Bonjour, tout le monde.
Mon nom est Facture Worley,
et je suis un système ingénieur pour JMP pour le NOUS Chimie équipe.
Aujourd'hui Je suis en allant pour être en parlant pour toi à propos
Un Analytique Flux de travail pour Données et Chimiométrie Analyse avec JMP .
j'ai un peu choses je vouloir pour souligner.
Étaient en allant pour être en parlant à propos obtenir le données dans...
En fait juste suivant le analytique flux de travail ce nous partager
à propos obtenir données dans, nettoyage et mélange,
visualisation, exploratoire données analyse, bâtiment des modèles.
Et alors finalement,
quoi sont toi en allant pour faire avec ce données et comment sont toi en allant pour partager il?
Couple de choses ce sont important
sont le nouveau JMP Flux de travail Constructeur,
Je suis en allant pour souligner ce.
Ce est juste un instantané de quoi Je vais être montrant toi dans un petit bit.
Et le chimiométrique partie de ce est en cours d'analyse spectral données,
en utilisant fonctionnel Données Explorateur pour pré- traitement.
Et ces sont maintenant construit dans JMP.
Si tu peux voir sur ici, nous avons a obtenu un languette en haut ici dans ETP Maintenant
où toi peut choisir depuis différent les types de pré- traitement,
standard, normal, variable , multiplicatif diffusion correction,
Savitzy Golay filtration, et ligne de base correction.
Et je croire là sera être peut être un ou deux autre choses ajoutée pour ce.
Juste donc toi savoir, le données ce Je suis en utilisant est tiré depuis ce papier.
Vous le voyez bien bas ici, de retour de 2002.
Juste pour laisser toi savoir, c'est où le date est à venir depuis.
Tous droite, Je suis en allant pour mettre ce de côté pour maintenant,
et Je suis en allant pour aller devant et obtenir choses en allant ici.
Donc j'ai a obtenu mon maison fenêtre.
Je suis en allant pour aller et commencer un Déposer, Nouveau, Projet.
Et le flux de travail ce Je suis en allant pour être fonctionnement avec est ce un droite ici.
Je suis en allant pour droite- Cliquez sur sur ce.
Je suis en allant pour ouvrir il.
Quoi j'ai fait est j'ai pris le données ensemble ce je vouloir pour travail avec
et j'ai construit tous ces pas dans le Flux de travail Constructeur,
et Je suis en allant pour jouer ce pour toi maintenant.
Donc c'est en allant pour peupler notre projet ici.
Donc Je suis en allant pour aller devant et frapper jouer.
Comme toi peut voir, c'est bâtiment le flux de travail, action quelques analyse.
Étaient action quelques modèle dépistage droite maintenant.
Et alors tout est complet.
Et maintenant nous ont tous ces onglets à travers le haut
où nous avons complété ce analyse avec le flux de travail.
j'ai en fait inclus un autre tableau dans là.
Quand nous obtenir là, Je vais parler plus à propos ce.
Mais nous construit ça tableau, nous tiré le tableau dans
juste pour montrer vous ils sont depuis le source données.
Nous avons en fait tiré ce données dans depuis un Exceller déposer.
Obtenir le données dans JMP depuis Exceller est assez facile.
Et nous construit quelques exploratoire données analyse.
Donc le d'abord marcher nous fait est action un distribution,
et nous peut interagir avec il juste comme quoi que ce soit autre.
Toutes les choses interactif depuis le Flux de travail Constructeur.
A fait quelques graphique où je mettre le colonne commutateur dans,
ajoutée le local données filtre.
Juste donc toi savoir,
comme nous construire le flux de travail, tous ces choses sont intégré
et le enregistrement aide toi donjon piste de qu'est-ce que c'est en allant sur.
Et toi peut voir ce nous avons a obtenu complet Fonctionnalité en allant sur là.
A fait quelques plus exploratoire données analyse en regardant à Fit Live IX ,
action un [inaudible 00:03:46]
comme dans ce cas,
Fit Live IX pour le mill time contre dissolution,
et mélange temps contre dissolution.
Juste pour obtenir dos pour il,
ce est tablette données c'est joli populaire dans le SCE communauté dans JMP.
Et Je suis juste bâtiment sur comment nous serait analyser ce et construire dehors ce flux de travail.
Suivant marcher serait être multi- variable analyse pour voir,
pour ce dissolution, qui est notre clé performance indicateur,
quoi pourrait être n'importe quel de le facteurs
ou quoi facteurs pourrait être très corrélé avec dissolution.
Pas voyant quoi que ce soit c'est sauter dehors aussi beaucoup.
Nous faire ont quelques partiel corrélation,
mais Non un facteur est sauter dehors comme
le répondre pour le données ce étaient en regardant à.
Nous peut obtenir un mieux compréhension de quoi facteurs pourrait être important
si nous regarder à un prédicteur dépistage.
Nous peut voir ici ce nous ont choses appelé filtrer taille, moulin temps, vaporisateur taux.
Ceux regarder pour être important facteurs ce nous pourrait utiliser pour construire un mieux modèle.
Suivant, nous peut en fait ensemble en haut un pas à pas régression.
Je suis en allant pour aller ici et en fait courir ce modèle dans un deuxième.
Et alors nous avons a obtenu ce sortir donc ce données est là
et nous pourrait utiliser ce comme nécessaire.
Alors on construit ce modèle,
et étaient dehors ici en regardant à un autre taper de analyse,
qui serait être décision arbre, une partition analyse.
Nous peut faire neural filet, construire ce modèle
et nous peut faire un [inaudible 00:05:35] carrés.
Donc nous avons a obtenu tous ceux choses ensemble.
Mais une fois tous a dit et fait,
toi pourrait en fait utiliser quelque chose appelé Modèle Dépistage dans JMP Pro
pour construire ces des modèles dehors et trouver dehors qui est le meilleur global modèle.
Et basé sur ce, nous peut voir ce
un neural- boosté modèle est probablement le meilleur global modèle pour nous pour travail avec.
Nous peut alors prendre tous ce information,
partager il avec tous notre collègues, collègues de travail,
n'importe qui OMS pourrait être intéressé.
Et nous peut faire ce dans plusieurs différent façons.
Un de le meilleur façons serait être pour utiliser JMP L je suis
et mettre tout dehors là pour gens pour regarder à et partager.
C'est le d'abord partie de le analytique flux de travail.
Et encore, si nous regarder dos ici, c'est tous ensemble en haut dans ce portefeuille ici.
Et comme je a dit avant, je avait ouvert un autre tableau.
Et ce est pour le partie chimiométrique de le analyse.
Ce est près- infrarouge données pour découverte le actif ingrédient dans comprimés.
Nous construit le comprimés, nous fait le comprimés.
Maintenant nous ont pour prendre le fini produit et trouver dehors qu'est-ce que c'est il tous à propos de.
Faire nous ont le droite actif ingrédient?
Et peut nous dire basé sur ce technique appelé près- infrarouge analyse?
Étaient en allant pour marcher à travers un peu différent choses,
mais Je suis en allant pour tourner ce Flux de travail Constructeur dos sur
pour enregistrer ces pas.
Donc allons tourner ce sur, allons aller dos pour notre données ensemble,
et allons faire quelques analyse maintenant.
Donc je vouloir pour clair dehors ces brut États d'abord.
Et maintenant je vouloir pour aller pour Analyser regroupement, Hiérarchique Regroupement.
Donc je a obtenu ce, et j'ai a obtenu tous mon données groupes.
Donc il y a 404 longueurs d'onde ce sont groupés.
Je suis en allant pour tirer ceux dans, dire, d'accord.
Allons construire ce dehors un petit bit,
étaient en allant pour regarder à trois différent groupes,
et allons couleur ceux groupes.
Tous droite, donc toi peut type de voir ce,
laisser moi tirer ce bas un petit bit,
vous pouvez voir que nous avons a obtenu trois groupes,
assez grand vert grappe et deux plus petit bleu et rouge.
Donc nous avons a obtenu ce.
Et maintenant allons aller dos pour notre données ensemble, et allons faire un Graphique Constructeur.
Donc allons aller pour Graphique Constructeur.
Allons tirer notre longueurs d'onde dans,
ici pour X,
faire un parallèle parcelle,
faire le ménage ce en haut un petit bit,
et droite- Cliquez sur là pour combiner Balance et parallèle fusionné.
Je suis action ces pas joli rapide.
Ce est quelque chose tu vas vouloir pour aller dos et montre encore, si c'est de intérêt.
Mais le chose je vouloir pour montrer toi ici est ce le données est joli dispersé,
et il y a un parcelle de ligne de base séparation,
peut être quelques additif et multiplicatif diffusion ce nous besoin pour faire le ménage en haut.
Donc allons aller dos pour notre données tableau
et aller pour un autre analyse marcher.
Allons aller pour un multivarié méthode.
Allons aller pour principal Composants.
Encore, Bien tirer tous notre longueurs d'onde dans.
Dites d'accord.
Et le chose je vouloir toi pour note ici est ce
nous ont quelques 404 longueurs d'onde
sont tous groupé droite autour ce petit zone droite ici.
Ce est très corrélé données.
Nous pourrait construire un modèle désactivé de ce,
mais il peut pas être le meilleur.
Parce que étaient en allant pour être y compris longueurs d'onde ce sont pas de importance
parce que de le haut corrélation.
Donc Bien faire le ménage ce en haut dans un petit bit.
Je vais montrer toi comment pour faire le ménage ce en haut dans un petit bit.
Et comme un matière de fait, allons aller pour ce marcher droite maintenant.
Allons aller dos sur ici et aller pour Analyser,
Spécialisé La modélisation.
Et étaient en allant pour aller pour D fonctionnel à Explorateur.
Et allons obtenir ce ensemble en haut d'abord, et Je vais dire toi plus à propos il.
Mettons notre longueur d'onde là,
nous ont notre actif ingrédient, qui est un supplémentaire variable.
Et alors notre IDENTIFIANT fonction. Là nous aller.
Dites d'accord.
crus comme les fonctions. Laisser moi faire ce encore.
Actif ingrédient et notre longueurs d'onde.
Ce type de regards comme quoi nous scie avant dans Graphique Constructeur,
et nous vouloir pour faire le ménage ce en haut.
Donc nous avons a obtenu ces nouveau onglets dans J député Pro 17 pour Fonctionnel Données Explorateur.
Spectral est un de le onglets.
Et alors, comme nous a parlé avant, nous ont standard normal variable
multiplicatif diffusion, Savitzy Golay et ligne de base correction.
Je suis en allant pour sélectionner le standard variable normale en premier
pour nettoyage ce en haut.
Et alors toi peut voir le ligne de base est un petit bancal ici.
Allons faire le ménage ce en haut, prendre ce suivant marcher,
et alors aller devant et dire d'accord.
Et maintenant nous avons a obtenu ce ensemble en haut.
Il regards un parcelle mieux, un parcelle nettoyeur.
Et maintenant le suivant marcher serait être pour modèle ce.
Étaient en allant pour utiliser un autre nouveau fonction dans Explorateur de données fonctionnelles
appelé ondelettes.
C'est ondelette la modélisation ici.
Et toi peut voir bas ici ce notre modèle a a été construit,
et étaient expliquant un parcelle de le variation avec à propos
cinq fonctionnel principe Composants.
Mais si toi regarder à ces, étaient expliquant le forme avec notre forme les fonctions.
C'est où notre valeurs propres venir dans.
Ce est vraiment juste un bon chemin pour regarder à le données
et faire bien sûr ce notre les spectres sont être Bien modélisé.
Comme je a dit, nous avons a obtenu
cinq forme les fonctions ce sont expliquant choses vraiment Bien.
Donc allons faire le ménage ce en haut un petit bit et tirer ce dos,
faire notre modèle un petit plus simple.
Nous ne le fera pas aller tous le chemin dos pour cinq, mais Bien partir il à dix pour maintenant.
Toi peut regarder à le score parcelles.
Il y a toujours quelques diffusion ici dans le données,
mais Bien faire le ménage ce en haut dans un deuxième.
Et alors un de le autre pas toi vouloir pour prendre se soucier est pour faire un ondelette modèle.
Ce est nouveau dans JMP 17, ce ondelette analyse.
Et quoi ce est vraiment tous à propos est en regardant pour
peut nous trouver le important longueurs d'onde
ce sont en allant pour donner nous un témoin signe de qu'est-ce que c'est en allant sur avec le données.
Et quoi Je suis en regardant pour, en particulier avec le spectres,
est quelque chose où je peut voir un changement dans le ligne de base.
Et je peut voir ce nous avons a obtenu un bien changement dans le ligne de base
et un regroupement de spectral longueurs d'onde autour 88 20 pour peut être 88 50.
Donc c'est le important partie ici.
Donc nous obtenir un idée de quoi le important longueurs d'onde sont.
Tous le données ce je avait fait en haut ici avant,
laisser moi tirer ce dos,
le pré- traitement ce je avait fait avant,
je vouloir pour sauvegarder ce données dehors et faire quelques analyse sur il.
Donc Je suis en allant pour aller ici pour le Fonctionnel Données Explorateur,
sélectionner Sauvegarder Données.
Ce est en allant pour être un nouveau données ensemble,
et maintenant nous avons a obtenu pour faire quelques travail avec ce données et faire le ménage il en haut
et faire bien sûr étaient prêt pour aller.
je vouloir pour faire un transposer.
Transposer Y. X est notre étiqueter.
Et ces deux goutte dans [inaudible 00:13:38] .
Voir si nous a obtenu ce droite, tapons d'accord.
Et Oui.
Donc nous avons nettoyé ce tableau en haut, nous avons pris ceux 300 spectres,
et alors nous avons transposé eux dans un autre données tableau.
Ce est tous le pré- traité données,
donc étaient en allant pour faire un peu plus choses pour ce
pour montrer où ce pré- traitement a vraiment nettoyé en haut le données
et où nous peut construire quelques des modèles avec il.
Donc laisser moi obtenir débarrasser de ce colonne.
Tous droite, et prêt pour aller.
Donc étaient en allant pour faire le même chose ce nous a fait avant.
Allons aller pour Analyser, Hiérarchique Regroupement.
En fait, laisser moi prendre un marcher dos ici réel rapide.
Ici, je veux grouper ces Colonnes pour faire choses un parcelle Plus facile.
Donc groupe ceux Colonnes et allons aller dos pour où nous étaient.
Allons aller pour Analyser, Recruter regroupement,
tirer notre Colonnes dans, dire, d'accord.
Bien faire le même chose nous a fait avant, Bien regarder à trois différent groupes,
et couleur ceux groupes.
Ce sera être un rapide comparaison,
mais si toi regarder à quoi nous a fait avant de quoi nous avons a obtenu maintenant,
nous avons a obtenu un parcelle plus serré groupes.
Et ces en fait sont joli Bien Dispersé.
Ils sont joli même.
Ceux groupes sont assez même droite maintenant.
Allons aller dos pour notre données tableau.
Allons aller dos pour notre Graphique Constructeur
et tirer notre longueurs d'onde dans encore, nous a fait avant.
Étaient en allant pour faire un parallèle parcelle dehors de ce encore.
Il n'a pas regarder super droite maintenant, mais allons droite- Cliquez sur ici,
et aller pour combiné Balance, parallèle fusionné.
Et maintenant toi voir ce le données est vraiment nettoyé en haut
où nous a fait ce pré- traitement a pris choses pour...
Ils regarder un parcelle mieux.
Allons voir si nous peut comparer c'est ici.
Quoi nous avait avant, et quoi nous ont maintenant.
Donc nous avons a obtenu ce données beaucoup nettoyeur.
N'importe quel analyse ce nous faire depuis ici devrait être beaucoup mieux.
Donc allons aller dos pour Analyser,
M multivarié méthodes, Principe Composants.
Tirez notre longueurs d'onde dans.
Dites d'accord.
Et maintenant nous avons pris ce données
et nous avons cassé ce corrélation structure ce nous avait avant.
Ce est actuellement après pré- traitement,
ce est quoi nous avait avant.
Juste pour montrer toi le différence.
Donc nous avons vraiment faire le ménage choses en haut.
Maintenant épouser vouloir pour prendre peut être un plus marcher dans le analyse.
Analysez, allons à Qualité et Processus
Modèle- conduit Multivarié Contrôle graphiques.
Étaient juste en regardant pour peut être quelques inhabituel comportement dans ici.
Dans ce cas, c'est basé sur le principal Composants.
Dites d'accord.
Et ce est en regardant à deux principal Composants.
Tu peux voir ce il y a quelques potentiel valeurs aberrantes ici.
Mais ce est spectral données, étaient pas en allant pour obtenir débarrasser de quoi que ce soit.
Nous juste vouloir pour type de voir ce.
Et un autre chose nous vouloir pour regarder à est pour aller pour Moniteur le Processus,
étaient en allant pour regarder à score parcelles.
Et maintenant nous peut regarder à notre sous-groupe bas ici
et nous peut en fait comparer ces groupes.
Je suis en allant pour tirer en haut un outil ici, un lasso outil.
Je suis en allant pour faire mon meilleur pour groupe ces, un couple de ces.
C'est en allant pour être mon groupe A.
UN nd Je suis va faire un autre lasso ici.
Bien juste partir ce comme est et aller là.
Nous saisi un de le faux ceux, mais je pense que nous allons être d'accord.
Et maintenant nous peut comparer où étaient voyant différences dans le spectres
pour ces deux sous-groupes.
Et comme je était en disant avant si nous regardé droite dans ici,
ceux longueurs d'onde sont dans quelque part dans ce 8800 gamme,
et alors nous peut voir ce il y a un réel différence là.
O ne plus chose nous vouloir pour faire, et ce est le dernier marcher.
Quoi Identifiant montré avant, Identifiant fait modèle dépistage,
et je vouloir pour faire modèle dépistage encore.
je aller pour Analyser, Prédictif La modélisation, Modèle Dépistage.
Étaient en allant pour ensemble ce en haut, étaient en allant pour faire notre actif.
C'est notre réponse ce étaient en essayant pour modèle,
et étaient en allant pour utiliser notre longueurs d'onde pour construire ce modèle dehors.
Je suis en allant pour faire le ménage ce en haut un petit bit.
Nous ne le faites pas besoin tous ces différent la modélisation les types.
Étaient en allant pour tirer ce dehors.
Mais le bon chose à propos ce est je peut construire tous ces des modèles à une fois
et vraiment trouver dehors qu'est-ce que c'est le meilleur la modélisation approche pour prendre avec ce données.
Je n'ai pas besoin de ça.Je n'ai pas besoin de ça.
Allons ajouter ceux.
Un chose Je suis pas va faire pour temps saké
est Je suis pas va ajouter n'importe quel croix- validation.
Si nous prendre ce dans compte,
ça va en fait courir un parcelle plus long.
Mais comme tu vas voir, ce est en allant pour être assez rapide.
Je suis en allant pour aller devant et dire d'accord.
Et comme ce est en allant, juste parler un petit bit plus à propos quoi étaient voyant.
Étaient bâtiment dehors ces des modèles.
Toi peut voir c'est marcher à travers.
Et allons voir dans à propos un autre peu secondes le voici devrait être fait.
Là nous aller.
Prise un petit plus long.
Là nous aller.
Basé sur quoi je a dit,
je n'a pas utiliser n'importe quel validation, mais neural a besoin il.
Donc c'est le validations ce toi voir là.
Mais global, nous obtenir un vraiment bien idée
XG augmenter est en allant pour être le meilleur modèle pour adapter ce données.
Nous pourrait utiliser n'importe quel de ces autres,
parce que ils sont tous vraiment bien des modèles comme Bien.
Mais toi obtenir pour choisir, sélectionner un, allons dire partiellement carrés.
Parce que c'est le aller- pour analyse méthode pour spectral données de toute façon.
Mais nous avons a obtenu ce.
Nous peut dire courir, choisi,
et remplir dehors ce modèle et trouver dehors, peut nous faire il même mieux?
Avec un peu de chance quoi j'ai fait et montré toi est ce nous peut construire ces...
Laisser moi tirer ce dos pour notre début ici.
Juste quelques pas.
Ce est notre flux de travail, et j'ai ajoutée ceux pas.
Donc nous avons a obtenu ce tableau ce étaient fonctionnement avec.
Nous effacé le états bruts . Nous transposer le données.
Quoi que ce soit ce nous fermé dehors est maintenant partie de ce flux de travail.
Donc nous continuer pour construire ce flux de travail.
Un chose Je vais dire est ce
je serait typiquement pas construire un flux de travail à l'intérieur un projet,
mais juste montrant toi ce il peut être fait.
Laisser moi aller dos pour mon glisser ici, et partagez.
Inversons cela.
Un plus marcher ici.
je viens de vouloir pour dire remercier toi pour un peu personnes.
Jérémy Cendre, qui est Non plus long à JMP, mais il est un super inspiration pour ce.
Marquer Bailey a a été un super aider.
Ryan Parker et Argile Aboyeur ont fait vraiment fantastique choses
avec genreg et Fonctionnel Données Explorateur.
Chris Gotwalt a a été vraiment utile dans obtenir choses ensemble en haut.
Et alors Mia Steven a a été un réel favorable personne
dans portion moi construire le spectral analyse dehors dans JMP.
Donc je vraiment apprécier tout et ce Je vais dire remercier toi.
C'est il.
