Salut, tout le monde.
Remercier tu pour joindre nous.
La Titre de notre parler aujourd'hui
c'est Otterly déroutant! Court-C légalisé, Poilu-N osé, Lisse-C mangé, ou Eurasien?
Juste interroger JMP !
Ces quatre espèces se produire dans même habitat dans Asie, dans Eurasie,
et la question est, comment fais tu raconter leur une part?
Utilisant notre Technique FIT, la empreinte identification technique
développé par WildTrack,
nous boîte réellement raconter leur une part.
La présentation sera être par quatre personnes:
Fred Kister, qui est à la Karlsruhe Institut de technologie en Allemagne
et aussi un membre de la WildTrack Spécialiste Groupe;
Larissa Slaney, qui est un Doctorat candidat à Hériot- Watt Université,
Guépards FIT Rechercher Projet
et aussi membre de la WildTrack Spécialiste Groupe.
Zoé bijou et moi même, je suis Ciel Alibhaï, la faculté à Duc Université
et fondateurs de WildTrack et développeurs de la empreinte identification technique
et aussi membres du WildTrack Spécialiste Groupe.
je suis Aller à fais un très brève démo, une très, très brève introduction,
et alors Je vais main plus de à notre Suivant conférencier.
Une part de ultra espèces ce nous travailler sur,
WildTrack a un extensif Numéro d'éminents espèces ce nous travailler sur
dans différentes parties de la monde, variant de la Amour Tigre dans Chine
à le noir rhinocéros dans Afrique à jaguar dans Brésil.
Tout de leur utilisant dans une formulaire ou un autre
sommes empreinte identification La technologie.
À présent Quel Est-ce que empreinte identification La technologie réellement fais?
Une de la des choses sur la technologie d'identification de l'empreinte, FIT,
est ce ce œuvres comme un ajouter à dans JMP.
C'est conçu à classer espèces ou sous-espèce
par utilisant la métrique de la empreintes de pas,
classer sexe, classer âge classer, et même classer personnes.
À présent ceux sommes tout éléments ce sommes obligatoire à comprendre
la population dynamique de n'importe quel en voie de disparition espèces,
la essentiel fondation éléments.
La conservation applications d'empreinte identification technique,
la ligne de base Les données sur Nombres et Distribution dans formulaire sur :
Les données- conduit scientifique conservation stratégies,
Commerce dans en voie de disparition espèces,
Humain/ animal conflit atténuation,
et tout ces dans un façon sera être montré
à représenter la façon dans qui loutre conservation œuvres.
À présent Je vais main tu plus de à Larissa Slaney, qui sera début la traiter de déconfusion.
Remercier tu.
Droit. Remercier tu très beaucoup, Ciel, pour cette génial introduction.
Remercier tu à JMP, pour en permettant nous à cadeau notre rechercher ici.
Étaient très heureux sur ce.
Remercier tu alors beaucoup pour tout de tu à être ici
et Afficher cette intérêt dans notre rechercher.
À présent avant de étaient Aller à saut, calembour prévu,
dans expliquant notre Les données une analyse avec JMP,
je aurait Comme à donner tu quelques Contexte à cette rechercher.
Nous pense ce est vraiment important à voir à cette dans le contexte
car c'est ne pas juste sur Quel JMP peut faire,
mais comment cette est appliqué dans la monde réel et comment nous scientifiques boîte utilisation ce à...
Ce donne nous la occasion à Fabriquer changements pour la meilleur, fondamentalement.
Notre rechercher regards à empreinte une analyse comme Ciel déjà juste a dit.
Nous sommes en regardant à la empreintes de pas de asiatique loutre espèces.
À présent ici tu boîte voir quatre différent asiatique loutre espèces
et ils sont tout classifié aussi vulnérable ou critique- en voie de disparition par la UICN,
et la domicile gammes superposés,
donc c'est tellement- appelé sympatrique loutre espèces.
Sur la Haut la gauche, tu boîte voir la lisse-c mangé loutre.
Haut droit, tu boîte voir la asiatique court ou petit- griffé loutre,
fond la gauche, la poilu- nez loutre,
et au fond droit, tu boîte voir la eurasien loutre.
À présent, à être pouvoir à moniteur la différentes espèces,
nous besoin à recueillir Les données, qui est difficile
avec tel très insaisissable espèces.
Tu à peine déjà voir leur dans la sauvage, mais tu fais voir leur empreintes de pas.
En regardant à ces empreintes de pas pour chaque espèce,
lorsque tu voir à leur ici, elles ou ils voir très similaire, ne le faites pas elles ou ils?
À présent, c'est assez difficile à raconter leur une part.
Par conséquent, nous Positionner nous la tâche à savoir si
là est un façon pour ADAPTER à distinguer entre la empreintes de pas
de ces quatre loutre espèces dans un scientifique et fiable façon.
À présent, nous fais ont un ajoutée problème ici, car la empreintes avant
de deux de la espèces ont un Taille chevaucher
et la empreinte postérieure de une autre espèces
est morphologiquement très similaire,
et aussi Taille- sage assez similaire à la de face le pied de une autre espèces.
Nous avons a obtenu un multi-classe classification problème ici.
À présent ici tu boîte voir un carte qui montre les plages de distribution
de la différent loutre espèces.
La bleu Région ici, c'est un eurasien loutre.
Alors la rouge Région est le lisse- recouvert loutre.
La jaune vers le bas ici est la petit- griffé o plus,
et alors la rose plus de ici est la loutre à nez poilu.
Mais tu boîte voir ce, même si ce regards Comme un grand Région,
il y a réellement juste un peu pointé îles là.
Quoi est vraiment intéressant sur cette carte, cependant,
ce spectacles tu où leur domicile gammes chevaucher.
Là sommes six domaines où
à moins deux, si ne pas même Trois des espèces se chevauchent.
Pour écologistes, c'est vraiment important à trouver dehors
où le différent espèces Direct, à Quel Le degré ,
comment grand la populations sommes, et trouver dehors comme beaucoup comme possible sur
la différent populations
alors ce nous ont un bien idée de comment en voie de disparition elles ou ils sommes.
À présent, Pourquoi est conservation de la loutre important?
Bien, première de tout, les loutres sommes classé comme clé de voûte espèces,
et ce moyens ce elles ou ils ont un effet sur leur environnement
disproportionné à leur abondance.
Juste un peu personnes boîte ont assez un gros impact.
Ils jouer un vraiment important partie
dans la aliments chaîne et contribuer à la environnemental équilibre.
Ils sont aussi vu comme Parapluie espèces,
qui moyens ce elles ou ils conférer protection à un grand Numéro de autre espèces.
Fondamentalement, si quelque chose arrive à la les loutres,
ce sera ont un impact sur autre espèces comme bien.
Ils sont aussi un Indicateur espèces,
alors elles ou ils réellement indiquer la santé de leur environnement.
Ils sera ne pas Direct dans eaux polluées ou dans pollué marécages.
Loutre retour à un Région est toujours bon signe,
car ce moyens la qualité d'eau et zone humide santé est amélioration.
À présent, des menaces à les loutres. Là sommes beaucoup de différent des menaces.
Pollution est la une nous avons déjà mentionné juste à présent.
Mais une autre problème est la Humain faune conflit, habitat perte.
Avec ce aussi vient perte de proie.
UN n en augmentant problème, notamment en Asie,
est la illégal Commerce, la illégal faune Commerce.
Ils sommes notamment après la fourrure, la fourrure Commerce et aussi après animaux domestiques.
Bébé les loutres sommes pris dehors de la sauvage et utilisé comme animal de compagnie,
qui est ne pas bien pour loutre conservation à tout.
À présent
comment fais tu approcher un conservation projet Comme cette?
Bien, première de tout, tu besoin à pense
comment fais tu vouloir à moniteur la population.
Quoi fais tu vouloir à voir à?
Fais tu vouloir à voir à espèces Distribution?
Oui, presque toujours.
Fais tu vouloir à voir à individuel IDENTIFIANT?
Fais tu vouloir à trouver dehors Quel la sexe rapport dans un population est?
La Suivant chose tu besoin à décider est fais tu vouloir à utilisation envahissant méthodes
ce potentiellement stresser ou même faire du mal aux animaux ?
Ou fais tu vouloir à utilisation non- envahissant les technologies ou méthodes
à moniteur la espèces qui sera ne pas stresser et préjudice la animaux?
Nous, à WildTrack,
nous se concentrer sur moyens non invasifs à moniteur espèces.
Dans cette particulier projet,
nous sommes totalement mise au point sur empreinte identification.
À présent, une fois que tu ont fabriqué ceux les décisions,
tu besoin à évidemment former personnes pour vous aider avec la Les données le recueil
car tu ne peut pas être partout et tu ne peux pas aller partout.
Durant fois de pandémies, c'est même Suite difficile.
Alors tu besoin à former ton équipe tous les deux dans- la personne comme bien comme à distance
alors ce a a été un bit de un défi.
Alors tu besoin à obtenir tout la Les données le recueil,
et la entraînement et la la collecte de données peut se faire in situ,
qui moyens dans la champ ou ex- situ, c'est-à-dire dans les zoos
et autre conservation organisations.
Une fois que tu obtenir la Les données dans, ce est lorsque tu début la Les données une analyse.
Dans notre Cas, c'est lorsque nous début utilisant JMP.
Autre typique problèmes pour n'importe quel conservation projet est financement, de cours, et aussi
en essayant à obtenir conservation politiques améliorées,
et la gestion stratégies pour conservation à ont ceux amélioré.
C'est fondamentalement notre fin objectif. Nous sommes collecte tout la Les données.
Nous sommes en cours d'analyse tout la Les données pour que à la fin de la journée,
nous peut donner cette information aux gouvernements
ou autre organisations et elles ou ils boîte prendre une décision éclairée
et Fabriquer meilleur conservation Stratégies.
Laisser moi juste aller retour une Suite temps.
Sur la la gauche main côté ici, réellement,
tu boîte voir une de notre joli gardiens de zoo collecte empreintes de pas pour nous.
Sur la droit main côté, vous pouvez voir
un empreinte image ce a été expédié à nous de la sauvage.
C'est un mystère empreinte.
Nous étaient a demandé si nous pourrait s'il vous plaît trouver dehors
qui espèces laissé cette empreinte derrière.
C'est vraiment Quel nous vouloir,
ce des chercheurs début à envoyer nous empreintes
et nous boîte aider leur trouver qui espèces des vies dans leur Région.
Fred sera, avec un peu de chance plus tard sur, aider nous révélons
qui espèces cette empreinte fait parti à.
À présent, nous avons a demandé nous-mêmes Trois questions de recherche,
et à la moment nous sommes toujours mise au point sur une.
Cette est un en cours projet.
UN t la moment, nous sommes mise au point sur espèces classification.
Boîte ADAPTER, la empreinte identification La technologie,
identité ou distinguer
entre le quatre différent espèces de loutre nous sommes en regardant à?
Lorsque nous avons a obtenu suffisant Les données et suffisamment de données particulières,
où nous absolument connaître la personnes,
nous sera voir à individuel classification et aussi à sexe classification.
Mais c'est Aller à être un peu plus loin vers le bas la route.
Jusqu'à présent, nous nous sommes associés à neuf zoos et loutre conservation organisations.
Nous avons a été entraînement leur à recueillir empreintes de pas Suivant notre coupe protocole.
Cette a a été, encore, pendant la COVID, assez difficile.
j'ai ne pas a été pouvoir à voir Tout le monde dans la personne,
alors quelques personnes j'ai dû s'entraîner à distance,
mais ils ont tout a été Tout à fait fantastique, nos zoos et gardiens de zoo,
et ont vraiment relevé ce défi
et ont a débuté à vraiment envoyer dans un parcelle de images
comme tu boîte voir ici sur la la gauche.
C'est toujours globalement beaucoup plus petit goûter Taille que nous vouloir à ont.
Comme je dit que c'est un projet en cours, mais il
est suffisant à donner nous
la aptitude à à présent à partager quelques résultats préliminaires avec vous
alors nous boîte dessiner quelques conclusion.
Nous avons inclus Trois loutre espèces dans cette alors loin.
Nous avons seulement juste a débuté à commencer à obtenir h aérien- nez loutre impressions.
Il y a seulement une h loutre au nez aéré en captivité dans la ensemble large monde.
Le sien ou son, je suis ne pas Bien sûr, les impressions commencent à peine à arriver,
et nous sera mettre à jour à un plus tard temps
la résultats avec cette Quatrième espèces dans ce.
Mais pour à présent, étaient Aller à voir à Trois loutre espèces.
Oui, alors je pense c'est temps à ont un plus proche voir à comment nous fais la Les données une analyse
plus de à Fred.
Remercier tu, Larissa, et allons saut droit dans action.
Comme Ciel mentionné précédemment,
FIT a a été développé pour un large Numéro de espèces.
Lorsque c'est pleinement développé
ou après en quittant production, c'est un ajouter à dans JMP.
Aujourd'hui, je suis Aller à démontrer quelques parties de la Les données une analyse
et quelques parties du développement avant de ce vient dans production.
Quoi je un m Aller à dire est, dans général, je juste recherché à donner tu
un peu bit de un Contexte de la façon dont cela développement est d'habitude Fini.
Notre saisir Les données est collecté
avec très peu d'équipement et très Facile équipement.
C'est une de la principale avantages de ADAPTER,
ce ce boîte être largement appliqué avec très peu équipement.
Tu seulement besoin un téléphone intelligent et un règle.
Si tu vouloir à développer ADAPTER des modèles pour certain espèces,
tu début avec un image base de données c'est généralement collecté
de connu personnes comme Larissa mentionné.
Nous Donc coopérer avec parcs zoologiques et autre faune centres.
Ces images sommes alors traité au sein de JMP à extrait géométrique profils
ce extrait un parcelle de des mesures, angles, distances.
Cette Les données boîte alors être utilisé à développer ADAPTER des modèles.
La général production est ce tu vouloir à voir à espèces, sexe, personnes.
Si tu es pouvoir à édition pour les particuliers, tu vouloir à dessiner conclusion
sur population Taille.
Une fois que tu développer la méthode,
tu absolument vouloir à teste ça sur inconnue personnes.
Encore, tu voir à images et obtenir un prédiction de la des modèles.
Avantages de ADAPTER basé sur biométrique, c'est non invasif.
C'est un standardisé et Coût efficace moyen de surveiller la faune insaisissable
ce ne peux pas être surveillé par direct observation.
Ce boîte être mis en œuvre pour presque toute espèce ce feuilles un empreinte.
Ce boîte être combiné avec d'autres non- envahissant méthodes
et traverser- validé des modèles en général ont un haute précision.
Comment à construire ces des modèles est quelque chose ce je aurait Comme à démo.
Quoi je suis Aller à démo aujourd'hui cherche techniquement
à différent empreintes de pas.
Tu voir sur la Haut la gauche, tu voir un pied arrière
de un asiatique à petites griffes loutre.
Sur la Haut droit, tu voir un la gauche le devant d'une loutre à poil lisse,
sur la fond la gauche, un la gauche de face de un eurasien loutre,
et sur la droit main côté, tu voir un empreinte du pied droit
de un inconnue loutre de Népal.
Quoi nous sommes Aller à fais aujourd'hui est nous traiter ces images.
Alors je suis Aller à Afficher tu comment à développer rapidement
un classification maquette dans JMP.
Alors Je vais voir Quel la prédictions
de ces rapidement développer méthodes sommes Aller à être.
Ce tout départs
avec image une analyse.
C'est basé sur un script la mise en oeuvre dans ADAPTER.
Dans la première marcher, tu d'habitude régler la Taille de un image
alors ce la empreinte est clairement visible et la dominateur partie de la champ.
Dans ordre à être reproductible,
c'est important ce empreintes de pas sommes aligné Suivant défini rotation points.
Pour les loutres, ces sommes rotation points dessous la deuxième et la Quatrième doigt de pied.
Alors tu Positionner un défini Positionner de repère points.
Encore, pour les loutres, cette est espèces- spécifique.
Mais pour les autres, j'ai choisi 11 Repères.
Ils sont dans la centre.
Pardon, oublié une marcher.
De cours, tu besoin à définir un échelle première.
Ici nous a obtenu 10 centimètres. Cette est ici.
Tu boîte ajouter quelques Additionnel informations.
Juste à donjon ce Facile, je sera Nom e c'est la grève asiatique à griffes courtes loutre.
Alors tu Positionner 11 repère points.
Tu pourrait, pour exemple, utiliser un Coût air fonction
si tu vouloir à Fabriquer cette comme précis que possible, évidemment,
mais pour temps raison, Je vais juste rapidement Cours à travers leur.
Après paramètre 11 Repères, tu dériver Additionnel points,
qui aident points ce sommes aussi utilisé
à extrait biométrique informations.
Une fois que vous avez Fini ce,
tu vas juste début un Nouveau table et tu aller pour un stylo dessiner.
Je vais juste rapidement Cours à travers Trois Suite images.
Encore, tu besoin à redimensionner leur.
À présent, avec cette image, tu boîte voir c'est à l'envers vers le bas.
Quoi je Comme sur JMP est ce
la image la fenêtre boîte réellement fais quelques image pré- En traitement.
À présent, c'est droit de face. Pardon, je besoin à retourner cette une Suite temps.
Boîte fais quelques image En traitement dans JMP et alors tu ne le faites pas ont à monnaie
dans entre logiciels.
C'est quelque chose ce je vraiment Comme ce je boîte fais tout ma travailler
dans une Logiciel autre que de changer dans entre plusieurs Logiciel.
Encore, je a dit 11 repère points.
Cette temps, Je vais juste aller plus de leur rapide et sale,
et espoir ce la prédiction sera être exact suffisant
c'est un Loutre eurasienne.
Encore, je aller ajouter
juste deux Suite fois, une pour la à revêtement lisse loutre.
Encore, je sera Positionner la 11 Repères,
et Quel la Repères sommes utilisé pour, Je vais Afficher tu dans un deuxième.
Dériver points, ajouter une ligne.
Une dernière temps, la mystère empreinte dont Larissa a parlé
ce a été expédié à nous de un projet dans Népal,
ce est, à ma connaissances, Faire quelques loutre surveillance là.
Une de la espèces a pas été vu pour à moins 30 années.
1, 2, 3, 4, 5, 6 .
Qu'est-ce que différent dans ici est-ce tu ont un différent échelle.
Ce échelle facteur est quelque chose ce je besoin à régler dans ici.
Encore, Je vais rapidement Cliquez sur à travers la images.
Cette est normalement Fini un peu bit plus fastidieux,
mais pour démo Saké, je vais essayer de Cliquez sur à travers leur rapidement.
Et cette est un inconnue
espèces.
Quoi tu fin en haut avec c'était la enduit lisse.
Quoi tu fin en haut est
un gros Les données table .
Ces sommes points pour
évaluer la qualité de la repère, qui je a fait ne pas aller dans dans ici.
Tu obtenir X et Oui coordonnées pour chaque repère.
Ces X et Oui coordonnées sommes dérivé
à calculer un grand Numéro de des mesures.
Il y a Suite que 100 distances dérivé, quelques angles et quelques domaines.
Il y a assez un parcelle de informations extrait dehors de un Célibataire empreinte.
Si tu répéter cette marcher ce j'ai vient de montrer plusieurs fois,
tu vas fin en haut avec un Les données table Comme cette.
Cette est la Les données table ce Je vais à démo la prédiction maquette sur.
Si tu ont un voir Quel nous ont ici,
si tu voir à la distributions ou espèce ou cible variable,
tu voir ce je ont 405 traité images de eurasien les loutres,
278 asiatique à griffes courtes les loutres, et 127 à revêtement lisse les loutres.
C'est ne pas à la perfection également- groupes distribués,
mais à moins chaque groupe a une taille d'échantillon assez importante,
qui sera avec un peu de chance travailler pour la modélisation.
À tout moment tu vouloir à fais toute sorte de supervisé la modélisation,
c'est un bien idée à diviser vos données dans entraînement et test Les données.
Cette boîte être très facilement Fini dans JMP.
Tu ont à Fabriquer validation colonne dans la prédictif la modélisation Plate-forme.
Quoi j'ai Fini est je au hasard diviser mes données en 80 % de données d'entraînement
et 20 pour cent test Les données,
où je testerai la des modèles ce étaient Aller à construire sur
et voir comment elles ou ils effectuer.
Tout droit, alors j'ai précédemment Fini cette.
Quoi Je vais fais à présent est Je vais juste sélectionner mes données d'entraînement,
qui sommes 648 Lignes,
et je sera juste ont un voir dans un Les données voir.
Cette est 648 observations.
Je vais rapidement enregistrer cette comme ma entraînement Positionner.
Encore, si tu ont un voir à la distribution,
tu pourrait voir ce nous ont,
100 à revêtement lisse loutre impressions, 324 eurasien loutre impressions, et 223 ASC.
C'est la même Distribution pourcentages comme avec la précédent Les données Positionner.
Dans la Suivant marcher,
je sera sauter dehors un gros partie quand cela vient à prédictif la modélisation,
ce est un variable sélection.
je présumer ce je ont non préalable connaissances, alors juste ajouter dans tout variables
ce sommes disponible.
je ont non idée qui maquette est Aller à travailler meilleur.
Quoi je suis Aller à fais ici est Je vais utiliser la plateforme de sélection de modèles
ce compare plusieurs différent machine apprentissage des modèles
ce sommes mis en œuvre dans JMP et juste comparer marcher performance sur cette
spécifique tâche.
Encore, ma cible variable est la espèces.
Cette est la une ce je aurait Comme à prédire.
Dans total, je ont 209 mesures
extrait de ma données d'empreinte et ces sommes ma X variables.
Ces sommes tout les facteurs ce boîte potentiellement être utilisé.
Quoi tu voir vers le bas ici est tu boîte choisir la méthode ce tu voudrais courir
et tu boîte fondamentalement choisir à travers tout la prédiction méthodes.
Mais pour arguments Saké et pour Durée,
Je vais seulement Cours méthodes ce je connaître ce sera Cours à travers rapidement.
Tu boîte encore Fabriquer ce reproductible par paramètre un Aléatoire planter.
Qu'est-ce que aussi bien sur un plateforme de criblage de modèles
est tu boîte ajouter un interne validation marcher.
Nous déjà diviser notre Les données dans entraînement et test Positionner.
Mais dans ordre à ont un validation interne sur ces des modèles
ce je suis va se développer,
Je vais ajouter pli en k validation croisée.
Je vais juste mettre un cocher dans ici alors ce là sommes plusieurs des modèles
sont évalués utilisant le k-fold validation croisée méthode.
D'accord, si je juste Cliquez sur rapidement, aller sur Cours.
Je vais ont un sommaire perspectives.
Je vais voir ce quatre de ma des modèles
ont a été évalué.
Vous allez obtenir carré aérien,
tu vas obtenir des mesures de performance pour ces différents modèles,
et tu boîte juste dire qui une est la meilleur.
Tu juste sélectionner la dominant une.
Tu boîte voir dans la entraînement ou dans l'ensemble de test
qui sera aussi donner tu un mauvaise classification évaluer.
Tu boîte voir ce mauvaise classification évaluer pour Forêt d'amorçage a été assez Impressionant.
C'est presque 95 pour cent de la Les données a été correctement classé
dans la validation Positionner.
Pour arguments Saké, allons dire, ce la Forêt de Bootstrap,
la Arbre de décision, et la Analyse discriminante
étaient la Trois meilleur des modèles et je suis ne pas Bien sur qui une est la meilleur.
je boîte juste Cours ceux Trois des modèles tel que sélectionné.
Ils vont populaire en haut dans leur respectif Plate-forme.
Quoi je boîte fais est Je vais juste
enregistrer la prédiction formule dans ma Dépôt de formules.
Je vais fais cette pour la Modèle d'arbre de décision, alors je boîte proche cette.
Je vais fais cette
pour la Analyse discriminante, qui est faite ici.
Dernier mais ne pas moins, je boîte fais ça pour la Forêt d'amorçage maquette
ici.
Quoi je ont à présent est...
Quelqu'un je boîte proche, je suis Pardon.
je ont Trois des modèles dans ma Dépôt de formules.
je à présent vouloir à évaluer comment ces des modèles effectuer sur Nouveau Les données.
Encore, je aller dans ma table de données initiale
et je sélectionner ma test Positionner,
alors tout la variables ce ont choisi au hasard
comme un validation Positionner.
Je vais juste rapidement enregistrer cette comme Test Régler.
Dans la Suivant marcher, je boîte techniquement
ouvert ma Dépôt de formules et je boîte Cours tous ceux des modèles dans la Nouveau Les données table.
je sera Cours leur sur la test Positionner.
je vouloir à Cours tout Trois de la des modèles.
je boîte fais un maquette comparaison
où je cours tout la Trois des modèles sur la test Positionner.
C'est réellement Quel je recherché à Afficher.
Vous allez voir vers le bas ici, je espoir tu boîte voir cette.
Essayer à Zoom dans un peu bit ce
la mauvaise classification les taux de ces modèles étaient réellement assez bas.
Ensemble d'essai est Nouveau Les données ce a ne pas vu sur les modèles
et là a été un mauvaise classification évaluer
pour la Arbre de décision maquette de 16 pour cent, tandis que la Analyse discriminante
et la Forêt d'amorçage
seulement avais un mauvaise classification évaluer de 12 pour cent.
Tu ont la le plus élevé air carré évaluer pour la Forêt de Bootstrap,
et là sommes plusieurs autre métrique ce tu vouloir à voir à.
Pour nous, la plus important métrique est la prédiction, droit ou mauvais.
je d'habitude voir un parcelle à la mauvaise classification évaluer.
Mais évidemment, tout la autre métrique
peut être utilisé à évaluer et produire bien des modèles.
Dernier mais ne pas moins,
nous vouloir à ont un voir de comment ces des modèles
réellement effectuer sur la empreintes de pas ce étaient juste précédemment traité.
Encore, nous aller retour dans notre... Maintenant, où est-ce?
dans notre Dépôt de formule et bien Cours cette
à quatre images ce nous précédemment
traité.
Si nous ouvert cette Les données table,
tu boîte ont un voir à la prédiction.
Quoi nous boîte voir ici. je ferai ce un peu bit Suite évidemment.
Alors cette a été
la original Les données,
et si je juste voir dans la espèces pour la première maquette,
tout a été prédit correctement.
La première maquette a été la Arbre de décision ce prédit ASC pour ASC,
eurasien loutre pour eurasien loutre, à revêtement lisse pour à revêtement lisse,
et même avec la Analyse discriminante et même avec la Amorcer Forêt.
Tous les trois des modèles réellement prédit la bonne espèce à la images
que nous avons traité, et tout des modèles étaient aussi cohérent
sur leur prédiction lorsque ce vient à la eurasien loutre.
je suis Faire ma Doctorat surtout sur la eurasien loutre espèces.
Cette a été aussi quelque chose ce je aurait ont deviné comme un expert
sur cette particulier espèces empreinte.
Alors c'est assez cohérent et ce œuvres vraiment bien.
Évidemment, tu boîte ajouter Suite pas et tu peux bien régler
ton classification évaluer encore plus si tu voir Suite dans caractéristique sélection.
Mais je pense Quel je recherché à Afficher tu avec cette démo est comment facilement un question
de quoi espèces ce est boîte être a répondu utilisant JMP.
je espoir cette a été assez intuitif.
Laisser moi dessiner quelques conclusion sur ce, quelques résultats.
Quoi je vraiment Comme sur JMP est un génial tout- dans- une la solution.
je boîte extrait biométrique Les données de images dans la ADAPTER ajouter à.
je ne le faites pas ont à changer Logiciel à fais la Les données une analyse.
Directement, ma extrait biométrique Les données boîte être analysé.
Et ne pas seulement analysé dans un descriptif façon,
je boîte construire classification des modèles.
Il y a Etat- de- la art machine apprentissage des modèles mis en œuvre dans ce,
et alors c'est un une- et- tout la solution.
Il y a évidemment autre façons à fais ça aussi,
mais je juste Comme la praticité.
Pour notre particulier rechercher question,
alors notre loutre espèces spécifique classification des modèles à cette organiser,
comment beaucoup Les données nous ont, elles ou ils ont effectué très bien.
Ils sont pouvoir à protéger la espèces
de Célibataire inconnue loutre empreintes de pas avec haute classification évaluer.
Pour exemple, ici
neural rapporter, qui je a fait ne pas Cours dans cette Exemple
car la Durée est un Un peu plus longtemps,
avais un mauvaise classification évaluer de seulement 10 pourcent sur la même test Positionner.
Ce pourrait même augmenter la classification précision de une autre deux pour cent.
Si tu se plonger dans Plus profond, tu boîte même augmenter cette un peu bit Suite.
Une chose ce notre vivre de travail avec empreintes de pas dans la champ
augmente la précision de la classification par assez un parcelle
est plutôt que travail avec des empreintes uniques
est à travailler avec les sentiers.
Un animal, en fonction, dépendemment sur où tu sommes, en fonction, dépendemment sur la substrat,
n'a pas seulement Pars un Célibataire empreinte.
Sans pour autant Aller aussi beaucoup dans détail, un empreinte boîte être un assez complexe question
car ce varie un parcelle avec la substrat ce un animal
est en mouvement à travers avec la la rapidité de un animal avec la portail.
Là boîte être assez un bit de bruit et Contexte variation.
Si vous travailler avec plusieurs empreintes de pas et prendre un moyen de un prédiction
Au lieu de Célibataire empreintes de pas,
tu boîte adresse cette variation assez un bit Suite.
Cette vient surtout important lorsque tu vouloir à voir à individuel identification.
Dernier mais ne pas moins,
JMP est aussi génial à Gain connaissances sur la importance de variables.
Il y a plusieurs façons dans JMP
ce tu boîte voir dans qui sommes en fait les variables
ce sommes contribuant la plus à prédictions.
Tu boîte Soit voir à arbre- basé méthodes,
où tu voir à la arbres de classement et où la divise sommes Fini.
Tu boîte voir dans colonne contributions encore pour arbre- basé méthodes,
si tu travailler avec Amorçage F forêt, ou XGBoost, ou quelque chose Comme ce.
Tu boîte voir qui Colonnes choisissent en fait comment de nombreux fois.
Tu pourrait voir dans la prédiction profileur
si tu utilisation la Ordinaire la modélisation Plate-forme dans JMP.
Tu boîte techniquement ont un voir de quoi le prédiction de ton maquette,
comment c'est Aller à monnaie Si vous monnaie certain valeurs.
Ou tu boîte fais quelque chose Comme un Analyse discriminante,
où tu juste suivre
la Rapports F de comment variables sommes choisi.
Cette sera alors, encore, donner tu un beaucoup d'idées
car ce vraiment dépend sur ton question.
Fais tu vouloir à ont un prédiction d'un conseiller externe
de Quel espèces tu es en regardant à?
Ou fais tu vouloir à donner un guide pour travailler sur le terrain
de qui des mesures sommes la peine en regardant dans
lorsque tu es dans champ,
lorsque tu vouloir à Fabriquer la classement sur le sujet,
Comme juste sur expert connaissances?
Ouais, alors c'est fondamentalement ce de ma côté.
je aurait Comme à remercier tout la contribuant parcs zoologiques et faune parcs qui autorisé nous
à travailler avec leur beaux animaux et partager Les données avec nous.
Surtout, je aurait Comme à remercier la grâce Yoxon de la IOSF,
la loutre survie solidifier qui a obtenu nous dans Contactez avec de nombreux de leur,
KHYS, notre Maison de Karlsruhe de Jeune Scientifiques
qui financé cette étude,
et plus surtout, Joseph Morgan de JMP,
qui est très utile Quand cela vient à la modélisation et ADAPTER.
Alors il a a été donnant moi conseils
Suite que une fois que lorsque je obtenir n'importe quel JSL script problèmes.
Ouais, c'est jolie beaucoup ce de ma côté.
Remercier tu très beaucoup pour écoute alors loin, tout le monde.
je juste vraiment vouloir à tour en haut ici.
je penser que Ciel, et Larissa, et Fred ont magnifiquement décrit
la défis nous sommes confrontés dans identifier ces différentes espèces de loutres
autour de la monde et la façon dans qui JMP boîte aider nous
classer leur et apporter un peu de clarté à cette image.
Où sommes elles ou ils et comment de nombreux sommes là?
Identifiant Comme à juste rapidement parler sur qu'est-ce que c'est Suivant.
Comment sommes nous imeuble sur cette?
Une de la des choses étaient Faire est imeuble
artificiel intelligence dans cette image alors ce ce sera Autoriser nous à
filtre et trier un beaucoup plus grand le volume de Les données comme ce vient dans.
Comme tous les deux Fred et Larissa ont a dit, nous besoin Suite Les données.
Artificiel intelligence a la potentiel,
qui nous avons déjà exposé dans certains début entraînement
et test et champ Les données
comme tu boîte voir à la fond de cet écran.
Étaient obtenir raisonnablement bonne précision dans notre initial essais avec IA.
Nous pense ce ce sera jamais donner nous assez la résolution ce JMP sera donner nous.
Quoi étaient visée à fais est ont un Plateforme IA
qui sera être facile pour scientifiques citoyens à nourrir Les données dans.
Bien ont JMP comme la classificateur de niveau supérieur sur ce Plate-forme par en intégrant ce.
Mais la clé ici vraiment est ce cette preuve au sol cryptique
la gauche derrière par les loutres et tout la autre espèces
y a-t-il pour nous à décoder si nous boîte trouver un façon à fais ce.
Ce vraiment est transformateur dans conservation
à être pouvoir à ont un technique pas cher et rapide
à connaître où ces en voie de disparition espèces sommes.
Étaient très optimiste qu'en utilisant un ligne de base IA classificateur
avec JMP comme un final classificateur, bien être pouvoir à Fabriquer ce technique
pas seulement livrer la Les données nous besoin, mais intégrer personnes tout dans le monde
comme citoyen scientifiques à être partie de ce.
Étaient vraiment reconnaissant à la Communauté JMP pour justificatif nous
à travers cette ensemble périple.
Étaient en permanence fabrication Nouveau foulées.
Nous connaître ce il y a intérêt dans cette communauté,
et nous espoir ce elles ou ils sera Rejoignez-nous
lorsque notre Nouveau portable application vient dehors à même début collecte Les données eux-mêmes
et pousser cette vers l'avant à l'endroit où nous voulons qu'il soit être,
qui est un classificateur
pour tout en voie de disparition espèces tout plus de la monde.
Voici à beaucoup et beaucoup de points sur la carte,
et remercier tu tout pour écoute.
