Hola, mi nombre Steve Maxwell.
I soy un ingeniero.
I trabajar en el semiconductor industria.
Hoy, Soy yendo a dar a presentación en cómo I utilizar JMP
en el edificio de el imagen análisis tubería.
A pequeño poco de fondo en el problema.
Dos de nuestro módulo grupos en nuestro instalación
corrió en un asunto con a característica
donde hay era erosión en el pared lateral de el característica.
El COMO sistema eso nosotros usado a medida
el tamaño de este característica no era detector este característica,
y él no tener el capacidad a caracterizar este.
Es un más viejo pedazo de equipo, pero También lo es pagado para entonces nosotros apreciado él.
El acercarse eso I empleado a ayuda a ellos afuera
era a construir a separado análisis tubería a analizar imágenes,
clasificar imágenes eso es teniendo daño o no ,
y él producir a métrico eso Podría ser enviado a SPC sistema para fines de seguimiento.
I usar JMP principalmente a analizar datos,
a construir a modelo sistema desplegando y fabricación,
como Bueno como, más recientemente,
integrando alguno de el actual imagen análisis en JSL.
Enfermo espectáculo alguno ejemplos de eso.
Este es a muestra de qué él es eso eran mirando en.
Este es a bien imagen el izquierda- mano lado,
y este es a malo imagen en el lado derecho.
Nosotros poder ver aquí el como variación y erosión.
Eso es qué nosotros eran mirando para en estos imágenes.
Nosotros podría ver de aquí eso el medición,
cual es hecho en el adentro de este
no lo haría en realidad reiniciar a estos características que aterriza en el mismo lugar cada tiempo.
Eran no capaz a Dígalo con solo usar nuestro normal métodos.
Este es a pequeño poco más detalle acerca de qué nosotros eran vidente.
Este es un ejemplo de qué alguno de eso datos miró como
si nosotros podría ver de aquí eso aunque el proceso era teniendo asuntos,
nosotros eran no detector él con el mediciones eso nosotros eran usando.
Nos lanzamos en un acercarse a DIRECCIÓN este asunto.
I usar el estándar ETL formato para la mayoría de los datos ciencia problemas.
Extracto, transformar, carga.
I consiguió a romper él en cuatro categorías,
configurar, recolectar, análisis y informe.
Configurar y recopilación, estándar métodos.
Análisis, eso es el llave a este.
Eso es cómo Soy reprocesamiento el imágenes
y entonces extrayendo métrica para aquellos imágenes eso nosotros poder usar a construir a modelo
a determinar si o no, nosotros podría detectar el asunto en mano.
El acercarse para eso análisis es a convertir el imágenes de RGB,
cual es venir apagado en el sistema, el medición sistema,
y convertir aquellos a gris escala.
Entonces el imágenes son recortado, eliminar cualquier medición detalles,
todo como eso afuera de a ellos.
Entonces el próximo paso es a aplicar mediana a estos imágenes.
El razón por qué hacer eso es eran yendo a difuminar el imágenes
y eliminar alguno de el ruido afuera de el imagen.
Este es a llave paso para imagen análisis y imagen tratamiento.
El acercarse era usado como un experimental acercarse diferente núcleo tamaños,
diferente núcleo formas, pero en el fin, es establecido en
usando a disco- conformado núcleo con a píxel radio de como 5, 7 , 10, y 15 píxeles.
Para aquellos eso son desconocido con eso terminología,
núcleo es básicamente justo un formación
eso es usado a deteriorar la imagen cuando estás reprocesándolo.
Después eso era hecho,
extracción de el métrica de el reprocesado imágenes era desarrollado,
usado varios diferente estándar métrica,
similitud estructural índice, error cuadrático medio, Shannon entropía,
entonces a pocos diferente A los que les gusta gaussiano versión de SSIM,
como Bueno como mirando en el medio de el estándar desviaciones de el
Imagen SSIM gradientes de el gaussiano ponderado imágenes.
De allí, usado dimensional reducción técnicas
a extracto cual de aquellos métrica era mayoría importante,
a intentar y construir a modelo, un profético modelo
y entonces convertir eso en alguno de eso métrico
eso podría ser fácilmente interpretado en el fabricación
mientras correr producción.
Uno de el seguimientos en este es cuando haciendo el métrico extracciones,
el referencia imagen hazañas el imagen eso
usado a núcleo con a píxel radio en cinco,
y entonces el 7, 10 y 15 núcleo radio es preparado a eso imagen.
Este espectáculos a pequeño poco más detalle acerca de
qué el análisis tubería acercarse aspecto como.
El desconectado acercarse, nosotros comenzar con el imagen adquisición.
Obviamente, este es hecho durante el fabricación proceso.
Después eso, inicialmente, este trabajar era hecho Pitón,
cual era a convertir el escala de grises cultivo, de ruido, el imágenes,
y entonces característica generación métrico extracción, SSIM,
significar cuadrado, entropía, cálculos, etc.
JMP JSL tiene a Pitón envoltura eso tú poder usar para integración.
Qué excelente es tú poder de hecho mover a lote de este código
en a el JMP ambiente.
Enfermo ir en a pequeño poco más detalle acerca de qué eso es
y cómo I usar a él ayuda velocidad este proceso a lo largo de.
El final componente de este era a desarrollar a calidad métrico.
Este es muy JMP intensivo paso como Bueno.
Entonces una vez a métrico es determinado,
tú mover eso encima en un en línea proceso
en cual, el fabricación datos es analizado,
y luego eso información es empujado a a SPC sistema.
A pequeño poco más acerca de Pitón/ JSL Integración,
el Integrado Pitón análisis código en JSL usando Pitón/ JSL envoltura.
El datos transferir ocurre por mudado el JMP mesa en Pandas Datos marco.
El datos marcos son aprobado en un análisis código.
El resultados son regresó de Pitón a JMP como a datos mesa.
Qué excelente acerca de este es él permite usando
común imagen análisis bibliotecas como skimage, scipy, PIL, OpenCV , etc,
a llevar a cabo el trabajar mientras acuerdo el datos dentro el Marco JMP.
Este, en mi opinión, era llave porque Soy no emocionante datos
de uno sistema o uno plataforma a otro plataforma y atrás y adelante.
I era capaz a mantener él todo en uno lugar.
Este es a pequeño poco más detalle acerca de
qué el análisis tubería es haciendo cuando es reprocesamiento el imágenes.
Este es qué I era capaz a mover de justo correr despacio en Pitón
a integrando él en JSL usando, vamos decir, Pitón bibliotecas.
Tú poder ver, Aquí está a malo, Aquí está a bien.
Nosotros recortado el imagen solo a espectáculo
solo llevar básicamente este componente de él, convertir él a gris,
y entonces aplicando medio filtros a difuminar el imágenes con diferente núcleo tamaños
como tú poder ver como nosotros aumentar el núcleo tamaños,
ellos convertirse a pequeño poco difuminar.
Qué I desear a mostrar comida para llevar aquí es para a bien imagen, tú poder ver
el núcleo con tamaño del disco 5 contra, 7 contra, 10 versus 15,
mirar bonito similar a uno otro .
Mientras disco 5, disco 7, disco 10, disco 15, en a malo imagen,
tú poder ver eso por tiempo tú conseguir a disco 15,
este imagen, o núcleo tamaño 15,
este imagen es a partir de a mirar similar a este.
Por eliminando el ruido de este imagen,
y entonces eliminación de ruido el imágenes incrementalmente
usando diferente núcleo tamaños.
El es lo que permite a nosotros a exitosamente extracto métrica
eso nosotros poder usar a diferenciar entre el bien versus el malo.
Lo siento, sostener en aquí. Déjame ir atrás arriba.
En este punto, Soy yendo a lanzamiento manifestación eso espectáculos
cómo Soy emocionante este datos en JMP
y entonces qué él aspecto como como él básicamente reprocesamiento este cosa.
Cómo I hacer eso es el Lo primero I necesidad a hacer es I necesidad a construir a datos mesa.
Es a excelente característica en JMP,
tú ir a archivo, importar múltiple archivos aquí.
Entonces qué Yo tengo consiguió es Yo tengo consiguió básicamente a muestra colocar de solo cinco imágenes
eso Soy yendo a combinar todos los t juntos en uno datos mesa.
Qué él hace es él de hecho importar el imágenes como Bueno como el imagen archivo nombres.
Tú ir aquí, hacer clic eso archivo columna nombre, hacer clic importar,
y
qué nosotros conseguir,
es este.
Nosotros tenemos consiguió un imagen de nuestro imagen eso nosotros desear a analizar.
Nosotros tenemos consiguió a archivo nombre etiqueta próximo a él.
Nosotros tenemos consiguió el datos imagen importada.
Ahora, el próximo paso es a correr nuestro análisis código
contra cada de estos imágenes y comenzar extrayendo métrica.
Yo tengo consiguió a...
modificado versión de eso código aquí.
El forma este código obras es
Hay a pitón inicialización eso ocurre JSL.
Y luego una vez eso es hecho,
el datos mesa eso tú desear a analizar
es pasado ocho a Pitón como a datos marco.
En eso punto bajo el Pitón entregar,
básicamente, tú convertir encima a Pitón código.
Y luego estás usando estándar aproches,
estándar codificación procedimientos para Pitón
y analizar el imagen, como tú poder ver aquí,
tenemos nuestro biblioteca importaciones, etc.
Cómo alto este código era, básicamente a encontrar a racimo de funciones.
Entonces aquellos funciones voluntad devolver un producción
eso quería básicamente conseguir agregado atrás en el datos marco
eso es empujado atrás afuera a JMP en el datos mesa.
Eso es hecho por usando este función lambda,
el es lambda La función se aplica este fue Carolina del Norte ción todo filas,
este especificado columna en el datos marco o el JMP mesa.
Cuando nosotros correr este...
Lo que somos yendo a hacer es llevar eso mesa I justo construido
y eran yendo a extracto,
pero qué eran yendo a hacer es reprocesar el imágenes y extracto el métrica.
Qué nosotros ver aquí es el imágenes eso son demostración más temprano.
Nosotros tenemos tomado nuestro imagen, nosotros tenemos convertido él a gris.
Entonces nosotros comenzó aprendiendo él.
Nosotros tenemos consiguió 5 píxel radio núcleo 7, 10 y 15.
Entonces de allá, eran extrayendo todo de nuestro diferente métrica.
SS EN EL para 7 comparado a 5 SSIM.
SSIM es estructural semejanza índice,
7 comparado a 5, 10 comparado a 5, 15 comparado a 5.
Eso es básicamente qué eran haciendo, es calculador similitud estructural índice
entre este imagen y esta imagen,
esta imagen y esta imagen
y esta imagen y esta imagen.
Si nosotros ir atrás a nuestro presentación,
de aquí, I usado varios diferente aproches para interrogando el datos.
Primero fue multivariante
correlaciones de lotes a trabajar con aquí.
El rojo indica malo imágenes, azul indica bien imágenes.
Un parte aislada análisis, justo mirando en el Mahalanobis distancias,
Navaja distancias.
Eso es justo a ver si o no eran fuertemente sesgado,
tú poder ver eso nosotros tenemos consiguió más valores atípicos
en el malo población comparado a el bien.
Pero yo pensar si tú separado estos dos afuera,
este llega abajo a pequeño poco.
Soy demostración este justo a espectáculo tú poder ir en aquí,
y tú poder comenzar guarnición alguno de estos afuera si tú desear a,
si estás no vidente bien encaja.
Pero para el objetivo de este ejercicio,
I no tener a eliminar o esconder cualquier datos en el análisis.
I era capaz a usar todo como él es.
Pero cómo I hizo eso era aquí.
Este es el principal datos mesa.
Este es todo el datos eso I miró en, aquí todo el imágenes.
I quería justo ir a analizar, multivariante métodos, correr el multivariante.
Qué nosotros desear a hacer es justo ir con eso,
de hecho, Lo siento, en el segundo aquí.
Cuando clasificando,
I hizo usar conversión en el clasificación de a personaje base t o doblar.
Hay a excelente característica en aquí.
Nosotros poder ir a columna, utilidad, y entonces hacer indicador columnas.
Tú poder ir Aquí y haga clic en anexar columna nombre.
Qué él hace es a pequeño decir, "Bueno, eso es uno, cero."
Para este fila, este es malo, no bien.
Entonces, abajo aquí a ir vicio viceversa.
Tú poder usar eso información
a alimentar en alguno de el diferente modelado plataformas
eso vamos a Mira aquí en a pocos minutos.
Atrás a el multi variado.
Yendo aquí, yendo a correr todo estos.
Vamos correr este plataforma.
Eso es interesante.
Vamos ir aquí, mi malo.
W e poder ver nuestro correlaciones.
Entonces a conseguir el parte aislada análisis,
ir aquí, hacer clic,
Lo siento, ir en el multi variando y tú ir abajo a parte aislada análisis.
Tú correr Muchos lana Distancias, tú correr distancias Jackknife .
Hay diferente acercarse es basado en.
Yo tengo tenía a conseguir exitoso para esto.
Este es primer paso
Aspecto como nosotros tenemos consiguió algo a trabajar con aquí.
El próximo paso es a romper estos abajo a pequeño poco más
a mirar en cómo cada de el diferente métrica es respondiendo
a diferente núcleo tamaños.
Qué eran en realidad mirando para aquí es
Cómo llegar...
Nosotros comenzar a ver más grande cambios en el núcleo tamaños.
Son el pauta aún superposición con uno ¿otro?
Eran a partir de a ver separación.
Mirando en 15 en malo , versus 15 son buenos,
15 son malos, 15 son buenos para estructural semejanza en MSE
y nosotros poder comenzar a ver eso, eran vidente separación aquí.
I pensar eso es a bien indicador
eso nosotros debería ser capaz a extracto algo de este.
Eso era hecho usando el gráfico constructor manifestación.
Yo tengo consiguió datos mesa construido
específicamente para este
gráfico constructor, excelente característica aquí.
Soy dumping en núcleo tamaño.
Soy mirando el valor el red,
estos en grupos basado en bien versus malo clasificación códigos.
Entonces mi imagen métrico es yendo a usar página.
Aquí I justo ir crear a lineal adaptar
eso mirar en avanzado para predicción , R².
Simplemente hará estallar la ecuación. es allá.
Tú poder ver el bondad de el adaptar.
I hacer como mirando en alegría agujas.
Para este, cuando I usado cuadrícula centrada y mover este a lo largo de.
Es justo fácil alrededor el ojos para presentación propósitos.
Tú poder voluta a través de aquí,
y es consiguió para cada de estos en realidad lindo mirando gráficos a avance.
Residencia en el multi variando y este lineal adaptar,
Soy sentimiento bonito bien acerca de el datos
eso nosotros extraído de estos imágenes.
El próximo paso es, nosotros tenemos consiguió a lote de métrica eso nosotros tenemos extraído de estos.
Hacer todo de ello asunto, hacer alguno de él ¿asunto?
El próximo pareja diapositivas, nosotros ir encima dimensional reducción.
Específicamente, I usado a PCA y Parcial B cuadrícula para este PCA.
Con este es clasificación, malo versus bien.
Este va atrás a qué I era demostración más temprano
y el datos mesa.
Cuando estás edificio a PCA, tú desear a tener, obviamente,
su entradas y su salidas nuevo reparto de papeles como vectores en eso análisis.
El razón por qué tú desear eso es porque
estás mirando para noveno ortogonalidad con saludos a su entradas y su Salidas.
El más ortogonal, ellos son a uno otro,
el menos probable ellos son jugando a papel en qué yendo en.
Refundición
a personaje- basado clasificación en a número marcas eso fácil a trabajar con.
Nosotros podría ver aquí, nosotros tenemos consiguió alguno aquí eso mirar como ellos podría ser interesante.
Alguno de estos son interesante.
I destacado estos a correr este análisis
y simplemente tomó mi datos mesa eso I construido,
ir aquí, analizar, predictivo modelado.
Lo siento, multivariante, principal componentes.
Qué eran yendo a hacer es elenco bien, malo clasificación,
y todo de nuestro diferente métrica en el análisis.
Ver aquí, estos Parece interesante.
Estos eran particularmente interesante.
Qué lindo es cuando tú destacar estos,
y tú ir atrás y tú mirar en su datos mesa,
lo hará destacar cual problemas tú seleccionado.
A menudo PT poder conseguir en realidad ocupado,
entonces es práctico a ser capaz a ir referencias, y decir,
"Bueno, entonces estos son el unos eso Soy de hecho interesado en."
Vamos conseguir atrás a aquí.
Después este, en a Por favor, este es más para
segmentación cómo muchos factores nosotros pensar son jugando a role
en el datos eso nosotros tenemos consiguió,
como Bueno como ración a nosotros identificar adicional métrica
eso podría ser interesante.
Para este particular datos colocar,
él aspecto como él se asienta en y acerca de
probablemente mínimo de cinco factores eso nosotros quería esperar
eso llega de este Probabilidad mayor que que
van der Voet T² métrico basado en el manual de trabajo,
ellos referenciado a académico investigaciones que indican que
cualquier cosa va acerca de 0.1 es típicamente dónde tú desear a comenzar en.
De allá, nosotros correr el POR FAVOR factor identificación.
Este es su personaje versus Coeficiente parcelas,
y de ahí estás poder destacar el diferente
métrica eso parecer a ser conduciendo este, el unos eso son mayoría importante.
El forma eso obras mirando en estos gráficos es tú desear a ir afuera a el extremos.
Estos son interesante.
Como él obtiene más cerca, más cerca a el cero coeficiente,
es menos interesante.
Soy no yendo a correr el POR FAVOR plataforma
porque este voluntad de hecho llevar a mientras a correr.
I no pensar alguien quiere a justo mirar mi computadora correr
Mientras hago esto.
Residencia en nuestro dimensión reducción,
I terminó arriba con estos factores ser el mayoría importante
con saludos a qué él es eso nosotros desear a alimentar en el neural red.
Alguno experimentación, I encontró eso él era principalmente el POR FAVOR resultados,
y entonces el estándar 10 métricos de el PCA como Bueno
cuando eso era agregado en,
él en realidad ayudó jalar el modelo juntos.
Capacitación versus Validación.
Obviamente, Soy usando a neural red a construir el modelo para el clasificador.
El razón por qué Soy usando eso plataforma específicamente para este,
él tiene K-Fold validación reservada en en es estándar en el Plataforma JMP,
cual es excelente.
Yo tengo encontró eso KF viejos ayuda a compensar
cuando estás tambaleándose en clase desequilibrio.
Eso es a en realidad común problema cuando estás relación comercial con,
estudiando fabricación procesos.
Y ¿Dónde están? no yendo a tener a lote de el defectuoso datos a trabajar con.
Tú tienes en realidad consiguió a hacer el mejor de qué Tú tienes consiguió.
I encontrar eso a veces K-Folds ayuda con eso.
El producción de el neural red era bonito bien, de hecho.
El forma I hacer este es Enfermo correr este modelo, como acerca de cinco veces,
y entonces Enfermo comparar todo cinco de a ellos a uno otro.
Enfermo llevar básicamente el mediana, este clasificación tasa,
y entonces ir abajo aquí y mirar en nuestra falsa aspectos positivos y FALSO negativo tarifas.
Con saludos a,
el FALSO positivo tarifas.
I mirar en el República de China Curva.
Esto es a secreto operador características curvas.
Tú desear a mirar en estos,
ellos desear a ser descrito como alto y ajustado,
el íntimamente estos pauta conseguir a este medio línea,
el íntimamente estas consiguiendo a el acuñar pasa y tu el predicción.
Obviamente, eso es no qué eran vidente aquí.
Entonces el predicción perfilador tiene alguno excelente características
porque tú poder básicamente reordenar estos basado en
cual son jugando el más grande role en el predicción,
como Bueno como visualizante, como qué cada individual métrico es haciendo
con saludos a jugando a role en el predicción sí mismo.
En este caso,
eran mirando en transiciones de el dominante dimensiones aquí.
Aquí está a pequeño poco extraño.
Soy no seguro qué yendo en con eso.
A s tú conseguir atrás aquí, dónde el menos dominante dimensiones,
tú poder comenzar a ver ellos convertirse más empujado.
Enfermo correr el manifestación para el neural red.
Nosotros ir aquí.
Analizar.
A En realidad, Yo tengo consiguió este uno construido ya.
Déjame...
Nosotros lanzamiento este análisis.
Nosotros tenemos incluido nuestro factores, nuestro respuestas son clasificación.
Neural red no cuidado
si estás usando a numérico o personaje- basado respuesta.
Eso voluntad trabajar con cualquiera uno.
Aquí, para validación método,
tienes un K-Fold, usando cinco pliegues.
El oro estándar para mayoría como Tipo IA análisis es diez.
I encontró este cinco era bien
entonces No razón a empujar él.
I usar tres oculto nodos.
Presiona "ir" y aquí está el producción.
Como I dicho, Enfermo correr este probablemente
cinco veces, tomar el valor de lectura tú poder ver aquí.
Nuestro clasificación es bonito bien.
Bien ver a pequeño poco variación en el validación colocar.
Pero es todo dentro razón para qué él es eso Soy mirando para
con saludos a el perfilador y el República de China curva.
Tú conseguir abajo aquí, cual República de China curvas tú poder ver aquí,
como I descrito más temprano, este altura características en el curvas.
Validación, tal vez a pequeño poco menos, pero podemos trabajar con él.
Entonces con saludos a el perfilador.
Las salidas del generador de perfiles aspecto como este.
Él no arreglar a ellos y cual uno es mayoría importante.
Tú ir aquí
y tú ir a evaluar variable importancia, independiente uniforme entradas.
Ir atrás arriba aquí, nosotros poder ver a resumen informe.
Aquí, tú ir abajo a variable importancia, menú.
De aquí, tú poder reordenar factores por principal importancia del efecto.
Para este modelo, él reordenado este forma,
Colorear.
Tú poder ver aquí nosotros tenemos consiguió el más oscuro color es lo máximo importante
y entonces él movimientos a el bien.
Vamos a ver.
Mudado el modelo a un SPC métrico, a hacer el datos más fácil a interpretar,
nosotros necesidad a llevar el resultado de el modelo convertido en métrico
que puede ser al corriente a SPC sistema y trazado en SPC cuadro.
El activación componente de el neural red modelo es a suave mapa función
eso es a estándar en JMP.
Este calcula el probabilidad de un imagen ser bien o malo,
con el más alto el dos resultante y con el imágenes clasificado como
y qué eran yendo a hacer aquí es yendo a introducir a tercera métrica desconocido.
Enfermo espectáculo a pequeño poco acerca de cómo eso es hecho.
Uno de el lindo cosas acerca de el neural red plataforma
es el SAS DATOS Paso producción archivo es de hecho como a Pythonic modelo guion.
Típicamente para el sistema métrico, tú desear este en pitón,
Eso lo hará ser en realidad Frío,
olvidó cómo a hacer él todo en JMP.
Este código de el neural red aquí,
el actual modelo sí mismo poder ser emitido en este formato.
Tú justo ir a modelo y hacer SAS DATOS S paso.
Aquí nosotros ir.
I pensar en JMP Pro, tú podría justo producción él por pitón directamente,
pero no todos tiene acceso a JMP Pro.
Él obtiene cualquiera 80 % de el forma allá,
no 100 %.
Él justo requiere a pocos modificaciones en el actual código.
En el izquierda mano lado, nosotros tenemos consiguió el DATOS SAS S paso formato.
En el lado derecho, es el conversión de él a el pitón.
Es justo importador él como importador el matemáticas biblioteca,
y entonces aplicando eso entonces nosotros poder llevar el tangente a cosas.
Entonces tú conseguir eso aquí.
Qué nosotros desear a hacer es límite,
nuestro a menudo hacha probabilidad cálculo eran haciendo este,
bastante que justo dicho, cualquiera de estos,
es más alto es su actual resultados.
Si es 0.5 1, malo, 0.49 , bien, entonces Va a ser malo.
Es nosotros ir y nosotros decir, "Bueno, si el Máxima suavidad producción es mayor que que 0,75
entonces es eso clasificador, porque lo hará ser igual y opuesto."
Lo hará ser aceptable uno.
Si es 0,75 malo entonces es malo,
pero si es a número menos que eso, él no clasificar él como bien o malo.
Lo hará justo clasificado como desconocido.
Bien aprobar eso en nuestro sistema.
Qué eso dice a nosotros a hacer es alguien mirar en aquellos imágenes,
porque el clasificador no poder decidir si o no es bien o malo.
El producción, y este es el finalizado producto,
es a convertir, como I dicho,
la final métrico en algo eso podría ser reportado en nuestro SPC sistema.
Básicamente, qué eran haciendo aquí es justo de hecho reportando
qué nuestro Softm hacha probabilidad es,
tomando el inverso de eso, y entonces aplicando el límite
a determinar si o no cosas son conocido o desconocido.
Residencia en eso, este es nuestro inicial datos
eso Yo tengo presentado en el comienzo de el presentación
eso espectáculos este es el cuadro mirar como para el medición de el defecto.
Entonces este es qué nosotros conseguir cuando nosotros ir en
y nosotros reanalizar eso datos y aplicar este nuevo métrico,
cual dice a nosotros si o no él piensa eso Hay lado muro característica,
tú poder ver mirando en el mismo datos colocar
eso Sí, él muy mucho entonces identifica eso como cualquiera bien o malo.
El verde indica eso es a bien.
El rojo indica aquellos eran clasificado como malo.
Entonces tú poder ver aquí en Datos del SPC,
ellos quería instantáneamente conseguir marcado como malo como Bueno.
Estos azul unos colgante afuera aquí
son los unos eso son desconocido eso él es narración a nosotros entonces mucho,
"Ir mirar en este."
Eso es mi presentación.
Yo tengo al corriente el información a el usuario comunidad sitio
si alguien quiere acceso a el código
eso es usado para el imagen análisis eso es allá.
Agradecer tú muy mucho.
