好的。 你好。
謝謝 為了 這 好的 介紹。
今天 I 想 到 展示 一起 和 史蒂芬 文森 從 液流發動機 醫療的
一件作品 我們已經 完畢 在 這 最後的 年 在 控制 圖表 動能
和 其他 時間- 受扶養人 測量。
那麼為什麼 是 那 重要的 到 展示？
所以 在 案件 你 有 a 時間- 受扶養人 曲線
和 這 曲線 他們自己 是 重要的 為了 這 品質 的 你的 產品，
所以 它是 常 非常 難的 到 定義 任何 種類 的 規格。
並且在 我們的 案件 這裡，
這些 曲線 是 評估 經過 專家。
所以 每一個 測量 曾是 傳送 到 a 專家，
看起來 在 這 曲線， 說， 「是的， 好的， 或者 不是 好的。 」
這 是 漂亮的 時間- 消費 和 同情 和 所以 在。
和 在 頂部 的 那， 它是 甚至 壞的 什麼時候 這 人 是 生病的 或者 在 假期。
也 它是 a 人- 受扶養人 事物。
所以 常 它 發生 那 這 人
有 不同的 情緒 或者 不同的 義務
或者 不同的 優先事項 和 所以 在。
所以 讓我們 說 這 調整 的 這 曲線 可能 各不相同 a 小的 位元.
所以 它是 種類 的 可重複性 問題
和 我們 通緝 到 停止 那。
所以 那 曾是 這 原因 為什麼 我們 開始 和 它。
所以 為了 例子， 這裡 你 看 a 選擇 從 數百 的 這些 曲線 我們 測量。
和 你 看 這裡 它是 a 壓力 保持 測量。
所以 我們 有 這裡 壓力 相對 時間 在 秒。
和 這裡 你 看 a 束 的 曲線。
和 這 綠色的 個， 你 看 他們 是 稱為 真的。
這 方法 真的 是 公認， 他們 是 好的。
和 錯誤的 方法 被拒絕， 他們 是 不是 好的。
所以 那裡 是 a 壞的 產品。
所以 什麼 你 看 這裡 那 這 綠色的 一 是 相對地 綁 一起。
這裡 在 這 突出顯示 螢幕截圖, 你 看 更好的。
所以 他們是 漂亮的 關閉 一起。
和 然後 我們 有 a 選擇 的 紅色的 一
哪個 是 任何一個 分開 從 這 綠色的 個，
但 那裡 是 也 二 一 哪個 是 更多的 或者 較少的 在 這 相同的 政權。
但 作為 你 看， 他們 有 完全地 不同的 形 狀 。
那裡 是 一些 邊緣 和 其他 S形 曲線 和 所以 在 和 向前。
所以 如果 它 會 製作 只是 a 簡單的 t 三位西格瑪 限制 ±
大約 這 好的 個， 為了 例子， 作為 在 這 上 案件 這裡，
我們 會 包括 也 這 非善 紅色的 一 這裡 從 這 降低 圖片。
所以 a 簡單的 ± 三 西格瑪 限制
方法 大約 這 系列 的 曲線 會 不是 是 目標 領導。
所以 我們 需要 某物 哪個 包括 這 位置
哪個 是 完畢 這裡 和 這 基本的 紀念碑。
但 也 我們 想 到 有 某物 哪個 需要 關心 關於 這 形狀
的 這些 函數， 的 這些 團體，
如何 到 分析 這 形狀 和 職位？
所以 那裡 是 實際上 二 方法。
一 是 漂亮的 長的- 已知 已經。
這 是 這 主要的 成分 分析。
那是 這 第一的 一。
和 在 更多的 最近的 次 跳轉 來了 向上 和
a 功能 數據 探險家 哪個 也 給出 我們 這 可能性 到 做 這 相同的。
但 作為 我們 有 看到， 它 曾是 不是 真的 這 相同的， 所以 它 曾是 不同的。
所以 讓我們 開始 和 這 老的 方法， 主要的 成分 分析
為了 正在做 所以， 你 需要 到 轉換 這 長的 表一 只是 展示 你
在 這 下一個 圖片 這裡 在 這 左邊 邊，
a 長的 桌子 在哪裡 你 有 列
和 這 部分 數字， 為了 例子， 通過測試 日期。
但 也 和 這 是 這 重要的 部分
的 這 運行時 和 這 壓力 和 這 為了 每個 價值。
和 你 看 這裡， 這 是 在 秒。
所以 我們 測量 每一個 一些 毫秒。
和 作為 你 看 也, 它 是 漂亮的 難的 那 為了 這 下一個 部分
它是 確切地 這 相同的 系列 的 數位 這裡，
確切地 這 相同的 時間 什麼時候 我們 有 這 下一個 壓力 觀點。
和 這 是 實際上 需要 什麼時候 你 想
到 製作 一位校長 成分 分析 因為 你 有 到 轉換
這 長的 桌子 進入 a 寬的 桌子 在哪裡 你 有 一 排 每 部分
和 然後 你 有 這 白色的 桌子
你在哪裡 有 為了 每個 時間 投幣口 和 然後 這 數據 點。
所以呢 我們 需要 到 做 現在 是， 第一的 的 全部，
我們 需要 到 帶來 全部 這些 運行時 在 這 相同的 規模。
這裡， 我們 有 完畢 那 經過 只是 計算
這 最長 時間 作為 100% 和 這 最短 是 零。
和 然後 我們 有 每一個 數位 從 毫秒 秒
已轉移 進入 這 百分比 規模。
然後 我們 插值 因為 仍然 他們 是 不是 在 這 相同的 時間 投幣口 實際上。
所以 我們 有 到 帶來 全部 這 Y 數位 在 這 相同的 時間 觀點。
這 方法 我們 需要 到 做 a 種類
的 插值 到 有 他們 全部 在 這 相同的。
和 然後 什麼時候 我們 有 那，
所以 我們 創建 a 新的 柱子 和 這 標準 相對的 次。
我已經 只是 見過 他們 在 這 例子 在 這 下一個 滑動， 所以 00001 和 所以 在。
和 然後 我們 轉置 他們 進入 這 白色的 形式。
和 從 那裡 在， 然後 我們 可以 做 這 主要的 成分 分析，
儲存 這 可列印 成分 和 計算 這 T 方塊 從 他們
和 建造 這 控制 圖表 從 這些T 方塊 值。
所以 這裡 你 看 它是 這 投幣口 0%、1%、2% 和 所以 在。
和 這裡 是 這 壓力 值。
在 a 平行線 陰謀， 它 看起來 種類 的 喜歡 這。
所以 我們 有 這裡 這 不同的 插槽 這裡 在 這 X- 軸
和 這 壓力 是 仍然 這 相同的 數位 作為 前。
和 你 看 那 這 曲線 是 尋找 漂亮的 很多 這 相同的 作為 前。
但 現在 我們 有 關於 100 數據 點 和 前 我們 有 數千。
所以 它是 這 密度 的 這 點 是 a 小的 較少的， 但 仍然 這 曲線
和 這 形狀 和 這 職位 和 一切 是 這 相同的 作為 前。
我們 拿 現在 這 白色的 桌子
和 在 全部 這些 不同的 時間 插槽，
我們 做 a 原則 成分 分析。
然後 我們 尋找 這裡 這 記分牌 為了 它。
什麼 你 已經 看 這裡 是 那 在 這 中間 部分， 我們 有 這裡
全部 這 綠色的 點 和 這 綠色的 個， 作為 你 看 這裡 是 這 公認 一
或 好的 部分 被包圍 經過 這 紅色的 點，
這 拒絕 個， 這 錯誤的 個。
和 作為 你 看 也 在 這 例子 這裡 我們 能 停留 和 二 主要的 成分
因為 這 第一的 主要的 成分 封面 已經 98% 的 這 變化
在 這 第二 一， 2% 和 這 其他 一 你 能 忽視。
所以 I 思考 它是 好的 足夠的 到 節省 只是 這 第一的 二 原則 成分。
和 然後 從 這些 二 主要的 成分， 我們 計算 這 T 正方形。
這 方法 T廣場 是 主要的 成分，
一 平方 加 主要的 成分。
二 方塊 會 是 然後 這 T平方 這裡
為了 這 數據 觀點。
計算 這 一 .
所以 為了 每一個 數據 觀點 我們 計算得出，
這 T 方塊 和 帶來 它 在 a 控制 圖表
在這裡，你看 這 控制 限制 計算 僅有的 從 這 好的，
從 這 綠色的 點， 從 這 好的 跑步， 從 這 好的 曲線。
所以 你 看 它 向下 這裡 從 這 移動 範圍。
所以 這 方法， 好的。 這 控制，它 代表 這 普通的 自然的 變化，
什麼 我們 預計 從 這 好的 個。
和 全部 這 非 好的 個， 這 紅色的 一
應該在外面 的 這 政權 這裡。
和 你 看 它是 大多 完畢，
但 不是 為了 這些 二 點 這裡 為了 部分 數位 14 和 部分 數位 15.
所以 他們是 裡面 這 控制 限制。
但 那 是 不是 什麼 我們 想 到 看。
所以 第一的 的 全部 我們 有 到 理解 什麼 是 這些 二。
所以 如果 你 有 a 看 到 這 下一張圖片，
然後 和 強調 只是 這些 二，14 和 15， 然後 我們 看，
“啊，好的。” 赫瑟 是 這 一 這裡
哪個 是 真的 之內 這 政權 的 這 綠色的 個。
這 其他 一 哪個 是 更遠 分開 從 它， 他們 是 容易地 排除
或不排除， 但 讓我們 說 傑出的
這裡 和 這 控制 射擊。
但 這些 部分 是 不是。
所以 什麼 我們 學到了 從 這裡， 那 是 這 主要的 成分 方法
作為 我們 有 完畢 它 這裡 或者 有 完畢 它 在 以前的 次，
那裡 是 不 資訊 關於 這 形狀 的 這 曲線。
它是 更多的 資訊 關於 這 位置 在哪裡 它 是 在 這 Y 規模 這裡。
所以 我們 需要 某物 別的 哪個 需要 關心 關於 這 形狀 的 這 曲線。
所以 什麼時候 我們 經過測試 這 FDE， 這 功能 數據 探索者，
和 這 第一的 好的 訊息 是 你 能 只是 拿 這 長的 桌子 作為 是。
所以 有 不 需要 為了 數據 轉型
或者 帶來 這 不同的 時間 點 在 這 相同的 投幣口 數位 或者 任何。
所以 你 只是 拿 這 生的 數據 作為 他們 是。
也許 你 將要 排除 一些 真實的 異常值 在哪裡 有 這 機器
有 給定 錯誤的 數位 或者 任何。
但 全部 這 其他 東西 你 能 只是 拿 作為 是
和 有時 也許 你 不 想 到 做 它 在 這 轉型左右。
它是 不是 真的 必要的。
和 在 這 案件， 我們 有 只是 採取 這 生的 數據 作為 他們 是。
所以 開始 正在做 一個 頻域擴展 在 這，
我們 看 這裡 再次 我們的 壓力 時間 曲線 作為 我們已經 見過 他們 前。
但 現在 你 看 這些 藍色的 垂直產業 這裡
和 這些 藍色的 垂直產業 代表 這 數位 的 節點。
所以 什麼 是 a 結？
所以 這裡 我們 是 配件 a 樣條線 曲線。
和 這 樣條線 曲線 是， 讓我們 說 如果 你 拿 a 統治者
和 然後 你 想 到 製作 它 更靈活一點
到 彎曲 它 到 全部 這些 不同的 曲線
或者說 調整 它 這 最好的 方式 到 這 數據。
和 這 更多的， 不是 這 統治者 有 這 更多的 靈活的 它 是。
和 所以 這 更好的 你 能 調整 全部 這些 不同的 點。
這裡， 我們 用過的 這些 20 結 事物。
所以 這些 是 20 垂直產業 這裡 和 這裡 和 這 基本的 資訊 標準，
你 看 那 我們 得到 在 全部 不同的 功能。
我們 得到 這 最小 BIC。
和 只是 有 一個 光學的 控制 在 這，
你 看 在 這 降低 左邊， 全部 這 數據 點 分離出來
為了 全部 這 不同的 曲線 這裡 和 和 a 紅色的 線 在 頂部 的 它
代表 這 樣條線 曲線 哪個 我們 合身。
它 沒有 事 如果 這 曲線 是 漂亮的 直截了當
喜歡 這裡 或者 有 更多的 邊緣 或者 任何，
它是 完美 對齊。
所以 只是 從光學角度來看， 它 看起來 非常 好的。
和 你 能 也 查看 那 和 這 診斷 地塊。
為了 例子， 這裡 這 瞎的 曲線，
這 預測 價值觀 是 顯示 相對 這 實際的 個。
和 你 看 他們 是 完美 對齊 大約 這些 45 程度 線 這裡。
和 也 這 殘差， 這 一 是 左邊 和 正確的 這裡
從 這 預言 線， 他們 是 漂亮的 小的，
所以 有 不是 a 很多 的 錯誤 左邊， 哪個 是 不是 代表 經過 這 裸。
因此 合身 看起來 真的，真的 出色的。
所以 我們 有 不是 服用 這 參數 為了 這 分裂，
對不起 為了 這 樣條線 和 做過 a 功能 FDE。
嗯，我 完全地 使困惑 今天。
和 我們 做過 a 主要的 成分 分析 在 這些。
所以 我們 分離 這 特徵值，
哪個 是 這 稱重 因素， 和 這 自己的 函數
為了 每個 的 這些 曲線。
然後我們 能 展示 他們 在 a 記分板。
這裡 這 特徵值 為了 每個 的 這些 曲線。
和 你 看 這裡，
再次 和 這 比克 信用 標準，
你 看 如何 許多 數位 的 功能 原則
成分 你 應該 最佳地 使用。
和 你 看 是 這 最低限度 和 二。
所以 我們 留下來 和 二 再次 作為 這 一 前。
和 現在 我們 有 這 分數 木板，
和 它 看起來 漂亮的 很多 這 相同的 作為 這 一 前。
我們 有 這裡 這 中心 部分，綠色 的 這 曲線， 哪個 是 好的，
被包圍 經過 這 紅色的 個， 哪個 是 拒絕 從 這 專家。
和 現在 我們 已儲存 全部 這些 功能 印刷
和 成分 和 建造 a 丁字尺 陰謀 在 它。
和 這裡 再次， 這 相同的 圖片， 這 正方形。
如果 我們 拿 全部 這 數據 點
到 計算 這 控制 限制， 好的， 然後 除了 這些 二， 一切
是 部分 是 在 控制。
但 這 是 實際上 不是 什麼 我們 想 到 有。
所以 我們 想 到 理解 什麼 是 這 普通的 變化 的 這 好的 一
到 區分 他們 從 這 變化 的 這 非 好的 個。
和 所以 向下 這裡 在 這 第二 陰謀 這裡， 我們 計算 這 控制 限制
僅有的 從 這 好的 個。
和 然後 你 看， 好的， 幾乎 全部 紅色的 曲線 是 外部。
是 出去 的 控制。 但 那裡 是 二。
所以 這 數位 14 和 這 數位 二 這裡 是 再次 直接地 在 這 邊緣。
但 全部 這 其他的 是 清楚地 分開了。
所以 讓我們 有 a 看 在 這 二 和 14 哪個 曲線 這些 是。
和 然後 我們 看 這裡。 啊，好的。
所以 他們 是 真的 不同的 從 這 紅色的 那些，很清楚。
但 也 種類 的 不同的 從 這 多數 的 這 綠色的 個。
所以 這 數位 二， 哪個 是 定義 作為 存在 真的 是 這 一
和 a 更陡峭 坡 這裡 比較的 到 全部 這 其他 綠色的 一 這裡。
和 這 數位 14 是 這 傢伙 這裡，
哪個 是 更多的 或者 較少的 在 這 上 結尾 的 這 政權 的 這 青菜。
所以 明顯地， 這 小的 差異 這裡 在 這 形狀 是 不是
強的 足夠的 到 來 向上 真的 在 這 統計 計算。
但 我們 可以 真的 排除 這裡 這 這傢伙
從 這 其他的 和 a 強的 邊緣 這裡。
和 也許 這 一 如果 這 專家 會 有 a 看 到這個
第二 時間 或者 也許 它 會
有 拒絕 它 因為 它是 也 陡 a 坡 或者 任何。
所以 這些 是 邊界 牙髓保護層, I 會 說 在 兩個都 案例 這裡
和 這 統計 方法 但 也, I 猜測 和 這 手動的 方法。
但 我們 可以 清楚地 探測 數位 15， 哪個 是 這 一 這裡 在 這 中間，
作為 存在 a 非 普通的 行為 和 這 工具。
所以 你 看， 這 頻域擴展 有 也 一些 限制。
但 全面的， 在 添加 到 這 標準 主成分分析 方法，
它 來 向上 和 這些 形狀 資訊 的 這 曲線。
和 這 是 也 部分 的 區分 在 a 控制 圖表
如果 曲線 或者 a 測量 是 通常情況下 變化 或者 是 它 不是 普通的 不再。
到 結論 這些 事物， 這 標準 主成分分析 方法 合併
和 這 丁字尺 分析 或者 控制 圖表
是 好的 為了 偵測 這 位置 的 這 曲線
和 區分 他們 從 曲線 哪個 是 不是 在 這 政權。
但 作為 我們 有 看到， 它是 缺乏 如果 這 形狀 的 這 曲線 是 的 重要性。
和 和 這 頻域擴展 方法， 再次， 合併 和 這 丁字尺 分析，
第一的 的 全部， 它 需求 很多，很多，很多 少一個 啟動 準備。
但 在 頂部 的 那， 它是 好的 為了 檢查 這 位置 作為 這 多於，
但 也 因為 它 有 形狀 資訊 的 這 曲線。
它 是 也 包括 那 在 這 好的 非善 理解。
在 我們的 工作， 我們 停止 在 這 觀點，
但 主要是， 你 能 建造 a 種類 的 自動的。
如果 你 使用 這些 曲線 或者 這些 主要的 成分
和 這 資訊 的 好的 和 壞的， 你 能 自動化 這 好的 和 壞的。
但如果 你 有 a 模型 在後面 哪個 預測 你，
然後呢 你 將要 看。
但 我們 沒有 完畢 那。
我們 停止 這裡 在 這 丁字尺 圖表 到 理解
這 變化 和 什麼是 變化 更多的 比 普通的 變化。
感謝 你 非常 很多 為了 你的 注意力。
和 如果 你 有 問題， 我是 打開 到 回答 他們 現在。
感謝 你。
