스피커 | 성적 증명서 |
| 피터 폴리토 | 오늘 하루 어땠어요. |
| 내 말 들려요? |
| 당신이 말하면 나는 당신의 말을들을 수 없습니다. |
| 안녕하세요. |
| 테스트 테스트. |
| 오, 안녕 레오 내 말 들리나요? |
| 네, 죄송합니다. 기술적 문제로 생각됩니다. 네. |
| 피터 폴리토 | 아 전혀 문제 없습니다. |
| 아 그렇군요 좋은 지미네요. |
| 피터 폴리토 | 아, 어디요? |
| 다음에서 전화를 거시나요? |
| 싱가포르. |
| 피터 폴리토 | 싱가포르 좋아요, 거기는 얼마나 늦었어요? |
| 909쯤. |
| 피터 폴리토 | 응. |
| 응, 고마워요. |
| 에 매달려. |
| 너무 늦었어요 만들어주셔서 감사합니다. |
| 그럴 수도 있지 아냐 괜찮아 음 그래 잘 됐으면 좋겠어. |
| 오. |
| 아뇨, 스트레스가 너무 심했어요 아 뭐, 응, 알았어. 가상 배경을 깔자. |
| 좋아요. |
| 피터 폴리토 | 그리고 공식적으로 시작하기 전에 제가 직접 몇 가지 일을 겪어야 합니다. |
| 좋아요. |
| 피터 폴리토 | 그냥 나에게 줘. |
| 여기 분. |
| 응. |
| 피터 폴리토 | 나는 체크리스트만 가져오며 여기에서 모든 일을 올바르게 수행하는지 확인합니다. |
| 괜찮은. |
| 확인하기 위해서입니다. |
| 당신은 진정됩니다. |
| 네, 그리고 당신의 강연 제목은 Coven 백신 부작용 모델입니다. |
| 네, 맞나요 네 그렇죠. |
| 피터 폴리토 | 좋아요, 그리고 이것이 사용을 위해 녹음되고 점프 발견 정상 회의가 점프 사용자 커뮤니티에서 공개적으로 제공될 것이라는 점을 확실히 이해하기 위해 이 녹음 및 사용을 허가해 주시겠습니까? |
| 네, 좋아요. |
| 마이크 소리도 좋고, 배경 소음도 들리지 않습니다. 휴대폰이 꺼져 있거나 무작위로 소음을 낼 수 있는 그런 모든 것들이요. |
| 잠깐만요. |
| 내가 보내줄게, 찾을 거야, 응. |
| 피터 폴리토 | 좋아요, 그럼요. |
| 우리는 당신이 가서 화면을 공유할 수 있는지 확인해야 하며 해상도와 몇 가지 다른 사항을 검토하고 확인할 것입니다. |
| 그래, 물론이지. |
| 피터 폴리토 | 감사합니다. |
| 미안해요, 리사 링인가요 아니면 달래는 소리인가요? |
| 내 이름이 잘 나오네요. |
| 피터 폴리토 | 괜찮아요. |
| 음 괜찮나요? |
| 피터 폴리토 | 아직 안 보이는데 아 음 잠깐만 파이 덮고 있는 거 아시죠? |
| 좋아 보인다. |
| 화면 하단으로 이동하면 작업 표시줄이 실제로 표시되지 않으므로 괜찮습니다. |
| 좋아요. |
| 피터 폴리토 | 그리고 확인해 보겠습니다. |
| Outlook이나 Skype와 같은 팝업을 생성할 수 있는 프로그램이거나 모두 종료되고 종료되는 프로그램입니다. |
| 음, 네, 제 생각에는 그 사람들을 확인해 봐야 할 것 같아요. |
| 내 부엌을 닫아라. |
| 좋아요. |
| 응 좋아. |
| 피터 폴리토 | 좋아요, 그러면 PowerPoint로만 작업할 건가요, 아니면 점프도 보여줄 건가요? |
| 환승이 걱정되어서 파워포인트로 운명을 정하겠습니다. |
| 피터 폴리토 | 좋습니다. 그러면 음소거하고 카메라를 끄겠습니다. 이미 녹음 중이므로 최대한 빨리 녹음하겠습니다. |
| 내 사진이 사라지면 바로 시작하세요. 어떤 이유로든 방해하지 않을 테니 끝까지 진행하도록 할게요. 30분 프레젠테이션이므로 끝까지 진행하겠습니다. 난 여기 없을 거예요. 그것은 당신 자신에게 말하는 것과 같을 것이다. |
| 좋아요, 그러면 회의록이 맞습니다. |
| 피터 폴리토 | 갈 준비가 되있어. |
| 응. |
| 피터 폴리토 | 좋아요. |
| 좋아요, 그리고 우리가 실제로 언제인지 알 수 있도록 말이죠. |
| 내일 당신이 잘못 말한 것을 깨달았거나 약간 다른 방식으로 무언가를 제시하고 싶었다면 발견 서밋을 가지십시오. |
| 프리젠테이션이 진행되는 동안 실시간으로 시청할 수 있고 보증금을 제시하는 사람에게 물어본 다음 내가 이 말을 하려는 것을 알고 있다고 말할 수 있습니다. 제가 전달하고 싶었던 것은 당신도 좋아할 수 있다는 것입니다. |
| 프레젠테이션 중에 실시간으로 편집할 수 있으므로 모든 단어를 완벽하게 이해하는 것에 대해 스트레스 받지 마세요. 그냥 긴장을 풀고 살펴보시면 괜찮을 거라고 확신합니다. |
| 괜찮은. |
| 응. |
| 피터 폴리토 | 좋아요, 저는 음소거하고 카메라를 끄겠습니다. 그런 다음 계속해서 시작하세요. |
| 고마워요 피터. |
| 안녕하세요 설링입니다. 저는 싱가포르 경영대학교 석사과정에 재학 중이며, 현재 컴퓨팅 및 정보 시스템 대학에서 데이터 분석 과정을 수강하고 있습니다. |
| 그래서 저는 실제로 IT for Business 프로그램 석사 과정에 제출된 과제를 발표하기 위해 오늘 이 자리에 섰습니다. 그리고 더 중요한 것은 지금까지의 JMP 여정을 공유하고 싶다는 것입니다. |
| 그래서 저는 올해부터 JMP를 사용하기 시작했고, 사용하기 쉽고 다양한 통계 방법과 시각화 기능이 있어서 정말 마음에 들었습니다. |
| 그래서 JMP를 사용하는 초보자로서 여기에서 제 보고서를 발표하고 여러분의 피드백을 받을 수 있게 된 것을 정말 영광으로 생각합니다. 아직 배워야 할 것이 훨씬 더 많다고 생각하기 때문입니다. |
| 그래서 제 논문의 동기는 실제로 코로나 19 백신을 살펴보는 것이었습니다. 따라서 우리는 그것이 얼마나 중요한지 알고 있지만 |
| 전례 없는 속도로 개발되고 관리되면서 커뮤니티에서는 안전성에 대한 의구심을 불러일으켰습니다. |
| 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 나온 데이터를 사용하고 있습니다. 따라서 본 논문에서는 VAERS의 정형 데이터와 비정형 데이터를 모두 활용하여 코로나19 백신의 부작용을 모델링합니다. |
| 그렇다면 VAERS는 무엇입니까? 그래서 질병통제예방센터와 미국 FDA에서 이런 시스템을 가지고 있었는데, 실제로는 부작용이 있는 것입니다. |
| 데이터를 수집하는 시스템입니다. 그러나 일반적으로 우리가 보는 것은 VAERS 데이터가 부작용에 대한 인과 관계를 결정하는 데 사용할 수 없다는 것입니다. |
| 이상반응과 백신 접종 사이의 연관성이 확립되지 않았기 때문입니다. 따라서 여기서 실제로 볼 수 있는 것은 보고하는 사람들이 있지만 거기에는 사건을 보고하는 사람들이 있지만 그에 따른 완전한 행동은 없다는 것입니다. |
| 보고된 이러한 증상 및 사례가 백신과 관련이 있는지 확인합니다. 그렇다면 왜 우리는 여전히 이 데이터를 사용하고 싶은 걸까요? 따라서 먼저 데이터를 사용할 수 있고 공개 도메인입니다. |
| 데이터는 최신이며, 더 중요한 것은 빈도가 낮기 때문에 임상 시험 중에 모든 부작용이 포착되지 않을 가능성이 있다는 것입니다. 그래서 |
| 일반적으로 임상 시험의 경우 건강한 개인만 포함됩니다. 따라서 만성 질환을 앓고 있거나 임산부와 같은 특수 집단은 |
| VAERS가 백신 안전성의 중요한 원천이라는 것을 알 수 있도록 제한되었습니다. 따라서 이에 대한 자세한 내용을 보려면 여기에서 이 링크를 찾아보세요. |
| 네, 그래서 이 연구에 사용된 데이터 세트는 VAERS에서 추출한 트리 데이터 테이블에서 나온 것입니다. 첫 번째는 VAERS 데이터입니다. |
| 여기에는 주로 환자 프로필과 부작용 결과에 대한 정보가 포함되어 있으므로 여기에 있는 것은 JMP의 작은 클립입니다. |
| 여기 증상 텍스트가 있는데 이는 한 사람, 한 환자를 기반으로 한 하나의 보고서라는 것을 알 수 있습니다. 좋습니다. 데이터가 상당히 지저분합니다. |
| 내러티브 텍스트에는 유용한 정보가 많이 있지만 철자 오류, 오타, 지나치게 길거나 심지어 매우 간단한 진술도 있는 것을 볼 수 있습니다. |
| 따라서 우리가 가지고 있는 다음 두 데이터 세트는 예방접종 데이터의 VAERS와 증상입니다. 하나는 백신에 관한 정보를 담고 있고 다른 하나는 백신에 관한 정보를 담고 있습니다. |
| 우리가 볼 수 있는 증상 텍스트에서 추출됩니다. 좋습니다. 이러한 접근성을 고려하면 실제로 VAERS 데이터는 꽤 많이 채굴되었습니다. |
| 하지만 보시다시피 보고서의 품질이 다양하기 때문에 실제로 데이터를 사용하기가 매우 어렵습니다. |
| 그리고 진짜가 아닐 수도 있는 것도 있습니다. 따라서 필요한 정보를 추출하기 위해 일반적으로 어떤 형태의 수동 스크리닝이 사용된다는 것을 보여주는 권한을 검토합니다. |
| 하지만 이 역시 노동 집약적이고 어렵기 때문에 본 논문에서는 JMP의 텍스트 분석 기법을 사용하여 핵심 정보를 추출하는 방법을 소개하는 것을 목표로 합니다. |
| 그리고 이 사건과 관련된 가장 중요한 변수를 설명하기 위한 설명 모델을 시도해보세요. 그래서 우리는 여기에 있는 각 데이터 테이블을 개별적으로 정리한 다음 VAERS ID를 사용하여 결합했습니다. |
| 환자 결과를 바탕으로 우리가 한 일은 중증도 등급이라는 것을 도출하는 것이었습니다. 이에 대해서는 나중에 조금 이야기하겠습니다. 따라서 테이블이 조인되면 |
| 네 가지 서술형 텍스트가 있습니다. 알레르기, 약물 치료, 병력 및 증상에 관한 것입니다. |
| 그런 다음 텍스트 분석 기술을 사용하여 각 텍스트 데이터의 심각도 등급을 설명하는 상위 용어에 대한 벡터를 추출합니다. |
| 그리고 데이터 세트의 기존 스프레드시트 데이터 구조 변수에 이를 결합합니다. 좋습니다. 그러면 이 모든 것이 함께 컴파일된 다음 모델 구축에 적용됩니다. |
| 좋습니다. 심각도 등급은 무엇에 관한 것인가요? VAERS 데이터에는 환자의 결과를 기반으로 환자의 상태를 설명하는 12개의 변수가 있습니다. |
| 그런 다음 이를 기반으로 변수를 추출하고 이를 이해하려고 노력하여 4가지 심각도 수준을 도출하고 이를 심각도 등급이라고 부릅니다. |
| 그럼 다음에는 우리가 어떻게 사용하는지에 대해 조금 이야기하겠습니다. |
| 텍스트 분석을 위한 JMP Pro Text Explorer 플랫폼이며 데이터 정리부터 시작합니다. 그래서 우리가 하고 싶었던 것은 텍스트 데이터에서 중요한 용어를 실제로 추출하는 것이었습니다. |
| 그리고 이를 구조화된 변수로 보강하여 모델을 구축하세요. 보시다시피 실제로 텍스트 데이터는 매우 지저분하므로 우리가 한 일은 다음과 같습니다. |
| 우선, 빈도라는 용어를 사용할지, 어떤 종류의 용어 빈도를 사용할지 결정한 다음, 이진 용어 빈도를 선택했습니다. 데이터를 보면 이를 고려하고 사용하는 것이 상당한 이점이 있음을 알 수 있습니다. |
| 그럼 다음으로 들어온 청소에 대해 조금 살펴보겠습니다. 그래서 텍스트 데이터는 먼저 JMP Pro Text Explorer를 사용하여 구성되었으며 거기에 있는 유용한 기능을 사용하여 문구를 추가하고 자동으로 식별했습니다. |
| 당신이 볼 수 있는 용어는 백혈구와 세포로 끌어당겨지는 대신에 백혈구가 하나의 문구로 유지되는 것과 같습니다. 이는 별로 의미가 없습니다. |
| 그리고 몇 가지 다른 방법도 사용할 수 있습니다. 따라서 하나는 단어 끝을 기준으로 단어를 파생하는 결합 표준이며, 철자가 틀린 단어나 오타 오류 또는 이와 유사한 것을 기록하기 위해 목록을 알파벳순으로 정렬하는 것도 생각했습니다. |
| 네, 그리고 다음은 매우 편리한 기능을 사용하여 모든 유사한 항목을 함께 녹음하는 것이었습니다. 네. |
| 따라서 텍스트를 정리한 후 우리가 하는 다음 일은 |
| 실제로 워크플로를 살펴보았습니다. 이 워크플로는 불용어를 제외하고 대상 변수가 용어에 미치는 영향을 확인하는 데 유용합니다. |
| 그래서 제가 여기서 한 일은 가장 자주 사용되는 용어를 크기별로 시각화하고 심각도 등급에 따라 색상을 지정하는 것이었습니다. |
| 따라서 밝은 색상은 덜 심각한 경우에 속하고 어두운 색상은 가장 심각한 경우에 속한다는 것을 알 수 있습니다. 픽업을 좋아하면 단어가 매우 작습니다. |
| 그리고 일반적인 증상은 심각하지 않지만 뇌혈관 사고, 폐색전증 등의 용어를 사용했음을 알 수 있습니다. 따라서 이는 가장 심각한 부작용과 관련이 있습니다. |
| 다음으로 용어 선택을 사용합니다. 용어 선택은 JMP Pro 16의 새로운 기능으로 매우 시의적절했습니다. |
| 따라서 일반화된 회귀 모델을 텍스트 분석 플랫폼에 통합하므로 텍스트 분석 플랫폼을 따라 용어 선택이 있는 곳에서 이를 선택할 수 있습니다. |
| 그런 다음 반응 변수에 중요한 핵심 용어를 식별할 수 있습니다. 따라서 우리의 응답 변수는 심각도 등급입니다. |
| 그렇다면 일반화 회귀 모델을 사용하는 이유는 무엇입니까? 따라서 정규 분포가 아니거나 상관 관계가 높은 변수에 널리 사용됩니다. |
| 데이터가 서로 독립적이고 다른 상관관계가 표시되지 않는 경우. 여기 있는 이 방법은 우리의 데이터 세트에 적합하기 때문에 우리에게 유용합니다. |
| 그리고 데이터 테이블 내에서 우리가 갖는 각 역할은 환자이며 모든 역할은 서로 독립적입니다. |
| 따라서 가장 중요한 것은 일반화 회귀 모델이 변수 선택을 허용한다는 것입니다. 즉, 응답 변수에 가장 큰 영향을 미치는 변수를 선택하려고 하기 때문에 이것이 우리가 원하는 것입니다. |
| 예, 이 회귀 모델에 대해 좀 더 자세히 설명하면 여기에 사용할 수 있는 몇 가지 옵션이 있는데 바로 탄력망과 올가미입니다. |
| 여기에서 다른 점은 올가미가 상관 요인 그룹에서 하나의 용어를 선택하는 경향이 있는 반면 탄력적 네트워크 네트워크는 용어 그룹을 선택한다는 것입니다. 그래서 일반적으로 탄성망이 사용된다고 생각합니다. 그리고 여기에는 우리가 선택한 이진 용어 빈도가 포함되었습니다. |
| 좋아요, 이것이 용어 선택의 결과입니다. 여기에서 (???)의 개요를 보여준 다음 일반화된 (???)를 볼 수 있지만 더 흥미롭게도 |
| 계수로 시작하면 이것이 가장 긍정적인 계수라는 것을 알 수 있습니다. 따라서 이것이 응답 변수 측면에서 가장 큰 역할을 하는 상위 요소입니다. |
| 그리고 여기 있는 것은 계수에 따라 분류할 때 가장 작은 역할을 하는 증상입니다. 그래서 결과를 보면 심정지와 코로나19 폐렴, 뇌혈관사고 등이 모두 반응변수에 영향을 미치는 것을 알 수 있다. |
| 따라서 우리는 더 심각한 성격의 용어가 심장 및 폐와 관련되어 있음을 알 수 있습니다. 반면에 더 낮은 빈도의 용어는 매우 경미한 증상입니다. |
| 좋아요, 그럼 우리는 다른 모든 것에 대해 이 전체 과정을 반복합니다 |
| 다른 모든 텍스트 변수에 대해서는 증상에 대한 예제를 사용했으며 알레르기, 병력도 있습니다. |
| 사용되는 약물도 포함하므로 나중에 우리가 한 일은 문서 용어 매트릭스를 저장하는 것이었습니다. 좋습니다. 기본적으로 DTM은 매번 데이터 테이블에 열을 저장합니다. |
| 여기서 예를 볼 수 있습니다. 매우 희박한 행렬이기 때문에 주로 0이 많이 있습니다. 따라서 이 열을 여기에 가져가면 (???)가 있음을 나타냅니다. |
| 그래서 우리는 그것을 저장하고 다른 텍스트 분석을 위해 프로세스를 반복합니다. |
| 그런 다음 이러한 용어를 모두 저장한 후 모델링을 진행했습니다. 따라서 모델링은 일종의 검증 열과 같은 방식으로 구축하는 것이었으므로 여기서는 예측 모델링으로 이동하여 검증 열을 만들었습니다. 여기서는 선택 항목을 선택했으므로 유효성 검사 설정을 55%로 설정했습니다. |
| 그리고 여기의 모든 것은 심각도를 가진 중요한 변수를 응답 변수로 식별하는 것이었습니다. 따라서 전체적으로 문서 용어 매트릭스에서 파생된 7개의 구조 변수와 55개 및 총 약 31,000개의 규칙이 있습니다. |
| 그리고 우리가 보는 것은 불균형한 데이터 세트를 얻게 되는 심각도 등급으로 인해 불균형이 있다는 것입니다. 그래서 우리는 R 분할과 AIC 값을 비교하는 모델 평가를 수행했습니다. |
| 그래서. |
| JMP에서 적합 모델을 사용하고 일반화 회귀 모델을 다시 선택합니다. |
| 그리고 우리는 이것이 여기서 결과임을 알 수 있으므로 페널티 회귀 기법을 사용하여 일반화 선형 모델 그룹이 준비되었다고 생각하는 별도의 모델이 준비되었습니다. |
| 그런 다음 여기에 있는 다양한 특성을 기반으로 피팅을 시도합니다. 이것들은 다른 모든 페널티 추정 방법입니다. |
| 그래서 전체 모델 중에서 Lasso 방식의 Sorry가 가장 낮고 Rsquare 값이 가장 높은 것을 알 수 있으며, 그 외 꽤 비슷한 값도 있으므로 자세히 살펴보도록 하겠습니다. |
| 따라서 최대 우도 모델과 ROC 곡선을 기반으로 한 올가미 모델을 비교하면 실제로 두 ROC 곡선이 상당히 유사하다는 것을 알 수 있습니다. |
| 그러나 최대 우도 모델에 대한 ROC 곡선은 심각도가 가장 높다는 것을 보여줍니다. |
| 죄송합니다. 최대 우도 모델의 ROC 곡선은 다음과 같습니다. |
| 심각도 등급이 가장 높을수록 ROC 값이 더 높으며 여기서는 둘 사이에 약간의 차이가 있음을 알 수 있습니다. |
| 일반적으로 심각도 등급이 내려갈수록 해당 영역이 실제로 증가하는데 그 이유 중 하나는 데이터 세트가 매우 불균형하기 때문입니다. |
| 따라서 가장 높은 수준인 심각도 등급 4는 대부분의 수준이 전체 데이터 값의 약 5%에 불과하므로 전체적으로 이 두 가지 사이의 차이는 거의 없으므로 영역이 약간 더 큰 것을 선택합니다. . |
| 좋습니다. 다음은 효과 테스트를 살펴보겠습니다. 따라서 보고서에서 효과 테스트를 보도록 선택할 수 있으므로 효과 테스트는 다음과 같습니다. |
| 변수가 나머지 변수에 영향을 미치지 않는다는 귀무가설에 대한 가설 검정입니다. |
| JMP 커뮤니티에 효과 테스트에 대한 아주 좋은 설명이 있었는데, 제 생각에는 다음의 도움을 받은 것 같습니다. |
| 마크 베일리. 그래서 그는 효과 테스트가 실제로 ANOVA의 유형 III 제곱합을 기반으로 하는 방법에 대해 조금 설명합니다. |
| 따라서 우리는 데이터 세트 때문에 효과 테스트가 여기에 매우 적합하다는 것을 알 수 있습니다. 실제로 모델의 모든 항을 모든 측면에서 테스트합니다. |
| 그 안에 용어. 따라서 주효과는 항목 간의 상호작용이 부족하고 다른 용어와 다른 주효과에 비추어 테스트됩니다. |
| 여기서 사용하려는 것은 효과 테스트가 모델 축소와 마찬가지로 우리 목적에 유용하다는 것입니다. |
| 그리고 이를 통해 우리는 중요한 변수의 긴 목록을 추론할 수 있습니다. |
| 컷오프 알파 값 0.1을 사용하여 ChiSquare(???) 최저 ChiSquare 값의 확률을 살펴봅니다. |
| 우리는 다수의 독립변수를 가지고 있어서 그것들의 목록이 상당히 길며, 여러분이 살펴보면 그 대부분이 실제로 심폐 질환과 관련되어 있다는 것을 알 수 있습니다. |
| 따라서 그 중 일부는 증상 수, 예방 접종 시작 사이의 일수와 같은 영향을 받는 것입니다. |
| (???)는 백신이 각각 중심을 이루는 부분이 많을수록 나머지 부분도 어떻게든 서로 관련되어 있음을 알 수 있습니다. |
| 심폐 질환, 제가 의학적 배경이 아니기 때문에 저도 잘 이해하지 못하는 이상한 것들이 있지만 청각 장애도 그중 하나라는 것을 알 수 있습니다. |
| 여기에서 볼 수 있는 이상한 결과가 있지만 일반적으로 그림은 변수 목록 측면에서 상위 변수 측면에서 볼 수 있습니다. |
| 좋아요, 이 외에도 정말 흥미로운 점은 모델 평가를 살펴보는 것입니다. 따라서 우리가 하는 일은 설명 모델을 구축하는 것이지만, |
| 예측 모델도 살펴보러 갔습니다. 왜냐하면 JMP가 제가 모수 추정값을 볼 수 있도록 보고서를 아주 훌륭하게 거기에 올려놓았기 때문입니다. |
| 그래서 저는 프로파일러를 사용하여 모수 추정값을 이해하려고 노력했습니다. 여기서 표시된 값이 정말 아주 작다는 것을 알 수 있습니다. 따라서 이 값을 얻게 됩니다. |
| 프로파일러를 열자마자 즉시 표시되므로 여기에 있는 값은 각 변수의 평균이며 각 변수가 |
| 여기에 있는 각 값은 실제로 매우 작으므로 이러한 계수를 기반으로 한 심각도에 거의 영향을 미치지 않음을 의미합니다. |
| 이를 예측 변수의 계수로 기반으로 합니다. 따라서 여기에 있는 이 연구를 바탕으로 볼 수 있는 것은 실제로 (???) 증상과 그 효과가 심각도에 거의 영향을 미치지 않는다는 것을 알 수 있으며 이는 일종의 것입니다. |
| 이러한 증상과 효과의 대부분은 백신의 일반적인 상황을 살펴보기 때문에 대부분의 증상(병력, 알레르기)이 실제로 결과에 거의 영향을 미치지 않는다는 것을 알 수 있습니다. 백신의. |
| 그렇군요. |
| 응. |
| 그래서 약간의 결론, 결론 진술로서의 몇 가지 진술이 있습니다. 변수를 그룹화하고 분류하는 데 몇 가지 결정이 내려졌습니다. |
| 이러한 변수는 특히 심각도 등급을 정하는 방식에서 최대한 이해하도록 만들어졌지만, |
| 심각도 등급이 충분한지 여부에 대해 상담하려면 백신 연구나 임상 시험에 익숙한 전문가가 필요할 수도 있습니다. |
| 부작용 결과에 점수를 매깁니다. 그리고 정형 및 비정형 데이터의 모델 구축을 기반으로 |
| 우리는 코로나19 백신 접종에 대한 반응의 심각도에 따라 달라지는 주요 요인을 확인했습니다. |
| 그러나 응답 변수 심각도에 대한 이러한 주요 변수의 영향은 아직 매우 작으므로 변수를 보면 알 수 있습니다. |
| 그리고 마지막으로 이진 등급을 기반으로 한 문서 용어 매트릭스에서는 이진 용어 빈도가 문서 내 다른 용어의 가중치를 나타내는 데 가장 효과적인 것으로 나타났습니다. |
| 그리고 Lasso Penalized Regression 기법을 적용한 일반화 선형 모델이 최적의 모델을 생성했습니다. |
| 짧은 프레젠테이션이 즐거웠기를 바라며 질문이나 피드백이 있으면 알려주세요. 정말 감사합니다. |
| 피터 폴리토 | 잘 했어. |
| 매우했다. |
| 안 돼. |
| 우리가 이 삶을 원했다는 게 실수라는 걸 방금 깨달았어요 오 이런. |
| 피터 폴리토 | 이것이 바로 당신이 처한 상황입니다. |
| 따라서 실제 발견 서밋에는 발표자가 있을 것입니다. |
| 그래서 그들은 미리 당신에게 연락할 것이고 당신은 단지 내 슬라이드 중 하나에 실수가 있어서 이 부분이 나오면 일시 중지할 것이라고 말할 것입니다. |
| 그런 다음 슬라이드를 공유하고 그것에 대해 이야기한 다음 바로 비디오로 돌아갈 수 있으므로 전혀 걱정하지 마십시오. |
| 작년 디스커버리 서밋에서 이런 일이 꽤 많이 일어났는데 전혀 문제가 되지 않습니다. |
| 알았어 알았어. |
| 맙소사, 제임스. |
| 피터 폴리토 | 그것을 고치고 다시 실행하면 기분이 좋아질 것입니다. |
| 모르겠습니다. |
| 실제로 여기 있는 것이 잘못된 상자이기 때문에 다시 입력해야 하기 때문에 실제로 수정하는 데 시간이 걸릴 것입니다. |
| 피터 폴리토 | 네, 몰랐어요. 걱정하지 마세요. 정말 쉽게 해결할 수 있고 실시간으로 해결할 수 있습니다. |
| 알았어 알았어. |
| 알았어, 응. |
| 그래도 끝까지 앉아주셔서 감사합니다. |
| 피터 폴리토 | 응, 문제 없어, 정말이야. |
| 좋아요. |
| 피터 폴리토 | 좋습니다. 다른 질문이나 의견 등 무엇이든 가능합니다. |
| 응, 그거 하나 있는데 음, 그런데 무슨 링크가 있어? 거기에 내 슬라이드와 내 사람들, 그런 것들을 모두 업로드할 수 있는데 내 링크와 혼동이 있었어. |
| 제 생각에는 Tanya가 저에게 제대로 답장을 보냈을 때 그 링크를 놓친 것 같아서 그 링크가 녹음 파일에 포함될 거라고 생각했는데 여러분이 제대로 이해하신 것 같지 않군요. . |
| 피터 폴리토 | 제가 가지고 있지는 않지만 타냐에게 연락해서 직접 연락해 달라고 부탁하겠습니다. |
| 그 문제를 해결하는 데 도움이 됩니다. |
| 알겠습니다. 정말 감사합니다. 제 이메일 내용이 맞을 것 같아요. 네. |
| 피터 폴리토 | 매우 감사합니다. |
| 문제 없습니다. 좋은 밤 되시고 푹 쉬세요. |
| 응, 좋은 하루 보내세요. |
| 피터 폴리토 | 감사합니다. |
| 그럼 안녕히 계세요. |
