스피커 | 성적 증명서 |
| 피터 폴리토 | 오늘 하루 어땠어요. |
| 내 말 들리니? |
| 당신이 말하고 있다면, 나는 당신의 말을 들을 수 없습니다. |
| 안녕하세요. |
| 테스트 테스트. |
| 오 안녕 레오, 내 말 들리니? |
| 네 죄송합니다. 기술적인 어려움을 생각하면 그렇습니다. |
| 피터 폴리토 | 오 전혀 문제 없습니다. |
| 오 좋아, 좋은 지미야. |
| 피터 폴리토 | 오, 어디. |
| 에서 전화를 걸고 있습니까? |
| 싱가포르. |
| 피터 폴리토 | 싱가폴 좋아, 얼마나 늦었어? |
| 약 909. |
| 피터 폴리토 | 네 잘. |
| 네 감사합니다. |
| 에 매달려. |
| 너무 늦게 만들어주셔서 감사합니다. |
| 가능하지 않습니다. 괜찮아요. |
| 오. |
| 아니요. 저는 이것 때문에 스트레스를 많이 받았어요. 아, 그래요. 괜찮아요. 가상 배경을 깔게 할게요. |
| 괜찮아. |
| 피터 폴리토 | 그리고 공식적으로 시작하기 전에 몇 가지만 진행해야 합니다. |
| 괜찮아. |
| 피터 폴리토 | 그냥 줘. |
| 여기 분. |
| 응. |
| 피터 폴리토 | 체크리스트만 가져와서 여기에서 모든 작업을 올바르게 수행했는지 확인합니다. |
| 괜찮은. |
| 그래서 확인만 합니다. |
| 당신은 진정입니다. |
| 네, 그리고 당신의 강연은 백신 부작용에 대한 모델이라는 제목이 붙었습니다. |
| 네 맞아요 맞아요. |
| 피터 폴리토 | 좋습니다. 그런 다음 이것이 사용을 위해 녹음되고 점프 발견 정상 회의가 점프 사용자 커뮤니티에서 공개적으로 제공된다는 것을 이해하기 위해 이 녹음 및 사용에 대한 권한을 부여합니까? |
| 네, 좋아요. |
| 당신의 마이크는 좋은 소리가 납니다. 배경 소음은 들리지 않습니다. 휴대전화가 꺼져 있고 임의의 소음을 낼 수 있는 모든 것입니다. |
| 잠깐만. |
| 보내드리겠습니다. 네 찾아갑니다. |
| 피터 폴리토 | 좋아, 그럼. |
| 우리는 당신이 갈 수 있고 당신의 화면을 공유할 수 있는지 확인해야 하며 해상도와 기타 몇 가지 사항을 검토하고 확인해야 합니다. |
| 그래, 물론이지. |
| 피터 폴리토 | 감사합니다. |
| 죄송합니다. Lisa가 전화를 받고 있습니까 아니면 진정하고 있습니까? |
| 내 이름은 멋지게 발행됩니다. |
| 피터 폴리토 | 괜찮아. |
| 음 괜찮아. |
| 피터 폴리토 | 아직 안 보이네요 oh um 파이를 덮고 있는 걸 아세요 잠시만요. |
| 좋아 보인다. |
| 그리고 화면 하단으로 이동하면 작업 표시줄이 실제로 표시되므로 작업 표시줄이 표시되지 않습니다. |
| 괜찮아. |
| 피터 폴리토 | 그리고 제가 확실히 하도록 하겠습니다. |
| Outlook이나 Skype와 같은 팝업을 생성할 수 있는 프로그램 또는 그 중 하나가 모두 종료되고 종료되는 프로그램입니다. |
| 음, 내 생각에, 그래서 나는 그들을 확인하는 데 베팅합니다. |
| 내 부엌을 닫습니다. |
| 괜찮아. |
| 그래 좋아. |
| 피터 폴리토 | 좋습니다. 그러면 PowerPoint에서 작업할 것입니까 아니면 점프도 표시할 것입니까? |
| 트랜지션이 걱정되서 파워포인트에서 운명적으로 할게요. |
| 피터 폴리토 | 좋아, 그럼 음소거하고 카메라를 끄겠다. 이미 녹화하고 있는 대로 최대한 빨리. |
| 내 사진이 보이면 바로 가서 시작하세요. 어떤 이유로든 방해하지 않을 것입니다. 30분 프레젠테이션이므로 끝까지 진행하겠습니다. 저는 여기도 안 가겠습니다. 그것은 당신 자신에게 말하는 것과 같을 것입니다. |
| 알겠습니다. 회의록이 올바르게 표시되도록 합니다. |
| 피터 폴리토 | 갈 준비가 되있어. |
| 응. |
| 피터 폴리토 | 괜찮아. |
| 좋습니다. 우리가 실제로 언제인지 알 수 있습니다. |
| 내일 당신이 잘못 말했거나 약간 다른 방식으로 무언가를 발표하고 싶었다면 발견 정상 회담을 가지십시오. |
| 당신은 당신의 프리젠테이션이 언제 진행되는지에 대해 라이브를 할 수 있고, 당신은 보증금을 제시하는 사람에게 물어볼 수 있습니다. 그리고 당신은 제가 이것을 말할 것이라는 것을 알고 있다고 말할 수 있습니다. 제가 전달하고 싶은 것은 당신이 좋아할 수 있다는 것입니다. |
| 프레젠테이션 중에 실시간으로 편집할 수 있으므로 모든 단어를 완벽하게 이해하는 데 스트레스를 받지 말고 긴장을 풀고 검토하면 괜찮을 것입니다. |
| 괜찮아. |
| 응. |
| 피터 폴리토 | 알겠습니다. 음소거하고 카메라를 끄겠습니다. 그러면 시작하세요. |
| 고마워 피터. |
| 안녕하세요 설링입니다. 저는 현재 School of Computing and Information Systems에서 데이터 분석 과정을 밟고 있는 Singapore Management University의 석사 과정 학생입니다. |
| 그래서 저는 실제로 오늘 IT for Business 프로그램 석사 과정에 제출된 과제를 발표하기 위해 이 자리에 섰으며, 더 중요한 것은 지금까지의 JMP 여정을 공유하고 싶습니다. |
| 그래서 올해부터 JMP를 사용하기 시작했고 사용이 간편하고 통계적 방법의 범위와 시각화할 수 있는 범위 때문에 JMP와 정말 사랑에 빠졌습니다. |
| JMP를 사용하는 초심자로서 여기에서 제 보고서를 발표하고 피드백을 받게 되어 정말 영광입니다. |
| 그래서 제 논문의 동기는 실제로 COVID 19 백신을 살펴보는 것이었기 때문에 백신이 얼마나 중요한지 알고 있습니다. |
| 그것이 개발되고 관리되는 전례 없는 속도로 인해 그 안전성에 관해 지역 사회에서 약간의 의심이 제기되었습니다. |
| 그래서 우리는 미국 백신 부작용 보고 시스템의 데이터를 사용하고 있습니다. 그렇습니다. |
| 그래서 우리는 백신에 대한 안전성 문제가 근거가 있는지 판단하는 데 도움이 될 가능성이 있다는 것을 발견했기 때문에 거기에서 얻은 데이터를 사용하고 있습니다. 그래서 이 논문은 VAERS의 정형 데이터와 비정형 데이터를 모두 사용하여 COVID-19 백신의 부작용을 모델링합니다. |
| 그렇다면 VAERS는 무엇입니까? 그래서 질병통제예방센터와 미국 FDA는 이 시스템을 가지고 있었고 실제로는 부작용입니다. |
| 데이터를 수집하는 시스템입니다. 그러나 일반적으로 우리가 보는 것은 유해 사례에 대한 인과 관계를 결정하는 데 사용할 수 없는 VAERS 데이터입니다. |
| 부작용과 백신 접종 간의 연관성이 확립되어 있지 않기 때문입니다. 그래서 우리가 여기서 실제로 보고 있는 것은 보고하는 사람들이 있지만 거기에는 사건을 보고하는 사람들이 있다는 것입니다. |
| 보고된 이러한 증상과 사건이 백신과 관련이 있는지 확인합니다. 그렇다면 왜 우리는 여전히 이 데이터를 사용하고 싶어 할까요? 따라서 먼저 데이터를 사용할 수 있고 공개 도메인입니다. |
| 데이터는 최신 상태이며, 더 중요한 것은 빈도가 낮기 때문에 모든 유해 사례가 임상 시험 중에 포착되지 않을 가능성이 있다는 것입니다. 그래서 |
| 일반적으로 임상 시험의 경우 건강한 개인만 포함합니다. 따라서 만성 질환이 있는 사람들이나 임산부와 같은 특별한 인구는 |
| VAERS가 백신 안전성의 중요한 원천임을 알 수 있도록 제한합니다. 따라서 이에 대한 자세한 내용은 여기에서 이 링크를 찾아볼 수 있습니다. |
| 예, 이 연구에 사용된 데이터 세트는 VAERS에서 추출한 트리 데이터 테이블에서 가져옵니다. 첫 번째는 VAERS 데이터입니다. |
| 여기에는 주로 환자 프로필 및 부작용의 결과에 대한 정보가 포함되어 있으므로 여기에 있는 것은 JMP의 작은 클립입니다. |
| 여기서 우리는 증상 텍스트를 가지고 있으며 이것은 한 사람, 한 명의 환자를 기반으로 한 하나의 보고서라는 것을 알 수 있습니다. 좋습니다. 데이터가 매우 더럽습니다. |
| 내러티브 텍스트에는 유용한 정보가 많이 있지만 철자 오류, 오타, 지나치게 길거나 심지어 매우 짧은 문장과 같은 오타가 있음을 알 수 있습니다. |
| 따라서 다음 두 데이터 세트는 예방 접종 데이터의 VAERS와 증상입니다. 그래서 하나는 백신에 대한 정보를 담고 있고, 다른 하나는 |
| 우리가 볼 수있는 증상 텍스트에서 추출됩니다. 좋아, 이 접근성을 감안할 때 실제로 VAERS 데이터는 꽤 많이 채굴되었습니다. |
| 많은 연구자들이 많이 사용하지만, 보시다시피 데이터는 보고서의 품질이 다양하기 때문에 실제로 사용하기가 매우 어렵습니다. |
| 그리고 정품이 아닐 수도 있습니다. 따라서 필요한 정보를 추출하기 위해 몇 가지 형태의 수동 선별이 일반적으로 사용됨을 보여주는 검정력을 검토합니다. |
| 그러나 이 또한 상당히 노동 집약적이며 매우 어렵기 때문에 이 논문에서는 JMP에서 텍스트 분석 기법을 사용하여 핵심 정보를 추출하는 방법을 소개하는 것을 목표로 합니다. |
| 그리고 이 사건과 관련된 가장 중요한 변수를 설명하기 위해 설명 모델을 시도하십시오. 그래서 우리가 한 것은 여기 있는 각 데이터 테이블에 대해 개별적으로 정리한 다음 VAERS ID를 사용하여 결합하는 것입니다. |
| 우리가 환자 결과를 기반으로 한 것은 심각도 등급이라고 하는 것을 도출한 것입니다. 이에 대해서는 나중에 조금 이야기하겠습니다. 따라서 테이블이 조인되면 |
| 네 개의 서술 텍스트가 있다. 알레르기, 약물, 병력 및 증상에 대한 것입니다. |
| 그런 다음 텍스트 분석 기술을 사용하여 각 텍스트 데이터의 심각도 등급을 설명하는 상위 용어에 대한 벡터를 추출합니다. |
| 그리고 데이터 세트의 기존 스프레드시트 데이터 구조화된 변수에 결합합니다. 자, 이 모든 것이 함께 컴파일되어 모델 구축에 적용됩니다. |
| 좋습니다. 심각도 등급은 무엇에 관한 것입니까? 환자의 결과를 기반으로 하는 VAERS 데이터에는 환자의 상태를 설명하는 12개의 변수가 있습니다. |
| 그런 다음 이를 기반으로 변수를 추출하고 의미를 파악하려고 하므로 심각도를 4단계로 구분하고 이를 심각도 등급이라고 합니다. |
| 그래서 다음으로 우리가 사용하는 방법에 대해 조금 이야기 할 것입니다. |
| 텍스트 분석을 위한 JMP Pro Text Explorer 플랫폼이며 데이터 정리부터 시작합니다. 그래서 우리가 하고 싶었던 것은 실제로 텍스트 데이터에서 중요한 용어를 추출하는 것이었습니다. |
| 그리고 그것들을 구조화된 변수로 확장하여 모델을 구축하십시오. 보시다시피 실제로 텍스트 데이터는 매우 지저분합니다. 그래서 우리가 한 일은 |
| 먼저 빈도라는 용어를 사용할지, 어떤 종류의 빈도를 사용할지 결정한 다음 이진 용어 빈도를 선택했습니다. 데이터에 따르면 이를 고려하면 상당한 이점이 있음을 알 수 있습니다. |
| 다음으로 들어온 청소에 대해 조금. 따라서 먼저 JMP Pro Text Explorer를 사용하여 텍스트 데이터를 구성했으며 거기에 있는 유용한 기능을 사용하여 구문을 추가하고 자동으로 |
| 백혈구와 같은 용어를 백혈구와 세포로 끌어들이는 것이 아니라 문구로 보관한다는 것은 별로 의미가 없다고 볼 수 있습니다. |
| 그리고 몇 가지 다른 방법도 사용할 수 있습니다. 그래서 하나는 단어 어미를 기반으로 단어를 어간 처리하는 결합 표준이며 철자가 잘못된 단어나 오타 오류 또는 이와 유사한 것을 다시 코딩하기 위해 목록을 알파벳순으로 정렬하는 방법도 생각했습니다. |
| 네, 다음은 매우 편리한 기능을 사용하여 유사한 항목을 모두 함께 다시 코딩하는 것이었습니다. |
| 따라서 텍스트를 정리한 후 다음으로 수행하는 작업은 |
| 실제로 워크플로를 살펴보았습니다. 워크플로는 불용어 제외 및 용어에 대한 대상 변수의 영향을 확인하는 데 유용합니다. |
| 그래서 여기서 내가 한 것은 가장 자주 사용되는 용어를 크기별로 시각화하고 심각도 등급에 따라 색상을 지정하는 것이었습니다. |
| 그래서 당신은 밝은 색이 덜 심한 경우에 속하고 어두운 색이 다른 가장 심한 경우에 속한다는 것을 알 수 있으며 픽업을 좋아할 수 있으며 단어는 아주 작습니다. |
| 그리고 정말 흔한 증상이 심각하지 않다는 것을 보여주지만 뇌혈관 사건 폐색전증 등으로 용어를 잡았습니다. 따라서 이들은 가장 심각한 부작용과 관련이 있습니다. |
| 다음으로 선택이라는 용어를 사용하므로 선택이라는 용어는 새로운 기능인 JMP Pro 16으로 매우 시기적절했습니다. |
| 따라서 일반화된 회귀 모델을 텍스트 분석 플랫폼에 통합하므로 텍스트 분석 플랫폼에 따라 용어 선택이 있는 곳에서 이것을 선택할 수 있습니다. |
| 그런 다음 응답 변수에 중요한 핵심 용어를 식별할 수 있습니다. 따라서 우리의 응답 변수는 심각도 등급입니다. |
| 그렇다면 일반화 회귀 모델을 사용하는 이유는 무엇입니까? 따라서 정규 분포가 아닌 변수 또는 상관 관계가 높은 변수에 널리 사용됩니다. |
| 데이터가 서로 독립적이고 다른 상관 관계가 표시되지 않는 경우. 여기 이 방법은 우리 데이터 세트에 적합하기 때문에 유용합니다. |
| 그리고 데이터 테이블 내부의 각 역할은 환자이며 모든 역할은 서로 독립적입니다. |
| 따라서 가장 중요한 것은 일반화 회귀 모델이 변수 선택을 허용한다는 것입니다. 따라서 응답 변수에 가장 큰 영향을 미치는 변수를 선택하기 때문에 그렇게 하려는 것입니다. |
| 예, 이 회귀 모델에 대해 조금 더 자세히 설명하면 여기에 사용할 수 있는 몇 가지 옵션이 있습니다. 여기에는 올가미뿐 아니라 탄성 그물이 있습니다. |
| 여기 다른 점은 올가미가 상관된 요인 그룹에서 하나의 용어를 선택하는 경향이 있는 반면 탄력적 네트워크 네트는 용어 그룹을 선택한다는 것입니다. 그래서 일반적으로 탄성 그물이 사용된다고 생각합니다. 그리고 여기에서 이진 용어 빈도에 대한 우리의 선택이 들어왔습니다. |
| 자, 이것은 용어 선택의 결과입니다. 여기에서 (???)의 개요를 표시한 다음 일반화(???)하지만 더 흥미롭게 볼 수 있습니다. |
| 계수로 시작할 때 이것이 상위 양수 계수임을 알 수 있습니다. 따라서 이들은 응답 변수 측면에서 가장 큰 역할을 하는 상위 요인입니다. |
| 그리고 여기 있는 것은 계수에 따라 정렬할 때 가장 역할을 하지 않는 증상입니다. 그래서 결과를 보면 심정지와 코로나19 폐렴, 뇌혈관 사고가 모두 반응 변수에 영향을 미치는 용어임을 알 수 있다. |
| 그래서 우리는 더 심각한 성격의 용어가 심장 및 폐와 관련이 있음을 알 수 있습니다. 더 낮은 주파수의 용어가 맞는 것과 대조적으로 매우, 매우 경미한 증상입니다. |
| 좋아요, 그래서 우리는 이 모든 과정을 다른 |
| 다른 모든 텍스트 변수에 대해 증상에 대한 예제로 이동했습니다. 따라서 알레르기, 병력, 병력도 있습니다. |
| 사용된 약물뿐만 아니라 우리가 나중에 한 것은 문서 용어 매트릭스를 저장하는 것이었습니다. 좋습니다. 기본적으로 DTM은 매번 데이터 테이블에 열을 저장합니다. |
| 여기에서 예를 볼 수 있습니다. 매우 희소한 행렬이기 때문에 주로 0을 많이 사용합니다. 그래서 하나는 이 열을 여기로 가져갑니다의 존재를 나타낼 것입니다 하나는 (???)의 존재를 나타낼 것입니다. |
| 그래서 우리는 그것을 저장하고 다른 텍스트 분석을 위해 과정을 반복합니다. |
| 그런 다음 이 모든 용어를 저장하면 모델링으로 넘어갔습니다. 따라서 모델링은 일종의 유효성 검사 열과 같은 방식으로 구축하는 것이므로 여기에서 예측 모델링으로 이동하여 유효성 검사 열을 만듭니다. 그래서 여기에서 우리는 선택 사항을 선택하여 55%로 설정된 유효성 검사로 설정했습니다. |
| 그리고 여기의 모든 것은 응답 변수로 심각도와 함께 중요한 변수를 식별하는 것이었습니다. 따라서 모두 문서 용어 매트릭스에서 파생된 7개의 구조 변수와 55개의 구조 변수와 총 약 31,000개의 규칙이 있습니다. |
| 그리고 우리가 보는 것은 불균형 데이터 세트를 얻는 심각도 등급으로 인해 불균형이 있다는 것입니다. 이 때문에 R split과 AIC 값을 비교하는 모델 평가를 수행했습니다. |
| 그래서. |
| JMP에서 적합 모델을 사용하므로 일반화 회귀 모델을 다시 선택합니다. |
| 그리고 우리는 이것이 여기에서 결과를 볼 수 있으므로 패널티 회귀 기법을 사용하여 일반화 선형 모델의 그룹이라고 생각하는 별도의 모델을 준비했습니다. |
| 그리고 우리는 여기에 다양한 특성을 기반으로 맞추려고 노력합니다. 이것들은 모두 다른 페널티 추정 방법입니다. |
| 그래서 모든 모델 중 올가미 방식이 가장 낮은 유감값을 갖는 것을 볼 수 있고 가장 높은 Rsquare 값을 갖는 것을 볼 수 있고, 아주 가까운 다른 값도 있으므로 자세히 살펴보도록 하겠습니다. |
| 따라서 최대 가능도 모델과 ROC 곡선을 기반으로 하는 올가미 모델을 비교하면 실제로 두 ROC 곡선이 매우 유사하다는 것을 알 수 있습니다. |
| 그러나 최대 가능성 모델에 대한 ROC 곡선은 심각도가 가장 높음을 보여줍니다. |
| 죄송합니다. 최대 가능도 모델에 대한 ROC 곡선은 다음을 보여줍니다. |
| ROC 값은 가장 높은 심각도 등급에서 더 높으며 여기에서 이 두 가지 사이에 약간의 차이만 있음을 알 수 있습니다. |
| 그리고 일반적으로 심각도 등급이 내려감에 따라 영역이 실제로 증가하며 그 이유 중 하나는 데이터 세트가 매우 불균형하기 때문입니다. |
| 따라서 가장 높은 수준인 4의 심각도 등급은 대부분의 수준이 전체 데이터 값의 약 5%에 불과하므로 전반적으로 이 둘 사이의 차이는 거의 없으므로 약간 더 큰 영역을 선택합니다. . |
| 자, 다음은 효과 테스트를 켭니다. 따라서 보고서에 효과 테스트를 표시하도록 선택할 수 있으므로 효과 테스트는 |
| 변수가 나머지에 영향을 미치지 않는다는 귀무가설의 가설 검정. |
| JMP 커뮤니티에 효과 테스트에 대한 아주 좋은 설명이 있었습니다. |
| 마크 베일리. 그래서 그는 효과 테스트가 실제로 ANOVA에 대한 유형 III 제곱합을 기반으로 하는 방법에 대해 약간 이야기합니다. |
| 그래서 우리는 데이터 세트 때문에 효과 테스트가 여기에서 매우 적합하다는 것을 알 수 있습니다. 그래서 실제로 모든 측면에서 모델의 모든 항을 테스트합니다. |
| 용어. 따라서 주 효과는 항목 간의 상호 작용이 부족하고 다른 항에 비추어, 다른 주 효과에 비추어 테스트됩니다. |
| 여기에서 사용하려는 것은 효과 테스트가 모델 축소와 마찬가지로 우리의 목적에 유용하다는 것입니다. |
| 그리고 그것은 우리가 중요한 변수의 긴 목록을 추론할 수 있게 해줍니다. |
| 우리는 0.1의 컷오프 알파 값을 취하는 ChiSquare(???) 가장 낮은 ChiSquare 값에서 확률을 봅니다. |
| 우리는 많은 독립 변수를 가지고 있으므로 그 목록이 상당히 길며 대부분은 실제로 심폐 질환과 관련된 대부분의 변수를 살펴봅니다. |
| 그래서 그들 중 일부는 증상의 수, 예방 접종 시작 사이의 일 수와 같은 영향을받는 것입니다. |
| (???) 백신이 중심이 되는 곳이 많을수록 나머지는 어떻게 든 서로 관련이 있음을 알 수 있습니다. |
| 심폐질환, 제가 의학적 배경이 아닌 이상한 것들이 있어서 저도 잘 이해가 안 가는데, 청각장애도 그 중 하나라는 걸 알 수 있습니다. |
| 여기서 우리가 볼 수 있는 이상한 결과가 있지만 일반적으로 그 그림은 변수를 나열하는 측면에서 상위 변수의 측면에서 볼 수 있다는 것입니다. |
| 좋아요, 이 외에도 정말 흥미로운 것은 모델 평가를 보는 것입니다. 그래서 우리가 하는 것은 설명 모델을 만드는 것이지만, |
| JMP가 매개변수 추정치를 볼 수 있도록 보고서를 매우 훌륭하게 배치했기 때문에 예측 모델도 살펴보았습니다. |
| 그래서 저는 프로파일러를 사용하여 매개변수 추정치를 이해하려고 하고 여기에서 표시된 값이 정말, 정말 작다는 것을 알 수 있습니다. 그래서 이것이 여러분이 얻는 값입니다. |
| 프로파일러를 열면 바로 여기에서 값은 각 변수의 평균이며 이러한 각 변수가 |
| 여기에 있는 각 값 중 실제로는 매우 작으므로 이러한 계수를 기반으로 하는 심각도에 거의 영향이 없음을 의미합니다. |
| 예측 변수의 계수로 이를 기반으로 합니다. 그래서 여기 이 연구를 기반으로 볼 수 있는 것은 실제로 (???) 증상과 그 효과가 심각도에 아주 아주 작은 영향을 미친다는 것을 알 수 있습니다. 이것은 일종의 유사합니다. |
| 이러한 증상과 효과의 대부분을 볼 수 있을 것으로 예상되는 종류입니다. 왜냐하면 우리는 백신의 일반적인 그림을 보고 있기 때문에 이러한 증상의 대부분(병력, 알레르기)이 실제로 결과에 거의 영향을 미치지 않는다는 것을 알 수 있습니다. 백신의. |
| 알았어. |
| 응. |
| 그래서 결론의 약간, 결론의 진술로 몇 가지 진술. 변수의 그룹화 및 분류에서 몇 가지 결정이 내려졌습니다. |
| 그리고 이러한 변수는 우리가 이해하는 한, 특히 심각도 등급을 산출하는 방식에서 만들어졌지만, |
| 우리는 중증도 평가가 충분한지 여부에 대해 상담하기 위해 백신 연구 또는 임상 시험에 정통한 전문가가 필요할 수 있습니다. |
| 부작용 결과 점수를 매기기 위해. 그리고 정형 및 비정형 데이터의 모델 구축을 기반으로 |
| 우리는 COVID-19 예방 접종에 대한 반응의 심각성에 따라 달라지는 주요 요인을 확인했습니다. |
| 그러나 우리는 여전히 이러한 주요 변수가 응답 변수 심각도에 미치는 영향이 매우 작기 때문에 변수를 보면 알 수 있습니다. |
| 그리고 마지막으로 이진 등급을 기반으로 한 문서 용어 행렬, 이진 용어 빈도가 문서에서 다른 용어의 가중치를 나타내는 데 가장 효과적인 것으로 나타났습니다. |
| 그리고 lasso penalized regression 기법을 사용한 일반화 선형 모델은 최적의 모델을 생성하였다. |
| 매우 짧은 프레젠테이션을 즐겼기를 바랍니다. 질문이나 피드백이 있으면 알려주세요. 대단히 감사합니다. |
| 피터 폴리토 | 잘 했어. |
| 매우했다. |
| 안 돼. |
| 우리가 이 삶을 원했던 실수라는 걸 깨달았어요. 맙소사. |
| 피터 폴리토 | 이것이 당신이 있는 정확한 상황입니다. |
| 따라서 실제 발견 정상 회담에서 발표자가 있을 것입니다. |
| 그래서 그들은 미리 당신에게 연락할 것입니다. 당신은 단지 내 슬라이드 중 하나에 실수가 있다고 말합니다. 그래서 이 부분에서 팝업이 나타날 것이고 그 또는 그녀는 그것을 일시 중지할 것입니다. |
| 그런 다음 슬라이드를 공유하고 그것에 대해 이야기하고 비디오로 바로 돌아갈 수 있으므로 전혀 걱정하지 마십시오. |
| 작년 디스커버리 서밋에서 이런 일이 꽤 발생했는데 전혀 문제가 되지 않는다. |
| 알았어 알았어 |
| 맙소사 제임스. |
| 피터 폴리토 | 당신은 그것을 고치고 당신의 기분이 나아질 수 있도록 다시 하시겠습니까? |
| 모르겠어요. |
| 실제로 여기 있는 경우 잘못된 상자이기 때문에 다시 입력해야 하므로 실제로 수정하는 데 시간이 걸립니다. |
| 피터 폴리토 | 네, 그럴 줄은 몰랐습니다. 걱정하지 마세요. 정말 쉽게 고칠 수 있고 실시간으로 할 수 있습니다. |
| 알았어 알았어 |
| 알았어. |
| 그래도 앉아주셔서 감사합니다. |
| 피터 폴리토 | 예, 문제가 없습니다. 정말입니다. |
| 괜찮아. |
| 피터 폴리토 | 좋습니다, 다른 질문이나 의견이나 무엇이든. |
| 네, 제가 가지고 있는 것이 있습니다. 링크가 있어 모든 슬라이드와 제 사람들과 그와 같은 것들을 업로드할 수 있습니다. 하지만 제 링크와 혼동이 있었습니다. |
| 이메일, 그리고 제 생각에 tanya에서 그것에 대해 tanya가 저에게 답장을 했을 때 그 링크를 놓친 것 같아요. 그래서 링크가 녹음 중 하나에 포함될 것이라고 생각했지만 여러분이 올바르게 이해했다고 생각하지 않습니다. . |
| 피터 폴리토 | 나는 그것을 가지고 있지 않지만 tanya에게 연락하여 당신에게 직접 연락하도록 요청할 것입니다. |
| 이를 해결하는 데 도움이 됩니다. |
| 네, 정말 감사합니다. 제 이메일로 해결되는 것 같습니다. 네. |
| 피터 폴리토 | 매우 감사합니다. |
| 문제없어요 굿밤되시고 푹 쉬세요. |
| 네 좋은 하루 보내세요. |
| 피터 폴리토 | 감사합니다. |
| 그럼 안녕히 계세요. |
