756810_zh-CN

liliconcom

利用JSL通过织构性质对共价有机框架进行分类的现代方法（2021-US-30MP-874）

Michael Nazarkovsky，里约热内卢天主教大学（DQ PUC Rio）化学系
Felipe Lopes de Oliveira，里约热内卢联邦大学化学研究所 (IQ UFRJ)

共价有机框架（COFs）是一类新兴的晶体有机纳米多孔材料，其设计采用自下而上的方法，通过共价键将一个或多个结构单元连接起来。由于结构单元种类繁多且数量庞大，因此可以合成大量的不同COFs。鉴于此，开发能够指导新材料合成的机器学习技术至关重要。本研究选取了590个结构，并采用密度泛函理论（DFT）和巨正则系综蒙特卡罗方法计算了这些结构对CO₂或H₂的吸附和捕获焓。此外，还尝试构建分类模型。

在本研究中，我们使用JSL（JMP Pro 15）中编写的无监督（层次聚类、PCA）和有监督（多元逻辑回归、朴素贝叶斯、K近邻、支持向量机）方法对结构进行分类。COF被分为二维和三维两种类型。为了避免训练/验证比例失衡（80%/20%），我们选择最大的聚类进行有监督机器学习，并根据结构对数据进行分层（62.9%为二维，37.1%为三维）。所有模型均成功实现了基于纹理属性的二维/三维分类，验证准确率达到100%。此外，我们还比较和讨论了其他指标，例如熵R²、广义R²和均值-log(p)，以选择最优模型。

自动生成的成绩单……

扬声器	文字稿
乔什·斯汤顿	迈克尔。
迈克尔·纳扎尔科夫斯基	嗨，乔希，稍等片刻。
	好的。
迈克尔·纳扎尔科夫斯基	哦，不不，它运行良好。
乔什·斯汤顿	很高兴能看到你，谢谢。
迈克尔·纳扎尔科夫斯基	当你。
	在我们等待菲利皮的时候，他说他是第一个，所以我10分钟前刚和他聊过，所以你现在正在录音，是的。
乔什·斯汤顿	是的，它开始录制了，我们把这部分剪掉就行了。
	等我们大致过一遍，菲利普加入后，还有一些问题需要解答，然后我会把镜头交给你们，关掉我的摄像机和我儿子的，让你们来主持。感谢你们做这件事，我们非常感激。
迈克尔·纳扎尔科夫斯基	哦，非常感谢，真的，当他们收到有关可能参与机会的消息时，我感到非常惊喜。
	在这个活动中，或者更确切地说是三到五次，或者说我是如何知道这件事的，去年我参加了去年十月的课程，它给我留下了深刻的印象，哦我的天哪，课程阐述了很多很好的主题，所以我决定今年不要错过这个机会。
乔什·斯汤顿	是啊，太棒了。
	嗯，你知道，很遗憾，今年只能线下举办了，但是，我们仍然有一些很棒的内容。
	希望将来我们能带您参加我们举办的线下探索活动，这些活动总是非常有趣的。
迈克尔·纳扎尔科夫斯基	哦，是的，希望如此。
	我从去年年初开始用果酱，也是从穿睡衣开始就一直用果酱。
	是的，是的，所以很快很简单，我想说就是这样。
	是的，疫情或我取得的成功实际上很多，或者说作为其中一个结果，你现在将在本次演示中看到。
	甚至开始发表关于这方面的文章，实际上目前，我想，我也是三篇文章的合著者，而且我很清楚，我参与了 JMP。
	快点。
乔什·斯汤顿	一切美好的事物。
	快速学习，专为你打造。
迈克尔·纳扎尔科夫斯基	当然，这对于统计思维非常有帮助。
	嗯，就是这样。
	是的。
乔什·斯汤顿	我们以前一直使用开源软件来进行分析。
迈克尔·纳扎尔科夫斯基	你是说开源软件吧。
乔什·斯汤顿	之类的。
	将其简化为他人的。
迈克尔·纳扎尔科夫斯基	啊，不，不，不，不，不，你知道我开始学习Python，但是你知道吗。
	我的意思是克服学习中的一些困难。
	我是化学家，也是物理化学家，实际上我正在使用所有这些东西进行化学材料科学研究，正如你现在将看到的，是的，所以我决定从 Python 切换到 MathLab，同时继续使用 Pro Six Road，以便在那里取得进展，因为。
	Jeff 中用于 Metalab 的机器学习界面对于科学家来说已经绰绰有余了。
乔什·斯汤顿	是的，是的，听到这个消息真好，我很高兴你接受了它，并且做得非常出色，这太棒了。
迈克尔·纳扎尔科夫斯基	好吧，让我，让我给菲利皮发个短信。
	哇哦，怎么回事？他大约一个小时前遇到了网络问题。
	好的好的。
	他正试图进入。
乔什·斯汤顿	他还没进去呢。
	奇怪的。
乔什·斯汤顿	实时。
	所以你不需要输入任何密码，只需点击链接就能直接进入，没错。
迈克尔·纳扎尔科夫斯基	嗯，我刚才把链接发给他了，但我记不清是否需要密码了。
乔什·斯汤顿	你不应该有生意。
迈克尔·纳扎尔科夫斯基	事情就是这样，他马上就要给我发短信了。
	哦。
	哦，是的，问题是 Zoom 现在又遇到了网络问题。
	哦。
迈克尔·纳扎尔科夫斯基	我们还有一小时时间。
乔什·斯汤顿	他现在就加入。
迈克尔·纳扎尔科夫斯基	哦，太好了。
	是的。
费利佩·洛佩斯	你好。
迈克尔·纳扎尔科夫斯基	你好，你终于成了英雄，所以你开始演讲了，乔希正在等我们，所以我们时间还算充裕。
费利佩·洛佩斯	是的，随时都可以。
乔什·斯汤顿	当然，一定有那么一段时间，我的意思是，就是那个时候。
	很高兴认识你，我叫……
	乔希，我的意思是，我没有。
	请看录像机，我这就问几个问题，然后，等我们问完之后，我就把镜头交给你们，关掉我的摄像机，你们可以拿走，我们会把这部分剪掉。
	好的。
	虽然现在录下来也挺有意思的，但我们之后会把那部分剪掉。
	有两件事。
	对，大概是这样。
	所以很显然，我们有来自里约热内卢天主教大学的迈克尔，他是洛佩兹·德拉维耶哈。
	里约热内卢联邦大学，你们接下来要去那里。
	水流方法和柯克兰分类或通过纹理属性获取框架，使用 jail cell 2021 dash us desk 30 MP dash 874，这听起来正确吗？
费利佩·洛佩斯	是的。
迈克尔·纳扎尔科夫斯基	好的，全名。
乔什·斯汤顿	是的，全名好了，你们现在知道了。
	请您理解，本次会议录像将用于 JMP Discovery Summit Conference，录像内容将公开提供给 JMP 用户社区。您是否允许我们进行此次录像和使用？
费利佩·洛佩斯	是的，我愿意，谢谢。
迈克尔·纳扎尔科夫斯基	好的。
乔什·斯汤顿	迈克尔，你没事吧？
	当然。
	是的，这里有点像个比喻。
	听起来你们好像有……你们有吗？
	你的手机好像关机了，就像我一样，或者诸如此类的事情。
迈克尔·纳扎尔科夫斯基	摧毁，没错。
	任何可能干扰我的东西，我都会关掉一些老旧的声音，记住这些要求，乔治，请在录音过程中告诉我，我是说在录音结束后告诉我，你会听到相关的内容，否则整个录音就会像那样。
乔什·斯汤顿	是的，所以它会直接通过。我想即使过程中出现了一些问题，他们也不会进行任何剪辑。
	发生了灾难性的事情，我们可以从头再来，但我认为他们会让你直接通过，别担心，你知道，嘿，我们都是人，对吧。
	你犯了个错误，试着继续前进吧，没有人会这么做，这不需要完美，对吧？统计数据也不完美，所以你也不需要完美，但是，是的。
	前进。
费利佩·洛佩斯	不。
乔什·斯汤顿	对不起。
	这样可以吗，迈克尔？听起来可以吗？
迈克尔·纳扎尔科夫斯基	是的，一切都很好，一切都很好。
	是的。
乔什·斯汤顿	我们刚才看到的最后一幕。
	好的。
	是的，已经可以了。
	好的，就只有任务栏。
	现在我要去了。
	你们还有其他问题吗？还是已经准备好开始展示了？
	是。
迈克尔·纳扎尔科夫斯基	是的。
	嗯，大概是吧。
费利佩·洛佩斯	Michael，请帮我共享屏幕，你如何共享你的屏幕？
迈克尔·纳扎尔科夫斯基	你是哥哥吗？
	但是，乔希，从技术上讲，如果我们轮流分享屏幕，应该没问题。
乔什·斯汤顿	是的，你知道，那样没问题，嗯，就是这样。
	请确保你清楚地知道要快进幻灯片，并且不要落后太多。
迈克尔·纳扎尔科夫斯基	是啊，但是。
乔什·斯汤顿	是的，当然，你们知道吗？
迈克尔·纳扎尔科夫斯基	我们会做的，他们的整个演示文稿都一样，我们所有的部分都在一起，所以我们只需要依次进行，没问题，谢谢。
乔什·斯汤顿	好的，太好了。你们以前用过 Zoom，知道怎么共享屏幕吗？
	是的。
费利佩·洛佩斯	只是在为接下来的冲刺做准备。
	放上这个。
	是的。
乔什·斯汤顿	喜欢你的背景。
费利佩·洛佩斯	我现在正在共享右屏。
迈克尔·纳扎尔科夫斯基	太好了，一切都很好。
费利佩·洛佩斯	是的。
	问题出在表达方式上。
	因为我正要打开屏幕，有时却打开了错误的屏幕，然后就吐了。
迈克尔·纳扎尔科夫斯基	一切都很完美。
乔什·斯汤顿	看起来很棒，我要关掉我的。
	我现在拿着相机，不过我会把它交给各位先生，再次感谢。
	我想，如果他们愿意，我们可以在最后谈谈。
迈克尔·纳扎尔科夫斯基	真希望还能再见到你，乔希。
乔什·斯汤顿	好的，保重。
费利佩·洛佩斯	大家好。我叫费利佩·洛佩斯·德·奥利维拉，来自里约热内卢联邦大学，今天我和迈克尔一起向大家展示这项工作。
	来自里约热内卢天主教大学的纳扎尔科夫斯基教授。今天，我们将介绍他的研究成果：《利用JSL软件，基于织构性质对共价有机框架进行分类的现代方法》。
	因此，共价有机框架是一类新型材料，仅由碳、氮、氧、氢和硼等轻元素组成。
	它们是有机的、结晶的、纳米多孔的，在网状材料中具有很高的稳定性。这意味着构成这些材料的化学键遵循由网络拓扑结构决定的明确的几何模式。
	在这张图中，我展示了一个HCB型晶格的例子，它由周期性连接的三角形和杆组成。
	形成扩展网络。这些三角形和棒状结构代表分子，分子可以……也就是我们所说的构建单元，它们通过共价键结合，形成扩展结构。
	具有这种几何特征的类型有很多种。
	可作为构建单元的分子几何形状，以及我们用来连接它们的几种化学键类型。
	这样，就可以形成具有极其特定特征的结构，例如我们可以按顺序控制的内部物理、化学特征的结构。
	我们可以将这些基本元素视为乐高积木，不同的积木可以用来搭建具有独特特征的各种结构。
	在这张幻灯片中，我展示了可用于构建二维和三维共价有机框架的不同拓扑结构。
	以及构建这些网络所需的每个组成单元必须采用的格式。右侧，我展示了一个共价有机框架（COF）晶体结构模型的示例。
	借助一个 ??? 网络，未来将用于计算感兴趣的性质。可以看出，该格式形成了一种由二维共价层构成的结构。
	这些图层堆叠起来，相当于地理学的第三维度。
	由于其令人难以置信的调控能力，COFs可用于多种极具吸引力的应用，例如非均相催化、能量生产和存储。
	有机半导体、化学传感、隔热、气体捕获和存储等领域。然而，由于其更大的模块化特性……
	这种更大的模块化也可能是一个问题，但这些材料的开发确实非常复杂。
	它们通常利用化学直觉和现有分子相结合的方法开发而成。
	经过多次合成和表征步骤，并重复使用高 ??? 值的材料，最终获得了这种材料。该材料已被开发……
	这种材料的研发非常耗时、昂贵，而且需要多达20名专业人员参与。有时，所有这些努力也未必能带来……
	并不能得到具备所需特性的材料。为了解决这个问题，我们……
	为了解决这个问题，我们提出了一种简单且计算方法的研究这些材料，从而尝试加速它们的开发。
	我们最初使用结构数据库，现在使用经过整理的 COF，该数据库汇编了文献中合成和提出的几种结构。
	然后我们使用一些构建程序来生成数值，以验证这些结构并确保一切正常。接下来，我们使用基于密度泛函理论（DFT）的方法。
	我们使用名为CP2K的电子结构计算软件来优化结构中原子位置的自相关参数。然后我们使用名为ZEO++的软件。
	它对孔隙进行几何分析，并计算孔隙内 ??? 网络形成的百分比匹配度。
	然后，它会为选定的成本确定一组结构描述符。这是我的同事 Michael 使用 JMP 软件编写的一个脚本，用于执行几个非常有趣的分析。
	这里我展示的是我们使用的主要结构。首先是结构ID，它本质上是对结构名称的一种分类。
	接下来是 LIS，即大内含球，它能提供材料孔径的信息。
	我们有LFS（大自由球）和LSFP（大球自由路径），其中……它基本上与大包含球相同，但可以编码信息……
	孔径差异受孔内多种功能化修饰的影响。我们还有比表面积（SSA）和比体积（SSAV），单位分别为平方米/克和平方米/体积单位。
	AVF 是可及体积分数，表示材料中由孔隙构成的部分；Vp 是孔隙体积。
	然后，我们还有 N(chan)，它是可访问通道的数量。
	图中我展示的是一个只有一个通道的结构，但三维材料可以有多个可通行的通道。
	我们有 ChanDim，它表示通道的维度，可以是 1D（如本结构所示）、2D 和 3D。通道尺寸，基本上有时是指孔径，但对于某些结构，其值可能会略有不同。
	现在，迈克尔将谈谈部分结果。
迈克尔·纳扎尔科夫斯基	是的，非常感谢。费利佩，非常感谢你如此精彩的介绍，接下来我们将专注于数据分析和数据科学。现在轮到我分享屏幕了，好吗？好的，我现在就来演示一下。
	完美。好东西。
	好的，那我们从第二部分开头开始。现在是时候分析费利佩获得的这些……这些……数量如此庞大的结构数据了。
	稍等片刻。好的，很好。首先，比如说，在进行任何分析之前，他们需要检索数据并排除一些错误的结构或一些无关的数据。
	并进行筛查以检测缺失值。在分析和筛查过程中，未检测到任何缺失值。我们还发现，在……之后
	数据可视化显示，绝大多数可用结构被分配到超过 85% 的结构中，而 15% 的结构则全部被分配到 3D 结构中。因此，从一开始，我们就面临着一个不平衡的数据集，需要进行预测。绝大多数
	通道被分配给一维
	通道数量更多……超过 80% 的通道属于 3D 维度，近 17% 的通道属于 3D 维度，不到 2% 的通道属于二维维度。
	此外，所有这些通道都是各向同性的，这意味着它们在所有方向（X、Y 和 Z）上都是相等的，这反映在数据三维 3D 图上。
	如果我们把所有数据分配到不同的结构中，比如二维和三维结构，我们可以看到一维和二维结构占据了绝对多数。二维结构的数据占比超过90%，而三维结构的数据占比也相当高。
	3D，我指的是三维通道。超过60%的通道都被3D结构占据，不过，这已经相当可观了……数量相当多。
	3 也被 2D 结构所采用，因为它们具有更高的值，例如 85%。
	为了避免这种情况，为了避免这种不平衡
	在这种情况下，我们正在进行一些无人监管的
	结合监督学习方法，机器学习
	数据准备完成后，我们首先要做什么？在这些分析中，首先是进行多元分析以检测共线性。
	以及参数之间的相关性。因此，我们可以看到前三个参数（LIS、LFS 和 LSFP）高度相关，因此可以互相替代。然而，这种特性在主成分分析 (PCA) 中非常重要。
	（主成分分析）。因此，在进行层次聚类时，我们只选择了其中一个参数。
	对于通道尺寸为 X、Y 和 Z 的情况，我们的各向同性含义相同。
	决定保留所有这些结构，因为这与二维化合物的天然结构密切相关……二维化合物……关键 COF 的化合物结构。
	由于结构数量众多（近 500 个），我们决定从中选取 13 个聚类，这些聚类可能更具意义和相关性，并根据比例或从所有聚类中选取的比例进行分析。
	平均值
	参数如表格所示。
	我们可以看到，在数字13之后，紧接着是另一个巨大的数字。
	减少聚类……聚类距离，所以这就是为什么我们假设聚类数量为 13 的原因。我们从中选择了最大的聚类，即聚类 #7，它包含……128 个元素。
	二维结构样本，因此将用于后续的分类。
	反过来，3D结构，我该怎么说呢……我敢说它们已经是相同的了。我们仍然观察到LIS、LFS和LSFP之间存在高度相关性，所以这也是为什么
	聚类提取的条件与二维情况相同。但是，由于聚类数量较少，我们决定只提取七个聚类。然而，为了至少保留四个聚类，我们从这七个聚类中提取了四个。
	二维和三维的比例越来越接近相等。但实际上它们并不相等。
	但是，正如您将在下一张幻灯片中看到的那样，它将比 85 比 15 要好得多，更加平衡。
	通过比较两张关于参数变异性的表格，我们可以看出，在两种情况下，最后四个参数都导致了各自组内结构变异性的增加。体积裂缝……分数……抱歉，
	总孔隙体积和两种比表面积都处于同一水平，它们共同导致了不同结构之间较大的差异。正如我所说，我们得到的较少……
	最终两个结构之间的差异越来越小。
	验证……训练验证集根据从……获得的结构构建并分层，取自最大的聚类且分布良好。
	让我们从逻辑回归开始，因为它是最简单的参数分析方法。在剔除最不相关的因素之后……
	我们只保留了总孔隙体积和孔隙率这两个变量。
	它们之间也高度相关，例如
	很大一部分相关性确实存在。然而，正如你所看到的，这需要大约相同的对数价值，所以这意味着我们不能排除这种可能性。
	例如，体积分数……之所以用分数，是因为我曾经做过一次测试，结果发现体积分数不足会造成显著影响。
	验证集的误分类率为 20%。相比之下，我们在验证集中实现了完全正确的分类，每个组都得到了正确的归属，没有出现任何误分类。
	而且训练集中的误分类率非常低。其余的指标……模型性能的衡量标准将在最后进行更详细的讨论，届时我们将比较所有模型的性能。以及它们各自的
	用于预测概率的方程，预测的结构，创建并给出，获得并给出……都呈现在本幻灯片上。所以让我们继续。这就是为什么，在接下来的……
	在建模过程中，我们仅使用了这两个参数……这两个参数用于预测两种结构（二维或三维），因此，采用最近邻算法作为非参数模型，获得了最佳结果。
	指标……在 1K 分辨率下性能和验证效果最佳，因此只需一个邻居即可识别并分配……以识别结构。正如我们从图中看到的……
	我的意思是，总孔隙体积和孔隙率，抱歉，所以我们可以看到
	对于二维图像，这种结构的浓度更高。
	非常
	它们集中在一个点上。然而，与 3D 空间不同，它们分布得相当分散。因此，我们需要比较它们之间的距离。在幻灯片的右侧部分，您可以看到相邻元素之间的最大距离与以下因素有关：
	验证集和训练集中都使用了 3D 结构。因此，我们也可以使用这种非参数模型……只需这两个参数，即可应用单一的非参数模型进行归因分析。
	此外，二次判别分析在验证集中实现了零误分类，在训练集中误分类率也低于5%，仅有8个样本被错误分类。所以它非常简单……这一点在混淆矩阵和平行图上都能看出。
	以及其他部分……
	其余参数将在后续章节中描述……稍后会讨论，因为这个模型有一些技巧……它将……
	更有趣的是……最终会如何……我们拭目以待。朴素贝叶斯是另一个参数化但非常简单的模型，也实现了零误分类。所以情况变得相当激烈……非常激烈。
	正如我们在这里看到的，这两个参数的影响几乎相等。
	总孔隙体积的总效应接近 0.88，体积分数的总效应接近 0.8，因此它们对分类任务的贡献几乎相等。
	此外，还构建了用于预测的简单图表。
	支持向量机尚未得到充分验证，但其性能同样出色。我们可以看到，仅使用了 64 个……抱歉，应该是 46 个向量就构建出了这样一个模型，最终实现了零误分类。还有一些
	训练中的错误分类率为 6%，而且错误分类率最高的是 3D 模型，它们被错误分类了。
	好的，我们继续。最后，我们来到了一个结合了无监督和监督方法的复杂模型——无监督主成分分析（PCA）。在这种情况下，我们考虑了所有……
	我们构建了定量连续参数，包括所有参数，甚至包括那些彼此高度相关的参数。
	PCA 的图表和图形。我们可以看到，两个主要成分的值分别为
	根据凯撒规则，如果存在多个分量，这意味着此时我们还有一个接近于1的分量，即第三个分量，但我们不会将其纳入预测模型。我们只会使用前两个分量。
	当这些特征值大于 1 时，有趣的是，我们可以看到，在第一主成分（即能够描述近 66% 案例的主成分）中，这些特征值包括：
	假设有 LIS、LFS、LSFP 和通道……通道参数，也就是 X、Y 和 Z 方向的尺寸。所以这就好比，假设有 ??? 个通道，??? 个通道集。
	第二个组成部分，也就是第二个主要组成部分，可以用比表面积和孔隙率来描述。这是一个纯粹的织构参数。
	因此，正如我们所看到的，即使在这里，我们也观察到了这样的认证差异，并且可以就这两个参数对预测的贡献得出结论，在本描述中。
	结构。因此，在仅使用这两个主成分构建逻辑回归之后，其公式将在……我们的出版物中给出，在随后的论文摘要中给出，我们将在本次峰会的范围内提交该论文。
	显然，这里我们也得到了零误分类率，训练过程中的误分类率也非常非常低，低于 1%……而之前的模型并没有出现这种情况。所以现在我们来到了最重要的部分。
	有趣的部分，关于我们的结论
	总结
	模型。因此，正如我们所见，我们通过训练集的误分类来总结，这显然是因为我们在训练集中得到了一些值。我们可以看到逻辑回归……回归模型
	就像简单的基于主成分分析（PCA）的方法一样，这里图表顶部的分类错误率最高，验证判别分析的结果也最高。然而，
	我们在这里可以说的是，我们拥有的所有错误分类数组或准确率作为参数的反义词，我们应该与其他指标进行比较。
	所以我们可以看到，很好，其他指标也显示出更高的值，这说明判别分析具有优势。但如果我们仔细观察一下，
	我们将会看到……每个人都会发现这些指标之间存在巨大差异，即使是误分类率，验证集和训练集之间也存在差异。因此，我们可以……
	你知道，我们遇到了一些过拟合或欠拟合的问题。在这种情况下，我们主要处理欠拟合，因为指标失效比过拟合更好。
	用于训练。通常情况恰恰相反，是的，大多数……大多数情况都与过拟合有关，即训练模型过度拟合数据，导致验证集指标变差。这里的情况完全相反，所以这就是原因。
	这些指标，如熵 R 平方、广义 R 平方和平均对数 P，以及误分类率，
	我们分析了……我们分析了这四项指标的差异，这就是我们选择最佳方案的原因。如前所述，判别分析显示出最高的
	然而，就性能质量而言，与其他指标相比，训练验证指标之间存在着最大的差异之一。请记住这一点。
	验证结果全部为零，这意味着我们可以选择几乎所有
	每个指标都达到了最佳平衡，其他指标也同样如此……验证集和训练集之间的指标差异。例如，我们在这里可以看到最低的……
	错误分类率与熵 R 平方之间的最小差异归功于逻辑回归与 PCA 的结合。
	另外两个指标，例如广义差异……观察到的广义 R 平方和平均对数 P 的差异
	对于支持向量机，我们不能选择这种模型。然而，对于朴素贝叶斯，我们不能选择这种模型，因为至少在两种情况下……
	参数方面，它们之间存在非常大的差异。所以这就是原因。
	我们可以假设，为了获得最佳性能和最准确的结果，建议使用基于主成分分析（PCA）的逻辑回归模型；此外，还可以选择使用支持向量机作为另一种预测二维和三维结构的模型。更多详情及更多信息
	具体方法将在我们计划两周内提交的论文中阐述。
	并发布在 JMP 社区网站上。非常感谢，能做这样的演讲我感到非常荣幸。我也要特别感谢来自以色列耶路撒冷希伯来大学的同事 David Kirmayer。谢谢大家的聆听。
乔什·斯汤顿	好吧。
	谢谢各位先生。

高级统计建模自动化和脚本编写基础数据分析与建模消费者和市场研究内容组织实验设计预测建模和机器学习质量与工艺工程可靠性分析