你好， 我的 名字的 史蒂夫 麦克斯韦。
I 是 一个 工程师。
I 工作 在 这 半导体 行业。
今天， 我是 去 到 给 a 推介会 在 如何 I 使用 JMP
在 这 建筑 的 这 图像 分析 管道。
A 小的 少量 的 背景 在 这 问题。
二 的 我们的 模块 组 在 我们的 设施
跑了 进入 一个 问题 和 a 特征
那里 曾是 侵蚀 在 这 侧壁 的 这 特征。
这 作为 系统 那 我们 用过的 到 措施
这 尺寸 的 这 特征 不是 检测 这 特征，
和 它 没有 有 这 能力 到 表征 这。
它是 一个 较老 片 的 设备， 但 这也是 有薪酬的 为了 所以 我们 喜欢 它。
这 方法 那 I 受雇 到 帮助 他们 出去
曾是 到 建造 a 分离 分析 管道 到 分析 图像，
分类 图片 那是 拥有 是否损坏 ,
和 它 生产 a 公制 那 可能是 发送至 SPC 系统 为了 追踪目的。
I 使用 JMP 主要 到 分析 数据，
到 建造 a 模型 系统 部署 和 制造业，
作为 出色地 作为， 更多的 最近，
整合 一些 的 这 实际的 图像 分析 进入 JSL。
患病的 展示 一些 示例 的 那。
这 是 a 样本 的 什么 它 是 那 是 寻找 在。
这 是 a 好的 图像 这 左边- 手 边，
和 这 是 a 坏的 图像 在 这 右手边。
我们 能 看 这里 这 喜欢 变化 和 侵蚀。
那是 什么 我们 是 寻找 为了 在 这些 图像。
我们 可以 看 从 这里 那 这 测量，
哪个 是 完毕 在 这 里面 的 这
不会 真的 重置 到 这些 特征 落地 在 这 相同的 点 每一个 时间。
是 不是 有能力的 到 只需使用即可 我们的 普通的 方法。
这 是 a 小的 少量 更多的 细节 关于 什么 我们 是 看到。
这 是 一个 例子 的 什么 一些 的 那 数据 看了 喜欢
如果 我们 可以 看 从 这里 那 尽管 这 过程 曾是 拥有 问题，
我们 是 不是 检测 它 和 这 测量 那 我们 是 使用。
我们推出了 进入 一个 方法 到 地址 这 问题。
I 使用 这 标准 提取、加载 (ETL) 格式 为了 大多数数据 科学 问题。
提炼， 转换， 加载。
I 得到 到 休息 它 进入 四个类别，
配置， 收集， 分析 和 报告。
配置和 收藏， 标准 方法。
分析， 那是 这 钥匙 到 这。
那是 如何 我是 再处理 这 图片
和 然后 提取 指标 为了 那些 图片 那 我们 能 使用 到 建造 a 模型
到 决定 无论 或者 不是， 我们 可以 探测 这 问题 在 手。
这 方法 为了 那 分析 是 到 转变 这 图片 从 RGB，
哪个 是 来 离开 在 这 系统， 这 测量 系统，
和 转变 那些 到 灰色的 规模。
然后 图片 是 裁剪， 消除 任何 测量 细节，
一切 喜欢 那 出去 的 他们。
然后 这 下一个 步 是 到 申请 中位数 到 这些 图像。
这 原因 为什么 做 那 是 是 去 到 模糊 这 图片
和 消除 一些 的 这 噪音 出去 的 这 图像。
这 是 a 钥匙 步 为了 图像 分析 和 图像 加工。
这 方法 曾是 用过的 作为 一个 实验 方法 不同的 核心 尺寸，
不同的 核心 形状， 但 在 这 结尾， 是 已解决 在
使用 a 磁盘- 形状 核心 和 a 像素 半径 的 喜欢 5、7 , 10， 和 15 像素。
为了 那些 那 是 陌生 和 那 术语，
核心 是 基本上 只是 一个 大批
那是 用过的 到 恶化 图像 什么时候 你是 对其进行重新处理。
后 那 曾是 完毕，
萃取 的 这 指标 从 这 再加工 图片 曾是 发达，
用过的 一些 不同的 标准 指标，
结构相似性 指数， 均方误差， 香农 熵，
然后 a 很少 不同的 像 高斯 版本 的 SSIM，
作为 出色地 作为 寻找 在 这 方法 的 这 标准 偏差 的 这
SSIM图像 渐变 从 这 高斯 加权 图像。
从 那里，用过 维度 减少 技术
到 提炼 哪个 的 那些 指标 曾是 最多 相关的，
到 尝试 和 建造 a 模型，一个 预测 模型
和 然后 转变 那 进入 一些 其中 公制
那 可以 是 容易地 解释 在 这 制造业
尽管 跑步 生产。
一 的 这 后续行动 在 这 是 什么时候 正在做 这 公制 提取，
这 参考 图像 漏洞 这 图像 那
用过的 a 核心 和 a 像素 半径 在 五，
和 然后 这 7、10和15 核心 半径 是 准备好 到 那 图像。
这 节目 a 小的 少量 更多的 细节 关于
什么 这 分析 管道 方法 看起来 喜欢。
这 离线 方法， 我们 开始 和 这 图像 获得。
明显地， 这 是 完毕 期间 这 制造业 过程。
后 那， 最初， 这 工作 曾是 完毕 Python，
哪个 曾是 到 转变 这 灰度 庄稼， 的 噪音， 这 图像，
和 然后 特征 一代 公制 萃取， SSIM，
意思是 正方形， 熵， 计算， ETC。
JMP JSL 有 a Python 包装器 那 你 能 使用 为了 一体化。
什么是 伟大的 是 你 能 实际上 移动 a 很多 的 这 代码
在 到 这 跳转 环境。
患病的 去 进入 a 小的 少量 更多的 细节 关于 什么 那 是
和 如何 I 使用 它 帮助 速度 这 过程 沿着。
这 最终的 成分 的 这 曾是 到 发展 a 质量 公制。
这 是 非常 JMP密集型 步 作为 出色地。
然后 一次 a 公制 是 决定，
你 移动 那 超过 进入 一个 在线的 过程
在 哪个， 这 制造业 数据 是 分析，
然后 信息 是 推 到 a 统计过程控制 系统。
A 小的 少量 更多的 关于 Python/ JSL 一体化，
这 融合的 Python 分析 代码 进入 JSL 使用 Python/ JSL 包装器。
这 数据 转移 发生 经过 转换 联合监测计划 桌子 进入 熊猫 数据 框架。
这 数据 框架 是 已通过 在 一个 分析 代码。
这 结果 是 返回 从 Python 到 跳转 作为 a 数据 桌子。
什么是 伟大的 关于 这 是 它 启用 使用
常见的 图像 分析 图书馆 例如 skimage、scipy、PIL， OpenCV , ETC，
到 履行 这 工作 尽管 保持 这 数据 之内 这 JMP框架。
这， 在 我的 观点， 曾是 钥匙 因为 我是 不是 移动 数据
从 一 系统 或者 一 平台 到 其他 平台 和 后退 和 向前。
I 曾是 有能力的 到 保持 它 全部 在 一 点。
这 是 a 小的 少量 更多的 细节 关于
什么 这 分析 管道 是 正在做 什么时候 它是 再处理 这 图像。
这 是 什么 I 曾是 有能力的 到 移动 从 只是 跑步 慢慢地 在 Python
到 整合 它 进入 JSL 使用，让我们 说， Python 图书馆。
你 能 看， 这是 a 坏的， 这是 a 好的。
我们 裁剪 这 图像 仅 展示
仅有的 拿 基本上 这 成分 的 它， 转变 它 到 灰色的，
和 然后 申请 中等的 过滤器 到 模糊 这 图片 和 不同的 核心 尺寸
就像你 能 看 作为 我们 增加 这 核心 尺寸，
他们 变得 a 小的 少量 模糊。
什么 I 想 到 显示外卖 这里 是 为了 a 好的 图像， 你 能 看
这 核心 和 磁盘大小 5 对 7 对 10 相对 15，
看 漂亮的 相似的 到 一 其他 .
然而 磁盘 5，磁盘 7、 磁盘 10、磁盘 15， 在 a 坏的 图像，
你 能 看 那 经过 时间 你 得到 到 磁盘 15，
这 图像， 或者 核心 尺寸 15，
这 图像 是 开始 到 看 相似的 到 这。
经过 移除 这 噪音 从 这 图像，
和 然后 去噪 这 图片 逐步地
使用 不同的 核心 尺寸。
钍 是什么使 我们 到 成功地 提炼 指标
那 我们 能 使用 到 区分 之间 这 好的 相对 这 坏的。
对不起， 抓住 在 这里。 让我 去 后退 向上。
在 这 观点， 我是 去 到 发射 演示 那 节目
如何 我是 移动 这 数据 进入 跳转
和 然后 什么 它 看起来 喜欢 作为 它 基本上 再处理 这 东西。
如何 I 做 那 是 这 第一件事 I 需要 到 做 是 I 需要 到 建造 a 数据 桌子。
它是 a 伟大的 特征 在 JMP 中，
你 去 到 文件， 进口 多种的 文件 这里。
然后 什么 我已经 得到 是 我已经 得到 基本上 a 样本 放 只是 五 图片
那 我是 去 到 结合所有 一起 进入 一 数据 桌子。
什么 它 做 是 它 实际上 进口 这 图片 作为 出色地 作为 这 图像 文件 名字。
你 去 这里， 点击 那 文件 柱子 姓名， 点击 进口，
和
什么 我们 得到，
是 这。
我们 得到 一个 图像 的 我们的 图片 那 我们 想 到 分析。
我们 得到 a 文件 姓名 标签 下一个 到 它。
我们 得到 这 数据 导入的图像。
现在， 这 下一个 步 是 到 跑步 我们的 分析 代码
反对 每个 的 这些 图片 和 开始 提取 指标。
我已经 得到 一个...
修改的 版本 的 那 代码 这里。
这 方式 这 代码 作品 是
有 a Python 初始化 那 发生 JSL。
进而 一次 那是 完毕，
这 数据 桌子 那 你 想 到 分析
是 过去的 八 到 Python 作为 a 数据 框架。
在 那 观点 在下面 这 Python 提交，
基本上， 你 转变 超过 到 Python 代码。
进而 你是 使用 标准 方法，
标准 编码 程序 为了 Python
和 分析 这 图像， 作为 你 能 看 这里，
我们有我们的 图书馆 进口， ETC。
如何 高的 这 代码 曾是， 基本上 到 寻找 a 束 的 功能。
然后 那些 函数 将要 返回 一个 输出
那 会 基本上 得到 额外 后退 进入 这 数据 框架
那 是 推 后退 出去 到 跳转 进入 这 数据 桌子。
那是 完毕 经过 使用 这 lambda 函数，
日 是 λ 功能适用 这 是 数控 化 全部 行，
这 指定的 柱子 在 这 数据 框架 或者 这 跳转 桌子。
什么时候 我们 跑步 这...
我们 去 到 做 是 拿 那 桌子 I 只是 建造
和 是 去 到 提炼，
但 什么 是 去 到 做 是 重新处理 这 图片 和 提炼 这 指标。
什么 我们 看 这里 是 这 图片 那 是 显示 更早。
我们 采取 我们的 图片， 我们已经 已转换 它 到 灰色的。
然后 我们 开始 学习 它。
我们 得到 5 像素 半径 核心 7、 10和 15.
然后 从 那里， 是 提取 全部 的 我们的 不同的 指标。
SS 在 为了 7 比较 到 5 SSIM。
SSIM 是 结构 相似 指数，
7 比较 到 5、 10 比较 到 5、 15 比较 到 5.
那是 基本上 什么 是 正在做， 是 计算 结构相似性 指数
之间 这 图像 和 这张图片，
这张图片和这张图片
还有这张图片和这张图片。
如果 我们 去 后退 到 我们的 推介会，
从 这里， I 用过的 一些 不同的 方法 为了 审问 这 数据。
首先是 多变量
很多相关性 到 工作 和 这里。
这 红色的 表示 坏的 图像， 蓝色的 表示 好的 图像。
一个 异常值 分析， 只是 寻找 在 这 马哈拉诺比斯 距离，
折刀法 距离。
那是 只是 到 看 无论 或者 不是 是 沉重 倾斜的，
你 能 看 那 我们已经 得到 更多的 异常值
在 这 坏的 人口 比较的 到 这 好的。
但我 思考 如果 你 分离 这些 二 出去，
这 来 向下 a 小的 少量。
我是 显示 这 只是 到 展示 你 能 去 在 这里，
和 你 能 开始 修剪 一些 的 这些 出去 如果 你 想 到，
如果 你是 不是 看到 好的 适合。
但 为了 这 目的 的 这 锻炼，
I 没有 有 到 消除 或者 隐藏 任何 数据 在 这 分析。
I 曾是 有能力的 到 使用 全部 作为 它 是。
但 如何 I 做过 那 曾是 这里。
这 是 这 主要的 数据 桌子。
这 是 全部 这 数据 那 I 看了 在， 这里 全部 这 图像。
I 会 只是 去 到 分析， 多变量 方法， 跑步 这 多变量的。
什么 我们 想 到 做 是 只是 去 和 那，
实际上， 对不起， 在 这 第二 这里。
什么时候 分类，
I 做过 使用 转换 在 这 分类 从 a 特点 根据 t o 转动。
有 a 伟大的 特征 在 这里。
我们 能 去 到 柱子， 公用事业， 和 然后 制作 指标 列。
你 能 去 此处并单击附加 柱子 姓名。
什么 它 做 是 a 小的 说， “好的， 那 是 一， 零。”
为了 这 排， 这 是 坏的， 不是 好的。
然后， 向下 这里 到 去 副 反之亦然。
你 能 使用 那 信息
到 喂养 进入 一些 的 这 不同的 造型 平台
那 我们将 小心这里 在 a 很少 分钟。
后退 到 这 多 多种多样。
去 这里， 去 到 跑步 全部 这些。
让我们 跑步 这 平台。
那是 有趣的。
让我们 去 这里， 我的 坏的。
W e 能 看 我们的 相关性。
然后 到 得到 这 异常值 分析，
去 这里， 点击，
对不起， 去 进入 这 多 变量和 你 去 向下 到 异常值 分析。
你 跑步 许多 羊毛 距离， 你 跑刀距离 .
有 不同的 方法 是 基于 在。
我已经 有 到 得到 成功的 为了这。
这 是 第一遍。
外观 喜欢 我们已经 得到 某物 到 工作 和 这里。
这 下一个 步 是 到 休息 这些 向下 a 小的 少量 更多的
到 看 在 如何 每个 的 这 不同的 指标 是 回应
到 不同的 核心 尺寸。
什么 是 真的 寻找 为了 这里 是
如何获得...
我们 开始 到 看 更大 变化 在 这 核心 尺寸。
是 这 线 仍然 重叠 和 一 其他？
是 开始 到 看 分离。
寻找 在 15 在 坏的 ， 相对 15 个很好，
15 个是坏的， 15个很好 用于结构 相似 在 均方误差
我们 能 开始 到 看 那， 是 看到 分离 这里。
I 思考 那 是 a 好的 指标
那 我们 应该 是 有能力的 到 提炼 某物 从 这。
那 曾是 完毕 使用 这 图形 建造者 演示。
我已经 得到 数据 桌子 建造
具体来说 为了 这
图形 建造者， 伟大的 特征 这里。
我是 倾销 在 核心 尺寸。
我是 寻找 这 价值 这 网络，
这些 进入 组 基于 在 好的 相对 坏的 分类 代码。
然后 我的 图像 公制 是 去 到 使用 页。
这里 I 只是 去 创造 a 线性 合身
那 看 在 先进的 为了 预言 , R²。
它只会弹出等式 是 那里。
你 能 看 这 善良 的 这 合身。
I 做 喜欢 寻找 在 欢呼 點。
为了 这， 什么时候 I 用过的 居中网格 和 移动 这 沿着。
它是 只是 简单的 大约 这 眼睛 为了 推介会 目的。
你 能 滚动 通过 这里，
和 它是 得到 为了 每个 的 这些 真的 好的 寻找 图表 到 预览。
基于 这 多 变量和 这 线性 合身，
我是 感觉 漂亮的 好的 关于 这 数据
那 我们 提取 从 这些 图像。
这 下一个 步 是， 我们已经 得到 a 很多 的 指标 那 我们已经 提取 从 这些。
全部执行 其中 事情， 做 一些 的 它 事情？
这 下一个 夫妻 幻灯片， 我们 去 超过 维度 减少。
具体来说， I 用过的 a 主成分分析 和 部分的 B 正方形 为了 这 主成分分析。
和 这 是 分类， 坏的 相对 好的。
这 去 后退 到 什么 I 曾是 演示 早些时候
和 这 数据 桌子。
什么时候 你是 建筑 a 主成分分析， 你 想 到 有， 明显地，
你的 输入 和 你的 输出 重铸 作为 向量 在 那 分析。
这 原因 为什么 你 想 那 是 因为
你是 寻找 为了 第九 正交性 和 问候 到 你的 输入 和 你的 输出。
这 更多的 正交的， 他们 是 到 一 其他，
这 较少的 可能 他们是 玩 a 角色 什么是 去 在。
重铸
a 特点- 基于 分类 进入 a 数字 使 那 简单的 到 工作 和。
我们 可以 看 这里， 我们已经 得到 一些 这里 那 看 喜欢 他们 可以 是 有趣的。
一些 的 这些 是 有趣的。
I 突出显示 这些 到 跑步 这 分析
和 简单地 拿了 我的 数据 桌子 那 I 建造，
去 这里， 分析、预测 造型。
对不起， 多变量，主要 成分。
什么 是 去 到 做 是 投掷 好的， 坏的 分类，
和 全部 的 我们的 不同的 指标 进入 这 分析。
看 这里， 这些 看起来很有趣。
这些 是 特别 有趣的。
什么是 好的 是 什么时候 你 强调 这些，
和 你 去 后退 和 你 看 在 你的 数据 桌子，
它会 强调 哪个 问题 你 已选定。
很多时候 PT 能 得到 真的 忙碌的，
所以 它是 便利 到 是 有能力的 到 去 参考文献，并说，
“好的， 所以 这些 是 这 一 那 我是 实际上 感兴趣的 在。”
让我们 得到 后退 到 这里。
后 这， 在 a 请， 这 是 更多的 为了
目标 如何 许多 因素 我们 思考 是 玩 a 角色
在 这 数据 那 我们已经 得到，
作为 出色地 作为 帮助 我们 确认 额外的 指标
那 可能 是 有趣的。
为了 这 特别的 数据 放，
它 看起来 喜欢 它 定居 在 和 关于
大概 至少 五 因素 那 我们 会 预计
那 来 从 这 概率 更大 比
范德沃特 T² 公制 基于 在 这 工作手册，
他们 引用 a 学术的 研究表明
任何事物 去 关于 0.1 是 通常 在哪里 你 想 到 开始 在。
从 那里， 我们 跑步 这 请 因素 鉴别。
这 是 你的 贵宾 相对 系数 情节，
和 从 在那里，你 能 强调 这 不同的
指标 那 似乎 到 是 驾驶 这， 这 一 那 是 最多 相关的。
这 方式 那 作品 寻找 在 这些 图表 是 你 想 到 去 出去 到 这 极端。
这些 是 有趣的。
作为 它 获取 更近，更近 到 这 零 系数，
它是 较少的 有趣的。
我是 不是 去 到 跑步 这 请 平台
因为 这 将要 实际上 拿 a 尽管 到 跑步。
I 不 思考 任何人 想要 到 只是 手表 我的 电脑 跑步
在做这件事的时候。
基于 我们的 方面 减少，
I 结束 向上 和 这些 因素 存在 这 最多 相关的
和 问候 到 什么 它 是 那 我们 想 到 喂养 进入 这 神经 网络。
一些 实验， I 成立 那 它 曾是 主要 这 请 结果，
和 然后 这 标准 10 公制 从 这 主成分分析 作为 出色地
什么时候 那 曾是 额外 在，
它 真的 帮助 拉 这 模型 一起。
训练 相对 验证。
明显地， 我是 使用 a 神经 网络 到 建造 这 模型 为了 这 分类器。
这 原因 为什么 我是 使用 那 平台 具体来说 为了 这，
它 有 K 折 已预订验证 在 在 它是 标准 在 这 JMP平台，
哪个 是 伟大的。
我已经 成立 那 肯德基 奥兹 帮助 到 补偿
什么时候 你是 摇摇欲坠 在 班级 不平衡。
那是 a 真的 常见的 问题 什么时候 你是 处理 和，
学习 制造业 流程。
Y 哪里 不是 去 到 有 a 很多 的 这 有缺陷的 数据 到 工作 和。
你已经 真的 得到 到 制作 这 最好的 的 什么 你已经 得到。
I 寻找 那 有时 K-Folds 有助于 那。
这 输出 从 这 神经 网络 曾是 漂亮的 好的， 实际上。
这 方式 I 做 这 是 患病的 跑步 这 模型， 喜欢 关于 五 次，
和 然后 患病的 比较全部 五个 他们 到一个 其他。
患病的 拿 基本上 这 中位数， 这 分类 速度，
和 然后 去 向下 这里 和 看 在 我们的虚假 积极因素 和 错误的 消极的 率。
和 问候 到，
这 错误的 积极的 率。
I 看 在 这 鹏 曲线。
这是 a 秘密 操作员 特征 曲線。
你 想 到 看 在 这些，
他们 想 到 是 描述 作为 高和 紧的，
这 更近 这些 线 得到 到 这 中间 线，
这 更近 你得到 到 这 硬币 通过和你的 这 预言。
明显地， 那 是 不是 什么 是 看到 这里。
然后 这 预言 分析器 有 一些 伟大的 特征
因为 你 能 基本上 重新排序 这些 基于 在
哪个 是 玩 这 最大 角色 在 这 预言，
作为 出色地 作为 可视化， 喜欢 什么 每个 个人 公制 是 正在做
和 问候 到 玩 a 角色 在 这 预言 本身。
在 这 案件，
是 寻找 在 过渡 的 这 主导的 方面 这里。
这是 a 小的 少量 诡异的。
我是 不是 当然 什么是 去 在 就这样。
A s 你 得到 后退 这里， 在哪里 这 较少的 主导的 方面，
你 能 开始 到 看 他们 变得 更多的 推。
患病的 跑步 这 演示 为了 这 神经 网络。
我们 去 这里。
分析。
A 事实上， 我已经 得到 这 一 建造 已经。
让我...
我们 发射 这 分析。
我们 包括 我们的 因素， 我们的 回应 是 分类。
神经 网络 没有 关心
如果 你是 使用 a 数值 或者 特点- 基于 回复。
那 将要 工作 和 任何一个 一。
这里， 为了 验证 方法，
你有一个 K 折， 使用 五折。
这 金子 标准 为了 最多 喜欢 AI型 分析 是 十。
I 成立 这 五 曾是 美好的
所以 不 原因 到 推 它。
I 使用 三 隐 节点。
点击“开始”，然后这里是 输出。
喜欢 I 说， 患病的 跑步 这 大概
五 次， 取读数值 你 能 看 这里。
我们的 分类 是 漂亮的 好的。
出色地 看 a 小的 少量 变化 在 这 验证 放。
但 它是 全部 之内 原因 为了 什么 它 是 那 我是 寻找 为了
和 问候 到 这 分析器 和 这 鹏 曲线。
你 得到 向下 这里， 哪个 鹏 曲线 你 能 看 这里，
作为 I 描述 早些时候， 这 高度 特征 在 这 曲線。
验证， 或许 a 小的 少量 较少的， 但 我们可以 工作 和 它。
然后 和 问候 到 这 分析器。
分析器输出 看起来 喜欢 这。
它 没有 安排 他们 和 哪个 一 是 最多 相关的。
你 去 这里
和 你 去 到 评估 多变的 重要性， 独立的 制服 输入。
去 后退 向上 这里， 我们 能 看 a 概括 报告。
这里， 你 去 向下 到 多变的 重要性， 菜单。
从 这里， 你 能 重新排序 因素 经过 主要的 效果重要性。
为了 这 模型， 它 重新排序 这 方式，
着色。
你 能 看 这里 我们已经 得到 这 更暗 颜色 是大多数 相关的
和 然后 它 动作 到 这 正确的。
让我们来看看。
转换 这 模型 到 一个 统计过程控制 公制， 到 制作 这 数据 更轻松 到 解释，
我们 需要 到 拿 这 结果 从 这 模型 已转换 进入 公制
那可以 是 发布 到 统计过程控制 系统 和 绘制 在 统计过程控制 图表。
这 激活 成分 的 这 神经 网络 模型 是 a 柔软的 地图 功能
那是 a 标准 在 JMP 中。
这 计算 这 可能性 的 一个 图像 存在 好的 或者 坏的，
和 这 更高 这 二 导致 和 和 这 图片 分类 作为
和 什么 是 去 到 做 这里 是 去 到 介绍 a 第三个指标 未知。
患病的 展示 a 小的 少量 关于 如何 那 是 完毕。
一 的 这 好的 事物 关于 这 神经 网络 平台
是 这 SAS 数据 步 输出 文件 是 实际上 喜欢 a Python 式 模型 脚本。
通常 为了 公制， 你 想 这 在 Python，
那会 是 真的 凉爽的，
忘记了 如何 到 做 它 全部 在 跳转。
这 代码 从 这 神经 网络 这里，
这 实际的 模型 本身 能 是 输出 在 这 格式。
你 只是 去 到 模型 和 制作 SAS 数据 步。
这里 我们 去。
I 思考 在 JMP Pro 中， 你 可以 只是 输出 它 经过 Python 直接地，
但 不是 每个人 有 使用权 到 JMP专业版。
它 获取 任何一个 80 % 的 这 方式 那里，
不是 100 %。
它 只是 需要 a 很少 修改 在 这 实际的 代码。
在 这 左边 手 边， 我们已经 得到 这 SAS 数据 步 格式。
在 这 右侧， 它是 这 转换 的 它 到 这 Python。
它是 只是 输入 它 作为 输入 这 数学 图书馆，
和 然后 申请 那 所以 我们 能 拿 这 切线 到 事物。
然后 你 得到 那 这里。
什么 我们 想 到 做 是 临界点，
我们的 S 经常 斧头 可能性 计算 是 正在做 这，
相当 比 只是 说， 任何 的 这些，
是 最高 是 你的 实际的 结果。
如果 它是 0.5 1、 坏的， 0.49 , 好的， 然后 它将 是 坏的。
是 我们 去 和 我们 说， “好的， 如果 这 Softmax 输出 是 更大 比 0.75
然后 它是 那 分类器， 因为 它会 是 平等的 和 对面的。”
它会 是 可接受 一。
如果 它是 0.75 那么糟糕 它是 坏的，
但 如果 它是 a 数字 较少的 比 那， 它 惯于 分类 它 作为 好的 或者 坏的。
它会 只是 分类 作为 未知。
出色地 经过 那 进入 我们的 系统。
什么 那 告诉 我们 到 做 是 某人 看 在 那些 图像，
因为 这 分类器 不能 决定 无论 或者 不是 它是 好的 或者 坏的。
这 输出， 和 这 是 这 完成的 产品，
是 到 转变， 喜欢 I 说，
决赛 公制 进入 某物 那 可以 是 已报道 在我们的 统计过程控制 系统。
基本上， 什么 是 正在做 这里 是 只是 实际上 报告
什么 我们的 软 斧头 可能性 是，
服用 这 逆 的 那， 和 然后 申请 这 临界点
到 决定 无论 或者 不是 事物 是 已知 或者 未知。
基于 那， 这 是 我们的 最初的 数据
那 我已经 显示 在 这 开始 的 这 推介会
那 节目 这 是 这 图表 看 喜欢 为了 这 测量 的 这 缺点。
然后 这 是 什么 我们 得到 什么时候 我们 去 在
和 我们 重新分析 那 数据 和 申请 这 新的 公制，
哪个 告诉 我们 无论 或者 不是 它 认为 那 有 边 墙 特征，
你 能 看 寻找 在 这 相同的 数据 放
那 是的， 它 非常 很多 所以 识别 那 作为 任何一个 好的 或者 坏的。
这 绿色的 表示 那是 a 好的。
这 红色的 表示 那些 是 分类 作为 坏的。
然后 你 能 看 这里 在 SPC数据，
他们 会 即刻 得到 已标记 作为 坏的 作为 出色地。
这些 蓝色的 一 绞刑 出去 这里
是 一 那 是 未知 那 它 是 告诉 我们 所以 很多，
“去 看 在 这。”
那 是 我的 推介会。
我已经 发布 这 信息 到 这 用户 社区 地点
如果 任何人 想要 使用权 到 这 代码
那是 用过的 为了 这 图像 分析 那 是 那里。
感谢 你 非常 很多。
