입니다. |
| |
그것은 당신이 무엇을 하는지에 관한 것입니다 |
| |
발견과 그 이후 |
| |
여기 연단에 서 있습니다. 우리는 |
| |
세 가지 질문을 하곤 했습니다. |
| |
이것들은 매우 중요합니다 |
| |
질문할 사항. 일단 당신이 |
| |
몇 가지 분석을 수행했습니다. |
| |
당신 앞에 있는 누군가 |
| |
오, 정말 고맙습니다라고 말합니다. |
| |
끝났어요...당신, 통계학자 |
| |
아니면 데이터 과학자. 그래서 이건 |
| |
이렇게 하면 한 단계 더 나아가게 됩니다. |
| |
고객에게 물어보게 하다 |
| 이 간단한 질문들 |
무엇을합니까 |
| |
당신은 무엇을 성취하고 싶습니까? 어떻게 |
| |
당신은 그것을 할 것이고 어떻게 할 것인가 |
| |
당신이 성취했는지 알아보세요 |
| |
그게 뭐야? 우리가 도와드릴 수 있어요. 아니면 |
| |
최소한 이 중 일부는 지원해야 합니다. |
| |
우리가 답한 질문들. |
| |
8차원은 |
| |
소통. 나는 당신에게 |
| |
매우 유명한 오래된 것의 예 |
| |
19세기의 지도 |
| |
행진을 보여주고 있습니다 |
| |
프랑스에서 나폴레옹 군대까지 |
| |
모스크바에서 러시아까지. |
| |
숫자는 너비입니다 |
| |
경로는 크기를 나타냅니다 |
| |
군대의, 그리고 그 다음에 |
| |
검은색, 무슨 일이 일어났는지 보세요 |
| |
그들은 돌아오는 길에 있었습니다. |
| |
그래서 기본적으로 이것은 |
| |
재앙적인 행진. 우리 우리 우리 우리 |
| |
이 오래된 지도를 연관시킬 수 있습니다 |
| |
기존 지도가 있고, |
| |
JMP 추가 기능을 사용할 수 있습니다. |
| |
JMP 커뮤니티에서 찾아보세요 |
| |
버블 플롯으로 보여드리겠습니다. |
| |
동적 버블 플롯이 무엇인지 |
| |
처럼 보이네요. 그래서 제가 다뤘어요 |
| |
매우 빠르게 8개의 정보 |
| |
품질 치수. 내 마지막 |
| |
슬라이드가 내가 말한 내용인가요? |
| |
역사적으로 |
| |
관점, 정말 좀 넣어 |
| |
제가 말하는 것과 비례합니다. |
| |
우리는 정말 그 시대에 살고 있다고 생각합니다. |
| |
정보의 질. 우리는 사용했습니다 |
| |
제품에 관심을 갖다 |
| |
18세기의 품질, |
| |
17세기. 그 후 우리는 |
| |
프로세스 품질 및 서비스 |
| |
품질. 이것은 짧은 메모입니다 |
| |
통제 차트를 제안할 때, |
| |
1924년이었던 것 같아요. |
| |
그 다음에는 관리로 넘어갑니다 |
| |
품질입니다. 이것은 Juran입니다 |
| |
디자인, 개선의 3부작 |
| |
그리고 통제. 6시그마(정의, |
| |
측정, 분석, 개선) |
| |
제어 프로세스는 |
| |
Juran의 개선 프로세스, |
| |
그리고 주란은 할아버지였습니다 |
| |
그런 의미에서 6시그마라고 하죠. |
| |
그러다 80년대에 다구치가 등장했다. |
| |
그는 강력한 것에 대해 이야기합니다. |
| |
디자인. 어떻게 처리할 수 있을까요? |
| |
적절한 입력에 따른 변동성 |
| |
디자인 결정? 그리고 지금 우리는 |
| |
정보화 시대에 |
| |
품질. 센서가 있습니다. |
| |
유연한 시스템을 갖추고 있습니다. |
| |
AI와 기계에 따라 |
| |
학습과 데이터 마이닝 그리고 우리 |
| |
엄청나게 많이 모이고 있어요 |
| |
숫자이지만 우리는 그것을 큰 숫자라고 부릅니다. |
| |
데이터. 정보에 대한 관심 |
| |
품질은 최고여야 합니다 |
| |
관심. 시도해 볼게. |
| |
당신을 설득하다, 도움으로 |
| |
크리스의 그것. |
| |
우리는 여기에 있으며 JMP는 할 수 있습니다 |
| |
우리가 그것을 달성하도록 도와주세요 |
| |
정말 특이한 방법이죠. |
| |
당신이 끝에서 볼 수 있는 것 |
| |
크리스가 할 사례 연구 |
| |
쇼는 또한 그것을 하는 방법입니다 |
| |
정보 품질 평가 및 |
| |
특정 연구에 따르면 기본적으로 |
| |
정보 품질을 생성하다 |
| |
점수. 그래서 우리가 위에서 아래로 가면, 나는 |
| |
이 연구를 말씀드릴 수 있습니다. |
| |
작업, 이 분석은 아마도 80% 또는 |
| |
아마 30%일 수도 있고 95%일 수도 있죠. |
| |
그리고 예를 통해 당신은 |
| |
그 방법을 알아보세요. |
| |
이를 제공하기 위한 JMP 추가 기능 |
| |
평가. 사실이에요 |
| |
꽤 꽤 쉽습니다. |
| |
정말 정교한 건 없어 |
| |
그것에 대해서. 그래서 나는 끝났고 |
| |
크리스, 당신 차례야. 고마워, 론. 그러니까 |
| |
이제 나는 다음을 살펴볼 것이다 |
| |
데이터 세트를 분석하는 방법 |
| |
명확하게 호출합니다 |
| |
정보의 다양한 측면 |
| |
품질과 JMP가 어떻게 가능한지 보여주세요 |
| |
개선 사항을 평가하는 데 사용됨 |
| |
InfoQ를 위해서요. 그럼, 우선, 저는 |
| |
InfoQ를 살펴보겠습니다 |
| |
구성 요소. 첫 번째 InfoQ |
| |
구성 요소가 목표이므로 |
| |
이 경우 문제 진술 |
| |
그게 화학 회사였어? |
| |
그런 공식을 원했다 |
| |
최대화된 제품 수율 |
| |
귀찮은 불순물 최소화 |
| |
반응의 결과입니다. |
| |
그래서 그것이 높은 수준의 목표였습니다. |
| |
통계적으로 우리는 원했습니다. |
| |
정확하게 모델을 찾으려면 |
| |
데이터에 대한 응답을 예측했습니다 |
| |
우리가 찾을 수 있도록 설정 |
| |
재료의 조합과 |
| |
처리 단계는 다음과 같습니다. |
| |
더 나은 제품을 위해. |
| |
데이터는 100으로 설정됩니다 |
| |
실험적 공식화 |
| |
하나의 주요 성분, X1 및 |
| |
10가지 첨가물이 들어있습니다. |
| |
13의 처리 계수 |
| |
응답. 데이터는 다음과 같습니다. |
| |
완전히 조작되었지만 |
| |
동일한 것을 설명하기 위해 시뮬레이션됨 |
| |
강점과 약점 |
| |
원본 데이터입니다. 데이터 |
| |
공식화도 이루어졌습니다 |
| |
기록되었습니다. 우리는 살펴볼 것입니다 |
| |
이 데이터를 면밀히 살펴보고 싶습니다. |
| |
지적하는 것 이상으로 자세히 설명하다 |
| |
그것들은 ~에 수집되었다 |
| |
임시방편으로 하나 둘씩 바꿔서 |
| |
한 번에 첨가물을 넣는 것보다 |
| |
설계되거나 무작위로 |
| |
실험이 많아요 |
| |
이 데이터를 분석하는 방법 |
| |
가장 일반적인 것은 가장 적은 것 |
| |
포워드를 이용한 사각형 모델링 |
| |
선택된 응답에 대한 선택. |
| |
그게 내 원래 의도였어 |
| |
이 이야기를 위해서, 하지만 내가 보여줬을 때 |
| |
론에게 데이터를 보내자 그는 즉시 |
| |
응답 열을 인식했습니다 |
| |
분석에서 시계열로 |
| |
화학. 데이터에도 불구하고 |
| |
시뮬레이션이 이루어졌고 그는 그것을 볼 수 있었습니다. |
| |
구조. 그는 사물을 볼 수 있었습니다 |
| |
내가 보지 못한 데이터에서 |
| |
그리고 그것을 읽어 보니 그게 아니었어요. 내가 발견했어요 |
| |
이것은 눈에 띄게 |
| |
인상적입니다. 그것은 그 이상입니다 |
| |
이 이야기의 범위는 다음과 같습니다. |
| |
더욱 나은 접근 방식은 다음을 기반으로 합니다. |
| |
앙상블 모델링을 사용하여 |
| |
분수 가중 |
| |
부트스트래핑. 필 램지, |
| |
Wayne Levin과 저는 또 다른 |
| |
이 방법론에 대해 이야기해 보세요 |
| |
유럽의 발견 |
| |
올해 컨퍼런스. |
| |
접근 방식은 유망합니다. |
| |
데이터에 모델을 맞출 수 있습니다 |
| |
보다 더 활발한 상호 작용 |
| |
런이 있습니다. 네 번째이자 마지막 |
| |
정보 품질의 구성 요소 |
| |
유용성은 우리가 얼마나 잘 |
| |
우리의 목표를 평가할 수 있습니다. 또는 |
| |
우리는 우리가 얼마나 잘했는지 어떻게 측정합니까? |
| |
우리의 목표를 평가했나요? |
| |
이 도메인 측면은 다음과 같습니다. |
| |
우리가 원하는 경우 |
| |
~로 이어지는 공식 |
| |
수확량을 극대화하고 최소화했습니다. |
| |
후처리 과정에서 발생하는 폐기물 |
| |
자료. 통계 |
| |
분석 유틸리티는 다음을 참조합니다. |
| |
우리가 맞는 모델입니다. 우리가 |
| |
거기에 가는 것은 최소한이다 |
| |
우리 모델의 제곱 정확도 |
| |
우리가 얼마나 잘 할 수 있는지에 대한 측면에서 |
| |
...무엇이 될지 예측하다 |
| |
후보자의 결과 |
| |
...의 제형의 조합 |
| |
혼합 요인. 이제 가보겠습니다. |
| |
일련의 질문을 살펴보다 |
| |
자세한 InfoQ를 구성하는 |
| |
조직된 평가 |
| |
정보의 8가지 차원 |
| |
품질. 지적하고 싶은 점은 |
| |
모든 질문이 다 해결되는 것은 아닙니다 |
| |
다양한 것과 동등하게 관련성이 있음 |
| |
데이터 과학 및 통계 |
| |
프로젝트이며 이것이 아닙니다 |
| |
엄격한 교리를 의도했지만 |
| |
오히려 일련의 것들 |
| |
스스로에게 물어보는 게 좋을 것 같아요. |
| |
이러한 질문은 일종의 |
| |
데이터 분석의 지혜 |
| |
단순히 ~보다 더 광범위하게 보인다 |
| |
특정한 것의 적용 |
| |
통계 기술. 사본 |
| |
이것들을 포함하는 스프레드시트 |
| |
질문과 함께 포인터 |
| |
JMP의 가장 큰 특징은 다음과 같습니다. |
| |
답변에 유용합니다 |
| |
특정한 것이 업로드될 것입니다 |
| |
JMP 커뮤니티에 |
| |
이 이야기를 당신이 사용할 수 있도록. |
| |
나는 질문을 진행합니다. |
| |
나는 분석을 시연할 것이다 |
| |
JMP의 데이터입니다. 질문 1 |
| ~이다 |
사용된 데이터 규모는 무엇입니까? |
| |
명시된 목표와 일치합니까? |
| |
우리가 가지고 있는 X는 다음과 같습니다. |
| |
단일 범주형 변수 |
| |
처리 및 11 연속 |
| |
입력. 이것들은 측정됩니다 |
| |
백분율로도 표시되며 |
| |
0.5%로 기록되었습니다. 우리는 |
| |
총 금액이 없습니다 |
| |
재료만 |
| |
백분율입니다. 총계는 다음과 같습니다. |
| |
손실된 정보 |
| |
또는 기록되지 않은 경우도 있습니다. |
| |
잠재적으로 중요한 다른 것들 |
| |
정보의 조각 |
| |
여기서 누락되었습니다. 시간 사이 |
| |
배치를 공식화하고 |
| |
측정이 사라졌습니다 |
| |
그리고 다른 것도 있었을 수 있었을 것이다 |
| |
공변량 수준 정보 |
| |
여기에는 그것이 없을 것입니다 |
| |
조건을 설명했습니다 |
| |
반응이 일어났습니다. |
| |
나보다 더 많은 정보가 없이 |
| |
가지고 있다, 나는 얼마나 중요한지 말할 수 없다 |
| |
이런 종류의 공변량 정보 |
| |
했을 것이다. 우리는 가지고 있다 |
| |
당일 정보 |
| |
배치이므로 다음과 같이 사용할 수 있습니다. |
| |
아마도 대리모일 수도 있겠네요. 전반적으로 우리는 |
| |
가장 희망적으로 가장 중요한 것을 갖습니다. |
| |
중요한 입력 사항뿐만 아니라 |
| |
우리가 응답한 것의 측정 |
| |
최적화하고 싶습니다. 우리는 할 수 있습니다 |
| |
더 많은 정보가 있었지만 이것은 |
| |
시도해 볼 만큼 유망해 보인다 |
| |
그리고 분석. 두 번째 |
| |
데이터 관련 질문 |
| |
해상도는 얼마나 신뢰할 수 있는지에 따라 결정됩니다. |
| |
측정 장치는 정확하다 |
| |
및 데이터 소스. 그리고 사실 |
| |
우리는 많은 것을 가지고 있지 않습니다 |
| |
구체적인 정보는 여기에 있습니다. |
| |
통계학자 내부 |
| |
회사는 더 많은 것을 가졌을 것이다 |
| |
정보. 이 경우 우리는 |
| |
그것을 믿을 수밖에 없다 |
| |
화학자들은 공식화하고 |
| |
혼합물을 잘 기록했습니다. |
| |
데이터와 관련된 세 번째 질문 |
| 해상도는 |
데이터입니다 |
| |
데이터에 적합한 분석 |
| |
집계 수준? 그리고 |
| |
여기서 답은 '예'입니다. |
| |
그들의 측정 시스템은 |
| |
정확하고 데이터가 |
| |
충분히 깨끗합니다. 우리가 갈 곳은 |
| |
결국 실제로 하는 일은 |
| |
우리는 사용할 것입니다 |
| |
기능적 데이터 탐색기 |
| |
기능적 원리 추출 |
| |
데이터인 구성 요소 |
| |
파생된 종류의 데이터 |
| |
집계. 그리고 우리는 |
| |
그것들을 모델링할 거야 |
| |
기능적 주성분 |
| |
입력 변수를 사용합니다. 따라서 |
| |
이제 데이터로 넘어가겠습니다 |
| |
구조 차원 및 |
| |
우리가 묻는 첫 번째 질문은 다음과 같습니다. |
| |
사용된 데이터는 다음과 같습니다. |
| |
명시된 목표? 그리고 나는 생각한다 |
| |
여기서 답은 분명히 '예'입니다. 우리는 |
| |
최대화하려고 노력하다 |
| |
수율. 측정값이 있습니다. |
| |
그것과 입력은 다음과 같습니다. |
| |
X로 기록되었습니다. 두 번째 데이터 |
| |
구조 질문은 어디에 있습니까? |
| |
일이 정말 시작된다 |
| |
나에게는 흥미로운 일이야. 그래서 이건 |
| |
무결성 세부 사항입니다 |
| |
(이상치, 누락된 값, 데이터 |
| |
부패) 문제가 설명되고 |
| |
적절하게 처리되었나요? 그래서 |
| |
여기서 우리는 JMP를 사용할 수 있습니다 |
| |
이상치가 어디에 있는지 이해하려면 |
| |
이다, 전략을 알아내다 |
| |
누락된 값에 대해 어떻게 해야 하나요? |
| |
그들의 패턴을 관찰하고 그래서 |
| |
켜짐. 그래서 여기가 여기입니다 |
| |
일이 좀 더 나아질 거야 |
| |
좀 더 흥미로운데요. 첫 번째 |
| |
우리가 할 일은 우리가 |
| |
있는지 확인하려고 합니다 |
| |
우리가 가지고 있는 데이터의 이상치 |
| |
걱정해야 할 것 같아요. 그래서 |
| |
그러기 위해서는 우리가 가야 할 것이다 |
| |
이상치를 탐색하다 |
| |
상영 플랫폼 밖 |
| |
메뉴입니다. 로드할 것입니다 |
| |
응답 변수 및 때문에 |
| |
이것은 다변수 설정입니다. |
| |
우리는 새로운 기능을 사용할 것입니다 |
| |
JMP Pro 16에서는 Robust라고 불립니다. |
| |
PCA 이상치. 그래서 우리는 어디에 있는지 봅니다. |
| |
큰 잔여물은 다음과 같습니다. |
| |
일종의 파레토 유형 플롯입니다. |
| |
어디에 있는지 보여주는 스냅샷이 있습니다. |
| |
잠재적으로 몇 가지가 있습니다 |
| |
비정상적으로 큰 관찰. 나 |
| |
이게 정말 그렇게 보이지는 않는 것 같아 |
| |
나에게는 너무 특이하거나 걱정스러운 일이에요. |
| |
우리는 큰 이상치를 저장할 수 있습니다 |
| |
데이터 테이블로 가서 다음을 살펴보세요. |
| |
그들을 배포에 포함시키다 |
| |
플랫폼과 우리가 보는 것의 종류 |
| |
정규분포처럼 보인다 |
| |
중간 부분을 빼고. 그래서 나는 |
| |
이것이 데이터라고 생각합니다 |
| |
비슷한 것에서 온다 |
| |
인구가 많고 아무것도 없다 |
| |
여기서 정말 걱정할 것은, |
| |
이상치 측면에서. 그래서 일단 우리가 |
| |
이상치를 처리했다 |
| |
우리가 들어가서 탐험하는 상황 |
| |
누락된 값입니다. 그래서 우리는 |
| |
우리가 가장 먼저 할 일은 |
| |
Ys를 ...로 로드하려면 |
| |
플랫폼, 그리고 우리는 갈거야 |
| |
누락된 값을 사용하려면 |
| |
패턴을 확인하기 위한 스냅샷 |
| |
그들은 우리가 실종한 사람들 중 하나입니다 |
| |
값입니다. 다음과 같습니다. |
| |
누락된 값은 다음에서 발생하는 경향이 있습니다. |
| |
수평 클러스터가 있고 |
| |
또한 동일한 누락된 값 |
| |
행을 가로질러서 볼 수 있습니다. |
| |
여기 검은색 얼룩이 있네요. |
| |
그리고 나서 우리는 적용하러 갈 것입니다 |
| |
자동화된 데이터 입력, |
| |
계속해서 저장됨 |
| |
입력하는 수식 열 |
| |
새로운 값에서 누락된 값 |
| |
회귀 유형을 사용하는 열 |
| |
에 의해 개발된 알고리즘 |
| |
내 박사과정 학생 중 한 명인 Milo |
| |
NC State 페이지입니다. 그래서 우리는 플레이할 수 있습니다. |
| |
조금 돌아다니다가 |
| |
ADI와 같은 느낌 |
| |
알고리즘이 작동하고 있어요. 그래서 |
| |
이 수식 열을 생성했습니다. |
| |
벗겨지는 요소들 |
| |
ADI 입력 열은 다음과 같습니다. |
| |
벡터 수식 열 및 |
| |
스코어링 대입 함수 |
| |
예상을 계산하고 있습니다 |
| |
주어진 누락된 셀의 값 |
| |
누락되지 않은 셀은 언제든지 |
| |
값이 누락되었습니다. 그리고 |
| |
그냥 비를 통과하는 것 |
| |
누락된 값입니다. 207을 볼 수 있습니다. |
| |
YO...Y6에 있어요. 처음에는 |
| |
207 하지만 그걸로 바꿔요 |
| |
없어졌고 지금은 없어지고 있어요 |
| |
234로 추산됨. |
| |
그래서 나는 이것을 두 번 정도 할 거야 |
| |
당신은 그것이 어떻게 되는지 볼 수 있습니다 |
| |
작업 중입니다. 그래서 여기에 큰 것을 넣을게요 |
| |
Y7의 가치는 지금입니다. |
| |
교체되었습니다. 그리고 우리가 내려가면 |
| |
그리고 우리는 행을 추가합니다. |
| |
그러면 모든 누락된 값이 거기에 있습니다 |
| |
처음에는 열이 의미하는 바 |
| |
로 대체됩니다 |
| |
귀속. 내가 간다면 |
| |
앞으로 나아가 일부에 대한 값을 추가합니다. |
| |
그 누락된 세포들은 |
| |
조건문을 시작하다 |
| |
아직도 실종된 사람들의 기대 |
| |
정보를 사용하는 세포 |
| |
그게 누락된 것 중 하나예요... |
| |
누락되지 않은 것들. 그래서 우리의 다음 |
| |
데이터 구조에 대한 질문은 |
| |
분석 방법은 다음과 같습니다 |
| |
데이터 구조에 적합한가요? |
| |
그래서 우리는 11개의 혼합 입력을 얻었습니다. |
| |
그리고 처리 변수는 다음과 같습니다. |
| |
범주적. 그것들은 가고 있습니다 |
| |
최소한으로 입력이 되다 |
| |
사각형 유형 모델입니다. |
| |
13개의 연속 응답과 |
| |
...을 사용하여 모델링할 수 있습니다. |
| |
개별적으로 최소 사용 |
| |
사각형. 또는 모델링할 수 있습니다. |
| |
기능적 원칙 |
| |
구성 요소. 이제... 있습니다 |
| |
문제입니다. X는... |
| |
입력 변수가 없습니다 |
| |
전혀 무작위가 아닙니다. 매우 |
| |
그들이 더럽힐 것이라는 것은 분명하다 |
| |
하나 이상의 것과 함께 |
| |
화합물을 이동한 다음 |
| |
다른 것으로 넘어갑니다. 그래서 |
| |
순서 |
| |
입력 변수는 다양했습니다 |
| |
좀 무질서했어요. |
| |
무작위성이 분명히 부족하고 |
| |
그건 부정적으로 될 거야 |
| |
우리의 일반화에 영향을 미칩니다 |
| |
그리고 우리 결론의 강점. |
| |
데이터 통합은 세 번째입니다 |
| |
InfoQ 차원. 이 데이터는 |
| |
수동으로 입력된 실험 노트입니다 |
| |
대부분 혼합물로 구성됨 |
| |
백분율 및 장비 |
| |
판독값. 우리는 단지 가정할 수 있습니다 |
| |
데이터가 입력되었다는 것 |
| |
정확하게 X가 |
| |
응답과 적절하게 일치되었습니다. |
| |
그렇지 않은 경우에는 |
| |
모델에 심각한 편향이 있을 것이다 |
| |
문제가 있고 |
| |
일반화에 문제가 있음. |
| |
통합이 더 큰 문제입니다 |
| |
관찰 데이터와 함께 |
| |
기계의 과학 문제 |
| |
실험실보다 학습 연습 |
| |
이런 실험. 비록 |
| |
여기에는 적용되지 않아요 |
| |
개인정보 보호와 |
| |
기밀 유지에 대한 우려가 있을 수 있습니다 |
| |
모델링을 통해 식별됨 |
| |
데이터의 민감한 부분을 사용하여 |
| |
게시될 구성 요소 |
| |
데이터에서. 결과가 |
| |
모델이 예측되면 하나 |
| |
개인정보보호에 대해 우려해야 합니다 |
| |
우려 사항이 충족되지 않고 있습니다. 시간적 |
| |
관련성은 다음을 의미합니다. |
| |
운영 시간 순서 |
| |
데이터 수집, 분석 및 |
| |
배포 및 격차 여부 |
| |
그 단계들 사이에는 다음이 이어진다. |
| |
유용성 감소 |
| |
연구에 포함된 정보. |
| |
이 경우에는 우리는 단순히 |
| |
재료가 공급되기를 바랍니다 |
| |
합리적으로 일관성이 있고 |
| |
테스트 장비는 |
| |
상당히 정확합니다. |
| |
여기서는 검증할 수 없는 가정 |
| |
점. 우리가 시간 해상도 |
| |
데이터 수집이 이루어지는 시기 |
| |
일 수준에서, 즉 |
| |
그럴 방법이 별로 없다는 거야 |
| |
시간이 있는지 확인할 수 있어요 |
| |
매일 변화합니다. |
| |
데이터와 목표의 연대기는 다음과 같습니다. |
| |
가용성에 관하여 |
| |
관련 변수는 모두 |
| |
변수가 무엇인지 여부 |
| |
데이터에 전혀 존재하지 않거나 |
| |
올바른 정보인지 |
| |
모델이 출시되면 사용 가능 |
| |
배포됩니다. 예측을 위해 |
| |
모델, 이것은 모델과 관련이 있습니다 |
| |
유사한 데이터에 적합함 |
| |
당시에 무엇이 존재할 것인가 |
| |
모델은 다음에 대해 평가됩니다. |
| |
새로운 데이터입니다. 이런 식으로 우리의 데이터는 |
| |
세트는 확실히 괜찮습니다. |
| |
그러나 인과관계를 확립하는 것은 |
| |
우리는 그렇게 좋지 않아 |
| |
모양이 부족하기 때문에 |
| |
무작위화는 시간을 의미합니다 |
| |
효과와 요인 효과가 있을 수 있습니다 |
| |
혼동되어 편견이 생기다 |
| |
우리의 추정에 따르면 내생성, |
| |
또는 역 인과관계가 가능합니다. |
| |
여기서는 분명히 문제가 될 수 있습니다. |
| |
온도와 같은 변수 |
| |
반응 시간은 분명히 |
| |
응답에 영향을 미치지만 |
| |
기록되지 않은 채로 남아 있습니다. 전반적으로, |
| |
우리가 모르는 게 많아 |
| |
이 차원에 관하여 |
| |
정보 품질 감각. |
| |
나머지 InfoQ |
| |
평가가 진행될 예정입니다 |
| |
유형에 따라 다릅니다 |
| |
우리가 하는 분석. 그래서 이 |
| |
내가 계속할 요점은 다음과 같습니다. |
| |
이 데이터에 대한 분석을 수행하다 |
| |
기능 데이터 사용 |
| |
JMP Pro의 Explorer 플랫폼 |
| |
내가 모델링할 수 있게 해주는 |
| |
모든 열을 동시에 |
| |
~에 기반한 방식으로 |
| |
기능적 주성분, |
| |
최대량을 포함하는 |
| |
모든 정보의 |
| |
열은 다음과 같이 표현됩니다. |
| |
가능한 가장 효율적인 형식입니다. |
| |
나는 ~에 대해 작업할 것입니다 |
| |
열의 귀속 버전 |
| |
내가 이전에 계산한 것 |
| |
프레젠테이션. 그리고 나는 할 것이다 |
| |
내가 그럴 것이라고 지적하다 |
| |
조합을 찾기 위해 노력 중 |
| |
달성하는 혼합 요인 |
| |
가능한 한 가깝게 |
| |
최소 제곱 감각, 이상적 |
| |
에 의해 생성된 곡선 |
| |
극대화하는 실무자 |
| |
잠재적인 제품의 양 |
| |
배치 중에 있을 수 있습니다 |
| |
양을 최소화하다 |
| |
그들이 가지고 있는 불순물 |
| |
현실적으로 배치를 생각했다 |
| |
포함할 수 있습니다. 그래서 나는 시작합니다 |
| |
분석으로 이동하여 분석 |
| |
메뉴에서 기능을 불러옵니다 |
| |
데이터 탐색기. 여기에는 다음과 같은 행이 있습니다. |
| |
기능. 내 것을 로드하려고 합니다. |
| |
입력된 행을 입력한 다음 이동합니다. |
| |
내 공식에 넣으려고 |
| |
구성 요소 및 내 처리 |
| |
보충 자료로서의 칼럼 |
| |
변수입니다. ID가 있습니다. |
| |
함수, 즉 배치 ID입니다. 여기서 |
| |
들어가세요. 기능을 볼 수 있어요. |
| |
오버레이 전체와 |
| |
개별 기능을 볼 수 있습니다. |
| |
그러면 타겟을 로드할 수 있습니다 |
| |
함수는 이상적인 함수입니다. |
| |
그리고 그것은 바뀔 것입니다 |
| |
내가 한 번 분석한 결과 |
| |
모델링을 시작하다 |
| |
단계입니다. 그래서 이것들은 꽤 |
| |
간단한 기능이므로 그냥 |
| |
그것들을 모델로 삼을 거야 |
| |
B 스플라인. |
| |
그리고 나는 내 것으로 들어갈 것이다 |
| |
기능적 DOE 분석. |
| |
이것은 모델에 맞을 것입니다 |
| |
입력을 연결하는 |
| |
기능적 원칙 |
| |
구성 요소를 연결한 다음 모두 연결하세요 |
| |
길을 통해 |
| |
그것을 만들기 위한 고유 함수 |
| |
우리는 복구할 수 있습니다 |
| |
전반적인 기능은 다음과 같습니다. |
| |
우리가 변화하고 있기 때문에 변경되었습니다. |
| |
혼합 요인. |
| |
기능적 주성분 |
| |
분석 결과 |
| |
4가지 차원이 있습니다 |
| |
이러한 반응의 변화 |
| |
기능. 무엇을 이해하려면 |
| |
그들은 계속 나아가자고 말합니다. |
| |
FPC 프로파일러를 사용하여 탐색해 보세요. |
| |
따라서 바로 여기 이 창을 시청하세요. |
| |
FPC 1을 조정하면 볼 수 있습니다. |
| |
이 FPC가 연관되어 있다는 사실 |
| |
피크 높이. FPC2, 그것은 보인다 |
| |
그게 일종의 정점인 것 같아 |
| |
좁음. 거의 비슷해요 |
| |
결의 원칙 |
| |
구성 요소입니다. 세 번째는 |
| |
무릎에 관련된 종류 |
| |
우세한 봉우리의 왼쪽. |
| |
그리고 Peak 4는 다음과 같습니다. |
| |
주로 다음과 관련이 있습니다 |
| |
불순물이니까 그게 그거예요 |
| |
내재된 의미는 다음과 같습니다. |
| |
이 네 가지 기능 |
| |
주요 구성 요소. |
| |
그래서 우리는 우리의 목표를 다음과 같이 정의했습니다. |
| |
제품의 최대화를 위해 |
| |
불순물을 최소화하고, |
| |
우리는 그것을 ~에 전달했습니다 |
| |
이 이상을 통한 분석 또는 |
| |
우리가 제공한 골든 커브 |
| |
FDE의 시작 |
| |
우리가 하고 있는 운동. |
| |
그 이상에 가능한 한 가깝게 |
| |
곡선, 우리는 바람직성을 켭니다 |
| |
함수. 그리고 나서 우리는 갈 수 있습니다 |
| |
바람직성을 극대화합니다. |
| |
그리고 우리는 최적을 찾습니다 |
| |
입력의 조합은 다음과 같습니다. |
| |
4.5%의 |
| |
성분 4, 2% |
| |
성분 6. 2.2% |
| |
성분 8 및 1.24% |
| |
재료 9 가공 사용 |
| |
두 번째 방법. 검토해 보겠습니다. |
| |
우리는 여기까지 왔습니다. 우리가 먼저 |
| |
누락된 응답을 계산했습니다 |
| |
열. 그런 다음 B-스플라인을 찾았습니다. |
| |
해당 기능에 맞는 모델 |
| |
FDE 플랫폼에서 잘 작동합니다. |
| |
기능적 주성분 |
| |
분석 결과 다음과 같은 것이 확인되었습니다. |
| |
4개의 고유 함수가 있었습니다 |
| |
변화를 특성화하다 |
| |
이 데이터. 이 네 가지 |
| |
고유함수가 결정되었습니다 |
| |
FPC 프로파일러를 통해 각각 |
| |
합리적인 주제를 가지고 있다 |
| |
문제의 의미. 기능적 |
| |
DOE 분석은 다음으로 구성되었습니다. |
| |
앞으로 가지치기 적용 |
| |
각각에 대한 선택 |
| |
개별 FPC 점수를 사용하여 |
| |
DOE 요인을 입력 변수로 사용합니다. |
| |
그리고 우리는 여기서 이것들이 있다는 것을 봅니다. |
| |
조합을 발견했습니다 |
| |
상호작용과 주효과 |
| |
가장 예측 가능한 것은 |
| |
각각의 기능적 원칙 |
| |
구성 요소 점수를 개별적으로 표시합니다. |
| |
기능적 DOE 프로파일러 |
| |
모든 것을 우아하게 포착했습니다 |
| |
여러 측면을 하나의 표현으로 |
| |
우리가 찾을 수 있게 해주는 |
| |
제형 처리 단계 |
| |
바람직한 것으로 예측됩니다 |
| |
높은 측정으로 측정된 속성 |
| |
수율이 높고 불순물이 적습니다. |
| |
이제 우리는 InfoQ를 할 수 있습니다 |
| |
평가 |
| |
데이터의 일반화 가능성 |
| |
분석입니다. 그래서 이 경우에는 |
| |
우리는 더 관심이 있어요 |
| |
과학적 일반화 가능성 |
| |
실험자는 깊이 |
| |
지식이 풍부한 화학자 |
| |
이 화합물로. 그래서 우리는 |
| |
더 많이 의지하게 될 거야 |
| |
그들의 전문 분야 |
| |
그러면 통계적 원리에 대해서 |
| |
가설 검정과 같은 도구 |
| |
등등. 목표는 |
| |
주로 예측적이지만 |
| |
일반화 가능성은 일종의 |
| |
문제가 있기 때문에 |
| |
실험은 설계되지 않았습니다. 우리의 |
| |
상호작용을 추정하는 능력 |
| |
다음과 같은 기술에 대해서는 약화됩니다. |
| |
전방 선택 및 불가능 |
| |
최소 제곱 분석을 통해 |
| |
전체 모델. 왜냐하면 |
| |
연구는 무작위로 진행되지 않았습니다. |
| |
기록되지 않은 시간이 될 수도 있습니다 |
| |
주문 효과. 우리는 가지고 있지 않습니다 |
| |
잠재적으로 중요한 공변량 |
| |
온도와 같은 정보 |
| |
반응 시간. 이것은 |
| |
또 다른 큰 물음표 |
| |
일반화 가능성에 관하여. |
| |
반복성 및 |
| |
연구의 재현성은 |
| |
여기에는 우리가 가지고 있는 알려지지 않은 것도 있습니다. |
| |
에 대한 정보가 없습니다 |
| |
변동성으로 인해 |
| |
측정 시스템. 다행히도 |
| |
우리는 JMP와 같은 도구를 가지고 있습니다 |
| |
디자인을 평가하여 이해하다 |
| |
기존 디자인뿐만 아니라 |
| |
크게 증가시킬 수 있는 디자인 |
| |
일반화를 강화하다 |
| |
분석 수행 |
| |
증강은 정보를 개선할 수 있습니다 |
| |
주요 효과에 관하여 |
| |
상호작용 및 두 번째 라운드 |
| |
실험의 가능성은 다음과 같습니다. |
| |
무작위로 지정하여 향상시키다 |
| |
일반화 가능성. 그래서 지금 나는 |
| |
몇 가지를 살펴볼까요 |
| |
방법을 보여주는 간단한 단계 |
| |
일반화를 개선하다 |
| |
우리 연구의 성과 |
| |
JMP의 디자인 도구. 전에 |
| |
그렇게 하면, 내가 지적하고 싶은 게 있어요 |
| |
내가 데이터를 가져와야 했고 |
| |
그것을 그렇게 변환하다 |
| |
비율이 아니라 |
| |
퍼센트. 그렇지 않으면 디자인 |
| |
도구가 실제로 동의하지 않았습니다. |
| |
데이터를 아주 잘 활용하고 있습니다. 그래서 우리는 |
| |
평가 디자이너로 이동 |
| |
그리고 우리는 Ys를 로드하고 |
| |
우리 Xs. 나는 그 능력을 요청했습니다. |
| |
2차 상호작용을 처리합니다. |
| |
그럼...응, 이 알림이 왔어요 |
| |
"이봐, 난 그럴 수 없어"라고 말하면서 |
| |
왜냐하면 우리는 할 수 없기 때문이다 |
| |
모든 상호 작용을 추정하다 |
| |
한 번에 한 가지 요소를 고려하면 |
| |
우리가 가지고 있는 데이터. 그래서 나는 지원했다 |
| |
위로. 우리는 증강으로 간다 |
| |
디자이너, 모든 것을 로드하세요. |
| |
증강을 설정하세요. 우리는 선택할 것이고, 나는- |
| |
최적의 디자인이기 때문에 우리는 |
| |
정말 걱정된다 |
| |
여기에서의 예상 성과. |
| |
그리고 나 |
| |
실행 횟수를 148로 설정합니다. |
| |
커스텀 디자이너가 요청한 |
| |
최소 141인데 갔는데 |
| |
148 그냥 확인하기 위해서 |
| |
우리 모두가 할 수 있는 능력을 가지고 있다는 것 |
| |
우리의 모든 상호작용을 추정하다 |
| |
꽤 잘. 그 후에는 |
| |
약 20초 정도 걸립니다 |
| |
디자인을 구성하세요. 이제 |
| |
우리가 디자인을 가지고 있다는 것을, 나는 |
| |
가장 중요한 두 가지를 보여드리겠습니다 |
| |
중요한 진단 도구 |
| |
증강 디자이너 |
| |
디자인 평가. |
| |
왼쪽에는 분수가 있습니다 |
| |
디자인 공간 플롯입니다. 이것은 |
| |
볼륨의 50%를 보여줍니다 |
| |
디자인의 |
| |
예측 분산은 |
| |
1보다 작습니다. 따라서 1은 |
| |
잔여물과 동일하다 |
| |
오류입니다. 그래서 우리는 얻을 수 있습니다 |
| |
측정 오차보다 낫다 |
| |
품질 예측 |
| |
디자인의 대부분. |
| |
맞아요, 우리는 컬러 맵을 가지고 있어요 |
| |
상관관계. 이것은 보여주고 있습니다 |
| |
우리가 추정할 수 있는 |
| |
모든 게 꽤 괜찮아요. |
| |
어떤 것들은...혼합 때문에 |
| |
제약이 있어서 우리는 몇 가지를 얻고 있어요 |
| |
강한 상관관계 |
| |
상호작용과 주효과. |
| |
전반적으로 효과는 상당히 |
| |
깨끗합니다. 그리고 상호 작용은 |
| |
하나에서 꽤 잘 분리됨 |
| |
또 다른, 그리고 주요 효과 |
| |
꽤 잘 분리되어 있습니다 |
| |
서로도 마찬가지다. 그 후에 |
| |
디자인을 보면서 |
| |
진단을 통해 우리는 다음을 할 수 있습니다. |
| |
표. 여기서 나는 다음을 보여주었습니다. |
| |
증강된 실행의 첫 13개 |
| |
그리고 우리는 우리가 가지고 있다는 것을 봅니다...우리는 |
| |
더 많은 무작위성을 갖습니다. 우리는 그렇지 않습니다. |
| |
동일한 주효과를 사용합니다 |
| |
계속해서 반복되는 줄무늬. |
| |
그것은 더 나은 증거입니다 |
| |
무작위화와 전반적인 |
| |
디자인은 가능할 것입니다 |
| |
주요 내용을 훨씬 더 잘 추정합니다 |
| |
효과와 상호 작용 |
| |
더 나은, 더 높은 품질을 받았습니다 |
| |
이 두 번째 단계의 정보 |
| |
실험의. 그래서 입력 |
| |
변수인 X는 정확합니다. |
| |
혼합물의 표현 |
| |
비율이니까 명확하죠 |
| |
객관적인 관심. |
| |
응답은 대리모에 가깝습니다 |
| |
제품의 양에 따라 |
| |
그리고 불순물의 양 |
| |
배치. 우리는 꽤 잘하고 있어요 |
| |
7.1. 거기에. 정당화 |
| |
명확합니다. 연구 후, 우리는 |
| |
물론 가서 준비할 수도 있어요 |
| |
배치는 제형입니다 |
| |
FDOE에서 권장한 것 |
| |
프로파일러입니다. 시도해 보고 확인해 보세요. |
| |
우리는 그런 종류의 것을 얻고 있어요 |
| |
우리가 찾고 있던 성능 |
| |
그것은 매우 분명합니다. |
| |
우리가 할 수 있는 방법이 될 것입니다 |
| |
우리가 얼마나 잘 성취했는지 평가하다 |
| |
우리의 학습 목표. 그래서 지금 |
| |
마지막 InfoQ 차원 |
| |
의사소통. 설명함으로써 |
| |
목표로서의 이상적인 곡선 |
| |
기능, 기능적 DOE |
| |
프로파일러는 목표를 설정하고 |
| |
분석 결정의 결과 |
| |
명확합니다. 하지만 이것은 표현될 수 있습니다 |
| |
쉽게 가능한 수준에서 |
| |
화학자들에 의해 해석되고 |
| |
R&D 시설 관리자. |
| |
그리고 우리가 세부적으로 수행한 것처럼 |
| |
정보 품질 평가, |
| |
우리는 그것에 대해 솔직하게 말했습니다. |
| |
강점과 약점 |
| |
연구 설계 및 데이터 |
| |
수집. 결과가 |
| |
일반화하지 마세요, 우리는 확실히 |
| |
어디에서 찾아야 할지 알고 있습니다 |
| |
문제가 있었습니다. 당신이 되면 |
| |
개념에 익숙하다, |
| |
좋은 추가 기능이 작성되어 있습니다 |
| |
Ian Cox가 제공하는 다음 내용을 사용할 수 있습니다. |
| |
빠른 정량적 InfoQ를 수행하세요 |
| |
평가. 추가 기능에는 |
| |
상단 및 하단 슬라이더 |
| |
각 InfoQ 차원의 경계. |
| |
이러한 차원은 결합됩니다 |
| |
바람직성 함수 사용 |
| |
전체 간격에 대한 접근 방식 |
| |
왼쪽의 InfoQ로 가세요. |
| |
다음은 평가입니다. |
| |
내가 다룬 데이터와 분석 |
| |
이 프레젠테이션. 추가 기능은 |
| |
또한 유용한 사고 도구이기도 합니다. |
| |
각각을 고려하게 될 것입니다 |
| |
InfoQ 차원입니다. 또한 |
| |
의사소통의 실용적인 방법 |
| |
InfoQ 평가 |
| |
고객 또는 경영진에게 |
| |
그것은 높은 수준의 관점을 제공합니다 |
| |
정보 품질이 없음 |
| |
많은 기술적인 것을 사용하여 |
| |
개념과 전문 용어. 추가 기능 |
| |
또한 기초로 유용합니다 |
| |
InfoQ 비교. 내 |
| |
이것에 대한 원래의 희망 |
| |
프레젠테이션은 조금 |
| |
좀 더 야심차게. 나는 바랐다 |
| |
내가 분석한 내용을 다루기 위해 |
| |
방금 지나갔고, |
| |
또 다른 더 간단한 것, 내가 건너뛰는 것 |
| |
응답을 입력하고 수행 |
| |
간단한 다변수 선형 |
| |
반응의 회귀 모델 |
| |
칼럼. 오늘은 내가 할 수 있는 유일한 |
| |
그것에 대한 최종 평가를 제공합니다 |
| |
접근 방식입니다. 보시다시피, |
| |
InfoQ 중 여러 개 |
| |
치수가 상당히 손상됨 |
| |
더 정교한 것 없이 |
| |
분석. 그것은 매우 분명합니다 |
| |
간단한 분석은 다음과 같습니다. |
| |
InfoQ 점수가 훨씬 낮습니다. |
| |
단순함의 상한 |
| |
분석은 그렇게 높지 않습니다 |
| |
더 많은 하한보다 |
| |
정교한 것. |
| |
경험을 얻으면 얻을 수 있습니다 |
| |
좋은 InfoQ가 무엇인지에 대한 직감 |
| |
점수는 데이터 과학을 위한 것입니다 |
| |
귀하의 산업 분야의 프로젝트 및 |
| |
당신이 더 나은 습관을 습득할 때 |
| |
더 이상 눈이 멀지 않을 것이다 |
| |
귀하의 정보 병목 현상 |
| |
데이터 수집, 분석 및 |
| |
모델 배포. 정보 |
| |
사용하기 쉬운 품질 |
| |
인터페이스. 이게 내 첫 번째였어 |
| |
공식 정보 품질 |
| |
평가. 제 개인적인 의견으로는, |
| |
정보 품질 |
| |
프레임워크는 단어를 제공했습니다. |
| |
내가 하는 많은 것들의 구조 |
| |
이미 본능적으로 알고 있었습니다. |
| |
내가 어떻게 바뀌었는지 이미 알고 있습니다 |
| |
새로운 데이터 분석 접근 |
| |
프로젝트. 가보시기를 권장합니다. |
| |
이 과정을 통해 스스로 |
| |
자신의 데이터, 심지어 그 데이터라도 |
| |
그리고 분석은 이미 매우 |
| |
당신에게 친숙합니다. 보장합니다 |
| |
당신이 더 현명해질 것입니다 |
| |
더 효율적인 데이터 과학자 |
| |
그것 때문에요. 감사합니다. |
