你好， 我的 名字的 史蒂夫 麥克斯韋。
I 是 一個 工程師。
I 工作 在 這 半導體 行業。
今天， 我是 去 到 給 a 推介會 在 如何 I 使用 JMP
在 這 大樓 的 這 影像 分析 管道。
A 小的 位元 的 背景 在 這 問題。
二 的 我們的 模組 群組 在 我們的 設施
跑了 進入 一個 問題 和 a 特徵
那裡 曾是 侵蝕 在 這 側壁 的 這 特徵。
這 作為 系統 那 我們 用過的 到 措施
這 尺寸 的 這 特徵 不是 偵測 這 特徵，
和 它 沒有 有 這 能力 到 表徵 這。
它是 一個 較老 片 的 裝置, 但 這也是 有薪資的 為了 所以 我們 喜歡 它。
這 方法 那 I 受僱 到 幫助 他們 出去
曾是 到 建造 a 分離 分析 管道 到 分析 影像，
分類 圖片 那是 擁有 是否損壞 ,
和 它 生產 a 公制 那 可能是 發送至 SPC 系統 為了 追蹤目的。
I 使用 JMP 主要 到 分析 數據，
到 建造 a 模型 系統 部署 和 製造業，
作為 出色地 作為， 更多的 最近，
整合 一些 的 這 實際的 影像 分析 進入 JSL。
患病的 展示 一些 範例 的 那。
這 是 a 樣本 的 什麼 它 是 那 是 尋找 在。
這 是 a 好的 影像 這 左邊- 手 邊，
和 這 是 a 壞的 影像 在 這 右手邊。
我們 能 看 這裡 這 喜歡 變化 和 侵蝕。
那是 什麼 我們 是 尋找 為了 在 這些 圖像。
我們 可以 看 從 這裡 那 這 測量，
哪個 是 完畢 在 這 裡面 的 這
不會 真的 重置 到 這些 特徵 落地 在 這 相同的 點 每一個 時間。
是 不是 有能力的 到 只需使用即可 我們的 普通的 方法。
這 是 a 小的 位元 更多的 細節 關於 什麼 我們 是 看到。
這 是 一個 例子 的 什麼 一些 的 那 數據 看了 喜歡
如果 我們 可以 看 從 這裡 那 儘管 這 過程 曾是 擁有 問題，
我們 是 不是 偵測 它 和 這 測量 那 我們 是 使用。
我們推出了 進入 一個 方法 到 地址 這 問題。
I 使用 這 標準 提取、加載 (ETL) 格式 為了 大多數數據 科學 問題。
提煉， 轉換， 載入.
I 得到 到 休息 它 進入 四個類別，
配置， 收集， 分析 和 報告。
配置和 收藏， 標準 方法。
分析， 那是 這 鑰匙 到 這。
那是 如何 我是 再處理 這 圖片
和 然後 提取 指標 為了 那些 圖片 那 我們 能 使用 到 建造 a 模型
到 決定 無論 或者 不是， 我們 可以 探測 這 問題 在 手。
這 方法 為了 那 分析 是 到 轉變 這 圖片 從 RGB，
哪個 是 來 離開 在 這 系統， 這 測量 系統，
和 轉變 那些 到 灰色的 規模。
然後 圖片 是 裁剪， 消除 任何 測量 細節，
一切 喜歡 那 出去 的 他們。
然後 這 下一個 步 是 到 申請 中位數 到 這些 圖像。
這 原因 為什麼 做 那 是 是 去 到 模糊 這 圖片
和 消除 一些 的 這 噪音 出去 的 這 圖像。
這 是 a 鑰匙 步 為了 影像 分析 和 影像 加工。
這 方法 曾是 用過的 作為 一個 實驗 方法 不同的 核心 尺寸，
不同的 核心 形狀， 但 在 這 結尾， 是 已解決 在
使用 a 磁碟- 形狀 核心 和 a 像素 半徑 的 喜歡 5、7 , 10， 和 15 像素。
為了 那些 那 是 陌生 和 那 術語，
核心 是 基本上 只是 一個 大批
那是 用過的 到 惡化 影像 什麼時候 你是 對其進行重新處理。
後 那 曾是 完畢，
萃取 的 這 指標 從 這 再加工 圖片 曾是 發達，
用過的 一些 不同的 標準 指標，
結構相似性 指數， 均方誤差， 香農 熵，
然後 a 很少 不同的 像 高斯 版本 的 SSIM，
作為 出色地 作為 尋找 在 這 方法 的 這 標準 偏差 的 這
SSIM影像 漸變 從 這 高斯 加權 圖像。
從 在那裡，用過 維度 減少 科技
到 提煉 哪個 的 那些 指標 曾是 最多 相關的，
到 嘗試 和 建造 a 模型，一個 預測 模型
和 然後 轉變 那 進入 一些 其中 公制
那 可以 是 容易地 解釋 在 這 製造業
儘管 跑步 生產。
一 的 這 後續行動 在 這 是 什麼時候 正在做 這 公制 提取，
這 參考 影像 漏洞 這 影像 那
用過的 a 核心 和 a 像素 半徑 在 五，
和 然後 這 7、10和15 核心 半徑 是 準備好 到 那 圖像。
這 節目 a 小的 位元 更多的 細節 關於
什麼 這 分析 管道 方法 看起來 喜歡。
這 離線 方法， 我們 開始 和 這 影像 獲得。
明顯地， 這 是 完畢 期間 這 製造業 過程。
後 那， 最初， 這 工作 曾是 完畢 Python，
哪個 曾是 到 轉變 這 灰階 莊稼， 的 噪音， 這 影像，
和 然後 特徵 世代 公制 萃取， SSIM，
意思是 正方形， 熵， 計算， ETC。
JMP JSL 有 a Python 包裝器 那 你 能 使用 為了 一體化。
什麼是 偉大的 是 你 能 實際上 移動 a 很多 的 這 程式碼
在 到 這 跳轉 環境。
患病的 去 進入 a 小的 位元 更多的 細節 關於 什麼 那 是
和 如何 I 使用 它 幫助 速度 這 過程 沿著。
這 最終的 成分 的 這 曾是 到 發展 a 品質 公制。
這 是 非常 JMP密集型 步 作為 出色地。
然後 一次 a 公制 是 決定，
你 移動 那 超過 進入 一個 在線的 過程
在 哪個， 這 製造業 數據 是 分析，
然後 資訊 是 推 到 a 統計過程控制 系統。
A 小的 位元 更多的 關於 Python/ JSL 一體化，
這 融合的 Python 分析 程式碼 進入 JSL 使用 Python/ JSL 包裝器。
這 數據 轉移 發生 經過 轉換 聯合監測計劃 桌子 進入 貓熊 數據 框架。
這 數據 框架 是 已通過 在 一個 分析 代碼。
這 結果 是 返回 從 Python 到 跳轉 作為 a 數據 桌子。
什麼是 偉大的 關於 這 是 它 啟用 使用
常見的 影像 分析 圖書館 例如 skimage、scipy、PIL， OpenCV , ETC，
到 執行 這 工作 儘管 保持 這 數據 之內 這 JMP框架。
這， 在 我的 觀點， 曾是 鑰匙 因為 我是 不是 移動 數據
從 一 系統 或者 一 平台 到 其他 平台 和 後退 和 向前。
I 曾是 有能力的 到 保持 它 全部 在 一 點。
這 是 a 小的 位元 更多的 細節 關於
什麼 這 分析 管道 是 正在做 什麼時候 它是 再處理 這 圖像。
這 是 什麼 I 曾是 有能力的 到 移動 從 只是 跑步 慢慢地 在 Python
到 整合 它 進入 JSL 使用，讓我們 說， Python 圖書館。
你 能 看， 這是 a 壞的， 這是 a 好的。
我們 裁切 這 影像 僅 展示
僅有的 拿 基本上 這 成分 的 它， 轉變 它 到 灰色的，
和 然後 申請 中等的 過濾器 到 模糊 這 圖片 和 不同的 核心 尺寸
就像你 能 看 作為 我們 增加 這 核心 尺寸，
他們 變得 a 小的 位元 模糊。
什麼 I 想 到 顯示外賣 這裡 是 為了 a 好的 影像， 你 能 看
這 核心 和 磁碟大小 5 對 7 對 10 相對 15，
看 漂亮的 相似的 到 一 其他 .
然而 磁碟 5，磁碟 7、 磁碟 10、磁碟 15， 在 a 壞的 影像，
你 能 看 那 經過 時間 你 得到 到 磁碟 15，
這 影像， 或者 核心 尺寸 15，
這 影像 是 開始 到 看 相似的 到 這。
經過 移除 這 噪音 從 這 影像，
和 然後 去噪 這 圖片 逐步地
使用 不同的 核心 尺寸。
釷 是什麼使 我們 到 成功地 提煉 指標
那 我們 能 使用 到 區分 之間 這 好的 相對 這 壞的。
對不起， 抓住 在 這裡。 讓我 去 後退 向上。
在 這 觀點， 我是 去 到 發射 示範 那 節目
如何 我是 移動 這 數據 進入 跳轉
和 然後 什麼 它 看起來 喜歡 作為 它 基本上 再處理 這 東西.
如何 I 做 那 是 這 第一件事 I 需要 到 做 是 I 需要 到 建造 a 數據 桌子。
它是 a 偉大的 特徵 在 JMP 中，
你 去 到 文件， 進口 多種的 文件 這裡。
然後 什麼 我已經 得到 是 我已經 得到 基本上 a 樣本 放 只是 五 圖片
那 我是 去 到 結合所有 一起 進入 一 數據 桌子。
什麼 它 做 是 它 實際上 進口 這 圖片 作為 出色地 作為 這 影像 文件 名字。
你 去 這裡， 點選 那 文件 柱子 姓名， 點選 進口，
和
什麼 我們 得到，
是 這。
我們 得到 一個 影像 的 我們的 圖片 那 我們 想 到 分析。
我們 得到 a 文件 姓名 標籤 下一個 到 它。
我們 得到 這 數據 導入的圖像。
現在， 這 下一個 步 是 到 跑步 我們的 分析 程式碼
反對 每個 的 這些 圖片 和 開始 提取 指標。
我已經 得到 一...
修改的 版本 的 那 程式碼 這裡。
這 方式 這 程式碼 作品 是
有 a Python 初始化 那 發生 JSL。
進而 一次 那是 完畢，
這 數據 桌子 那 你 想 到 分析
是 過去的 八 到 Python 作為 a 數據 框架。
在 那 觀點 在下面 這 Python 提交，
基本上， 你 轉變 超過 到 Python 代碼。
進而 你是 使用 標準 方法，
標準 編碼 程式 為了 Python
和 分析 這 影像， 作為 你 能 看 這裡，
我們有我們的 圖書館 進口， ETC。
如何 高的 這 程式碼 曾是， 基本上 到 尋找 a 束 的 功能。
然後 那些 函數 將要 返回 一個 輸出
那 會 基本上 得到 額外 後退 進入 這 數據 框架
那 是 推 後退 出去 到 跳轉 進入 這 數據 桌子。
那是 完畢 經過 使用 這 lambda 函數，
日 是 λ 功能適用 這 是 數控 化 全部 行，
這 指定的 柱子 在 這 數據 框架 或者 這 跳轉 桌子。
什麼時候 我們 跑步 這...
我們 去 到 做 是 拿 那 桌子 I 只是 建造
和 是 去 到 提煉，
但 什麼 是 去 到 做 是 重新處理 這 圖片 和 提煉 這 指標。
什麼 我們 看 這裡 是 這 圖片 那 是 顯示 更早。
我們 採取 我們的 圖片， 我們已經 已轉換 它 到 灰色的。
然後 我們 開始 學習 它。
我們 得到 5 像素 半徑 核心 7、 10和 15.
然後 從 那裡， 是 提取 全部 的 我們的 不同的 指標。
SS 在 為了 7 比較 到 5 SSIM。
SSIM 是 結構 相似 指數，
7 比較 到 5、 10 比較 到 5、 15 比較 到 5.
那是 基本上 什麼 是 正在做， 是 計算 結構相似性 指數
之間 這 影像 和 這張圖片，
這張圖片和這張圖片
還有這張圖片和這張圖。
如果 我們 去 後退 到 我們的 推介會，
從 這裡， I 用過的 一些 不同的 方法 為了 審問 這 數據。
首先是 多變數
很多相關性 到 工作 和 這裡。
這 紅色的 表示 壞的 影像， 藍色的 表示 好的 圖像。
一個 異常值 分析， 只是 尋找 在 這 馬哈拉諾比斯 距離，
折刀法 距離。
那是 只是 到 看 無論 或者 不是 是 沉重 傾斜的，
你 能 看 那 我們已經 得到 更多的 異常值
在 這 壞的 人口 比較的 到 這 好的。
但我 思考 如果 你 分離 這些 二 出去，
這 來 向下 a 小的 位元.
我是 顯示 這 只是 到 展示 你 能 去 在 這裡，
和 你 能 開始 修剪 一些 的 這些 出去 如果 你 想 到，
如果 你是 不是 看到 好的 適合。
但 為了 這 目的 的 這 鍛煉，
I 沒有 有 到 消除 或者 隱藏 任何 數據 在 這 分析。
I 曾是 有能力的 到 使用 全部 作為 它 是。
但 如何 I 做過 那 曾是 這裡。
這 是 這 主要的 數據 桌子。
這 是 全部 這 數據 那 I 看了 在， 這裡 全部 這 圖像。
I 會 只是 去 到 分析， 多變數 方法， 跑步 這 多變量的。
什麼 我們 想 到 做 是 只是 去 和 那，
實際上， 對不起， 在 這 第二 這裡。
什麼時候 分類，
I 做過 使用 轉換 在 這 分類 從 a 特點 根據 t o 轉動。
有 a 偉大的 特徵 在 這裡。
我們 能 去 到 柱子， 公用事業， 和 然後 製作 指標 列。
你 能 去 此處並點擊附加 柱子 姓名。
什麼 它 做 是 a 小的 說， 「好的， 那 是 一， 零。 」
為了 這 排， 這 是 壞的， 不是 好的。
然後， 向下 這裡 到 去 副 反之亦然。
你 能 使用 那 資訊
到 餵食 進入 一些 的 這 不同的 造型 平台
那 我們將 小心這裡 在 a 很少 分鐘。
後退 到 這 多 多種多樣。
去 這裡， 去 到 跑步 全部 這些。
讓我們 跑步 這 平台。
那是 有趣的。
讓我們 去 這裡， 我的 壞的。
W e 能 看 我們的 相關性。
然後 到 得到 這 異常值 分析，
去 這裡， 點擊，
對不起， 去 進入 這 多 變數和 你 去 向下 到 異常值 分析。
你 跑步 許多 羊毛 距離， 你 跑刀距離 .
有 不同的 方法 是 基於 在。
我已經 有 到 得到 成功的 為了這。
這 是 第一遍。
外觀 喜歡 我們已經 得到 某物 到 工作 和 這裡。
這 下一個 步 是 到 休息 這些 向下 a 小的 位元 更多的
到 看 在 如何 每個 的 這 不同的 指標 是 回應
到 不同的 核心 尺寸。
什麼 是 真的 尋找 為了 這裡 是
如何獲得...
我們 開始 到 看 更大 變化 在 這 核心 尺寸。
是 這 線 仍然 重疊 和 一 其他？
是 開始 到 看 分離。
尋找 在 15 在 壞的 ， 相對 15 個很好，
15 個是壞的， 15個很好 用於結構 相似 在 均方誤差
我們 能 開始 到 看 那， 是 看到 分離 這裡。
I 思考 那 是 a 好的 指標
那 我們 應該 是 有能力的 到 提煉 某物 從 這。
那 曾是 完畢 使用 這 圖形 建造者 演示。
我已經 得到 數據 桌子 建造
具體來說 為了 這
圖形 建造者， 偉大的 特徵 這裡。
我是 傾銷 在 核心 尺寸。
我是 尋找 這 價值 這 網路，
這些 進入 群組 基於 在 好的 相對 壞的 分類 代碼。
然後 我的 影像 公制 是 去 到 使用 頁。
這裡 I 只是 去 創造 a 線性 合身
那 看 在 先進的 為了 預言 , R²。
它只會彈出等式 是 那裡。
你 能 看 這 善良 的 這 合身。
I 做 喜歡 尋找 在 歡呼 點。
為了 這， 什麼時候 I 用過的 居中網格 和 移動 這 沿著。
它是 只是 簡單的 大約 這 眼睛 為了 推介會 目的。
你 能 捲動 透過 這裡，
和 它是 得到 為了 每個 的 這些 真的 好的 尋找 圖表 到 預覽。
基於 這 多 變數和 這 線性 合身，
我是 感覺 漂亮的 好的 關於 這 數據
那 我們 提取 從 這些 圖像。
這 下一個 步 是， 我們已經 得到 a 很多 的 指標 那 我們已經 提取 從 這些。
全部執行 其中 事情， 做 一些 的 它 事情？
這 下一個 夫妻 幻燈片， 我們 去 超過 維度 減少。
具體來說， I 用過的 a 主成分分析 和 部分的 B 方塊 為了 這 主成分分析。
和 這 是 分類， 壞的 相對 好的。
這 去 後退 到 什麼 I 曾是 示範 早些時候
和 這 數據 桌子。
什麼時候 你是 大樓 a 主成分分析， 你 想 到 有， 明顯地，
你的 輸入 和 你的 輸出 重鑄 作為 向量 在 那 分析。
這 原因 為什麼 你 想 那 是 因為
你是 尋找 為了 第九 正交性 和 問候 到 你的 輸入 和 你的 輸出。
這 更多的 正交的， 他們 是 到 一 其他，
這 較少的 可能 他們是 玩 a 角色 什麼是 去 在。
重鑄
a 特點- 基於 分類 進入 a 數位 使 那 簡單的 到 工作 和。
我們 可以 看 這裡， 我們已經 得到 一些 這裡 那 看 喜歡 他們 可以 是 有趣的。
一些 的 這些 是 有趣的。
I 突出顯示 這些 到 跑步 這 分析
和 簡單地 拿了 我的 數據 桌子 那 I 建造，
去 這裡， 分析、預測 造型。
對不起， 多變量，主要 成分。
什麼 是 去 到 做 是 投擲 好的， 壞的 分類，
和 全部 的 我們的 不同的 指標 進入 這 分析。
看 這裡， 這些 看起來很有趣。
這些 是 特別 有趣的。
什麼是 好的 是 什麼時候 你 強調 這些，
和 你 去 後退 和 你 看 在 你的 數據 桌子，
它會 強調 哪個 問題 你 已選定。
很多時候 PT 能 得到 真的 忙碌的，
所以 它是 便利 到 是 有能力的 到 去 參考文獻，並說，
「好的， 所以 這些 是 這 一 那 我是 實際上 有興趣的 在。 」
讓我們 得到 後退 到 這裡。
後 這， 在 a 請， 這 是 更多的 為了
目標 如何 許多 因素 我們 思考 是 玩 a 角色
在 這 數據 那 我們已經 得到，
作為 出色地 作為 幫助 我們 確認 額外的 指標
那 可能 是 有趣的。
為了 這 特別的 數據 放，
它 看起來 喜歡 它 定居 在 和 關於
大概 至少 五 因素 那 我們 會 預計
那 來 從 這 機率 更大 比
范德沃特 T² 公制 基於 在 這 工作手冊，
他們 引用 a 學術的 研究表明
任何事物 去 關於 0.1 是 通常 在哪裡 你 想 到 開始 在。
從 那裡， 我們 跑步 這 請 因素 鑑別。
這 是 你的 貴賓 相對 係數 情節，
和 從 在那裡，你 能 強調 這 不同的
指標 那 似乎 到 是 駕駛 這， 這 一 那 是 最多 相關的。
這 方式 那 作品 尋找 在 這些 圖表 是 你 想 到 去 出去 到 這 極端。
這些 是 有趣的。
作為 它 獲取 更近，更近 到 這 零 係數，
它是 較少的 有趣的。
我是 不是 去 到 跑步 這 請 平台
因為 這 將要 實際上 拿 a 儘管 到 跑步。
I 不 思考 任何人 想要 到 只是 手錶 我的 電腦 跑步
在做這件事的時候。
基於 我們的 方面 減少，
I 結束 向上 和 這些 因素 存在 這 最多 相關的
和 問候 到 什麼 它 是 那 我們 想 到 餵食 進入 這 神經 網路。
一些 實驗， I 成立 那 它 曾是 主要 這 請 結果，
和 然後 這 標準 10 公制 從 這 主成分分析 作為 出色地
什麼時候 那 曾是 額外 在，
它 真的 幫助 拉 這 模型 一起。
訓練 相對 驗證。
明顯地， 我是 使用 a 神經 網路 到 建造 這 模型 為了 這 分類器。
這 原因 為什麼 我是 使用 那 平台 具體來說 為了 這，
它 有 K 折 已預訂驗證 在 在 它是 標準 在 這 JMP平台，
哪個 是 偉大的。
我已經 成立 那 肯德基 奧茲 幫助 到 補償
什麼時候 你是 搖搖欲墜 在 班級 不平衡。
那是 a 真的 常見的 問題 什麼時候 你是 處理 和，
學習 製造業 流程。
Y 哪裡 不是 去 到 有 a 很多 的 這 有缺陷的 數據 到 工作 和。
你已經 真的 得到 到 製作 這 最好的 的 什麼 你已經 得到。
I 尋找 那 有時 K-Folds 有助於 那。
這 輸出 從 這 神經 網路 曾是 漂亮的 好的， 實際上。
這 方式 I 做 這 是 患病的 跑步 這 模型， 喜歡 關於 五 次，
和 然後 患病的 比較全部 五個 他們 到一個 其他。
患病的 拿 基本上 這 中位數， 這 分類 速度，
和 然後 去 向下 這裡 和 看 在 我們的虛假 正面因素 和 錯誤的 消極的 率。
和 問候 到，
這 錯誤的 積極的 率。
I 看 在 這 鵬 曲線。
這是 a 秘密 操作員 特徵 曲線。
你 想 到 看 在 這些，
他們 想 到 是 描述 作為 高和 緊的，
這 更近 這些 線 得到 到 這 中間 線，
這 更近 你得到 到 這 硬幣 通過和你的 這 預言。
明顯地， 那 是 不是 什麼 是 看到 這裡。
然後 這 預言 分析器 有 一些 偉大的 特徵
因為 你 能 基本上 重新排序 這些 基於 在
哪個 是 玩 這 最大 角色 在 這 預言，
作為 出色地 作為 視覺化， 喜歡 什麼 每個 個人 公制 是 正在做
和 問候 到 玩 a 角色 在 這 預言 本身。
在 這 案件，
是 尋找 在 過渡 的 這 主導的 方面 這裡。
這是 a 小的 位元 詭異的。
我是 不是 當然 什麼是 去 在 就這樣。
A s 你 得到 後退 這裡， 在哪裡 這 較少的 主導的 方面，
你 能 開始 到 看 他們 變得 更多的 推。
患病的 跑步 這 示範 為了 這 神經 網路。
我們 去 這裡。
分析。
A 事實上， 我已經 得到 這 一 建造 已經。
讓我...
我們 發射 這 分析。
我們 包括 我們的 因素， 我們的 回應 是 分類。
神經 網路 沒有 關心
如果 你是 使用 a 數值 或者 特點- 基於 回覆.
那 將要 工作 和 任何一個 一。
這裡， 為了 驗證 方法，
你有一個 K 折， 使用 五折。
這 金子 標準 為了 最多 喜歡 AI型 分析 是 十。
I 成立 這 五 曾是 美好的
所以 不 原因 到 推 它。
I 使用 三 隱 節點。
點擊“開始”，然後這裡是 輸出。
喜歡 I 說， 患病的 跑步 這 大概
五 次， 取讀數 你 能 看 這裡。
我們的 分類 是 漂亮的 好的。
出色地 看 a 小的 位元 變化 在 這 驗證 放。
但 它是 全部 之內 原因 為了 什麼 它 是 那 我是 尋找 為了
和 問候 到 這 分析器 和 這 鵬 曲線。
你 得到 向下 這裡， 哪個 鵬 曲線 你 能 看 這裡，
作為 I 描述 早些時候， 這 高度 特徵 在 這 曲線。
驗證， 或許 a 小的 位元 較少的， 但 我們可以 工作 和 它。
然後 和 問候 到 這 分析器。
分析器輸出 看起來 喜歡 這。
它 沒有 安排 他們 和 哪個 一 是 最多 相關的。
你 去 這裡
和 你 去 到 評估 多變的 重要性， 獨立的 制服 輸入。
去 後退 向上 這裡， 我們 能 看 a 概括 報告。
這裡， 你 去 向下 到 多變的 重要性， 菜單。
從 這裡， 你 能 重新排序 因素 經過 主要的 效果重要性。
為了 這 模型， 它 重新排序 這 方式，
著色。
你 能 看 這裡 我們已經 得到 這 更暗 顏色 是大多數 相關的
和 然後 它 動作 到 這 正確的。
讓我們來看看。
轉換 這 模型 到 一個 統計過程控制 公制， 到 製作 這 數據 更輕鬆 到 解釋，
我們 需要 到 拿 這 結果 從 這 模型 已轉換 進入 公制
那可以 是 發布 到 統計過程控制 系統 和 繪製 在 統計過程控制 圖表。
這 啟用設定 成分 的 這 神經 網路 模型 是 a 柔軟的 地圖 功能
那是 a 標準 在 JMP 中。
這 計算 這 可能性 的 一個 影像 存在 好的 或者 壞的，
和 這 更高 這 二 導致 和 和 這 圖片 分類 作為
和 什麼 是 去 到 做 這裡 是 去 到 介紹 a 第三個指標 未知。
患病的 展示 a 小的 位元 關於 如何 那 是 完畢。
一 的 這 好的 事物 關於 這 神經 網路 平台
是 這 SAS 數據 步 輸出 文件 是 實際上 喜歡 a Python 式 模型 腳本。
通常 為了 公制， 你 想 這 在 Python，
那會 是 真的 涼爽的，
忘記了 如何 到 做 它 全部 在 跳轉。
這 程式碼 從 這 神經 網路 這裡，
這 實際的 模型 本身 能 是 輸出 在 這 格式。
你 只是 去 到 模型 和 製作 SAS 數據 步。
這裡 我們 去。
I 思考 在 JMP Pro 中， 你 可以 只是 輸出 它 經過 Python 直接地，
但 不是 每個人 有 使用權 到 JMP專業版。
它 獲取 任何一個 80 % 的 這 方式 那裡，
不是 100 %。
它 只是 需要 a 很少 修改 在 這 實際的 代碼。
在 這 左邊 手 邊， 我們已經 得到 這 SAS 數據 步 格式。
在 這 右側， 它是 這 轉換 的 它 到 這 Python。
它是 只是 輸入 它 作為 輸入 這 數學 圖書館,
和 然後 申請 那 所以 我們 能 拿 這 切線 到 事物。
然後 你 得到 那 這裡。
什麼 我們 想 到 做 是 臨界點，
我們的 S 常 斧頭 可能性 計算 是 正在做 這，
相當 比 只是 說， 任何 的 這些，
是 最高 是 你的 實際的 結果。
如果 它是 0.5 1、 壞的， 0.49 , 好的， 然後 它將 是 壞的。
是 我們 去 和 我們 說， 「好的， 如果 這 Softmax 輸出 是 更大 比 0.75
然後 它是 那 分類器， 因為 它會 是 平等的 和 對面的。 」
它會 是 可接受 一。
如果 它是 0.75 那麼糟糕 它是 壞的，
但 如果 它是 a 數位 較少的 比 那， 它 慣於 分類 它 作為 好的 或者 壞的。
它會 只是 分類 作為 未知。
出色地 經過 那 進入 我們的 系統。
什麼 那 告訴 我們 到 做 是 某人 看 在 那些 影像，
因為 這 分類器 不能 決定 無論 或者 不是 它是 好的 或者 壞的。
這 輸出， 和 這 是 這 完成的 產品，
是 到 轉變， 喜歡 I 說，
決賽 公制 進入 某物 那 可以 是 已報道 在我們的 統計過程控制 系統。
基本上， 什麼 是 正在做 這裡 是 只是 實際上 報告
什麼 我們的 軟 斧頭 可能性 是，
服用 這 逆 的 那， 和 然後 申請 這 臨界點
到 決定 無論 或者 不是 事物 是 已知 或者 未知。
基於 那， 這 是 我們的 最初的 數據
那 我已經 顯示 在 這 開始 的 這 推介會
那 節目 這 是 這 圖表 看 喜歡 為了 這 測量 的 這 缺點。
然後 這 是 什麼 我們 得到 什麼時候 我們 去 在
和 我們 重新分析 那 數據 和 申請 這 新的 公制，
哪個 告訴 我們 無論 或者 不是 它 認為 那 有 邊 牆 特徵，
你 能 看 尋找 在 這 相同的 數據 放
那 是的， 它 非常 很多 所以 識別 那 作為 任何一個 好的 或者 壞的。
這 綠色的 表示 那是 a 好的。
這 紅色的 表示 那些 是 分類 作為 壞的。
然後 你 能 看 這裡 在 SPC數據，
他們 會 即刻 得到 已標記 作為 壞的 作為 出色地。
這些 藍色的 一 絞刑 出去 這裡
是 一 那 是 未知 那 它 是 告訴 我們 所以 很多，
「去 看 在 這。 」
那 是 我的 推介會。
我已經 發布 這 資訊 到 這 使用者 社群 地點
如果 任何人 想要 使用權 到 這 程式碼
那是 用過的 為了 這 影像 分析 那 是 那裡。
感謝 你 非常 很多。
