Salut, mon nom est Ryan Parker, et Je suis excité à être ici aujourd'hui
avec Argile Aboyeur à partager avec toi quelques nouveau outils que nous avons ajoutée à aide toi
analyser spectral données avec le Fonctionnel Données Explorateur dans JMP Pro 17.
Donc quoi faire nous signifier par spectral données?
Nous avoir un parcelle de applications
depuis chimiométrie que avoir motivé un parcelle de ce travail.
Mais je serait juste commencer désactivé par en disant
étaient vraiment inquiet à propos données que avoir pointu pics.
Ce peut pas nécessairement être spectral données, mais ces sont le taper de données
que nous avons eu un dur temps la modélisation dans FE en haut à ce indiquer.
Et donc nous vraiment recherché à se concentrer sur en essayant
à ouvrir en haut ces applications et faire il un parcelle Plus facile à poignée ces pointu pics.
Peut être potentiel discontinuités.
Juste ces grand, ondulé caractéristiques de données.
Où dans ce spécifique exemple, avec spectroscopie données,
étaient pensée à propos composition de matériaux,
et ces pics peut représenter ces compositions,
et nous vouloir à être capable à essayer à quantifier ceux.
Donc un autre application vient de la spectrométrie de masse,
et ici toi peut voir ces très pointu pics.
Ils sont tous sur le lieu dans ces différent les fonctions.
Mais ces pics sont représentant protéines depuis ces spectres,
et ils peut aide toi, pour exemple,
comparer différences entre des choses depuis un patient avec cancer
et les patients sans cancer à comprendre différences.
Je veux dire, encore une fois,
c'est vraiment important que nous essayer à modèle ces pics Bien
donc que nous peut quantifier ces différences.
Un exemple que Argile est en allant à montrer vient depuis chromatographie.
Ce est où étaient en essayant à ...
Dans ce cas,
nous vouloir à regarder à quantifier le différence entre un olive huile
contre autre légume huiles.
Et donc le Composants de ces des choses représentée par tous de ces pics,
nous besoin à, encore, essayer à modèle ces Bien.
Le d'abord chose je vouloir à couverture sont quatre nouveau outils à prétraiter ton données,
spectral données avant toi obtenir à le la modélisation scène.
Le d'abord un est le Standard Normale Varier.
Donc avec le Standard Normale Varier, étaient pensée à propos
standardisation chaque fonction par leur individuel signifier et variance.
Donc étaient en allant à prendre chaque fonction un à un temps,
soustraire désactivé le signifier, diviser par le variance,
donc que ils tous avoir signifier zéro et variance un.
Ce est un alternative à le existant outil nous avoir standardisé,
lequel est juste regarder à un mondial signifier dans variance
donc que le données eux-mêmes avoir a été escaladé,
mais certain aspects, comme moyens, sont toujours là,
alors que avec le Standard Normale Varier, nous vouloir à retirer que pour chaque fonction.
Le suivant outils Multiplicatif S chatouiller Correction.
Il est similaire à Standard Normale Varier,
le résultats fin en haut être le même, similaire.
Mais dans ce cas, étaient pensée à propos données où nous avoir lumière dispersion.
Donc quelques de ces spectral données viens où nous avoir à inquiétude à propos
notre lumière dispersion depuis tous le individuel les fonctions être différent
depuis un référence fonction que étaient intéressé dans.
Généralement ce est le signifier.
Donc quoi Bien faire est nous volonté ensemble un simple modèle
entre le individuel les fonctions à ce signifier fonction.
Tu sais, nous obtiendrons des coefficients
que nous peut soustraire désactivé ce signifier fonctionnalité,
diviser par le pente fonctionnalité,
obtenir nous à que similaire standardisation le données,
et dans ce cas, concentré sur ce lumière dispersion.
D'accord, donc à ce indiquer,
étaient pensée à propos quoi si nous avoir bruit dans notre données?
Quoi si nous besoin à lisse il?
Donc le des modèles que nous vouloir à ajuster, pour spectral données,
ces ondelettes, ils ne le faites pas lisse le données pour toi.
Donc si toi avoir bruyant données, toi vraiment vouloir à essayer à poignée que d'abord,
et c'est où le Savitzky-Golay Filtre vient dans.
Quoi ce est en allant à faire est ajuster n- degré polynômes
sur un spécifié bande passante
à essayer à trouver le meilleur modèle que volonté lisse ton données.
Donc nous recherche sur un grille pour toi,
prendre le meilleur un, et alors présent le résultats à toi.
Et je faire vouloir à note que le données sont requis à être sur un régulier grille,
mais si toi ne le faites pas avoir un, FDE volonté créer un pour toi.
Nous avoir un réduire option
que toi peut utiliser si toi vouloir quelques plus fin contrôle sur ce,
mais par défaut,
nous sont en allant à regarder à le le plus long fonction,
choisir que comme notre nombre de grille points,
et créer un régulier grille depuis que pour toi.
Mais le bon chose à propos le S Filtre Avitzky-Golay
est parce que de le construction avec ces polynômes,
nous avoir facile accéder à le d'abord ou deuxième dérivé.
Même si toi ne le faites pas avoir spectral données et toi vouloir à accéder aux fonctions dérivées
ce volonté être ton sentier à faire que.
Et si toi faire demande, dire, le deuxième dérivé,
notre recherche obtient contraint à seulement polynômes
cela nous permettra de donner toi un deuxième dérivé, pour exemple.
Mais ce serait être le chemin à accéder à cela,
même si toi n'étaient pas même inquiet à propos lissage.
Toi peut maintenant obtenir à dérivés.
Le dernier prétraitement outil Je vais couverture est Référence Correction.
Donc dans Référence Correction,
toi sont inquiet à propos ayant quelques fonctionnalité de ton données
que toi serait juste considérer un ligne de base que toi vouloir à retirer
avant toi modèle ton données.
Donc le idée ici est nous vouloir à ajuster un ligne de base modèle.
Nous avoir linéaire, quadratique, des options exponentielles pour vous,
donc nous vouloir à ajuster ce à notre données et alors soustraire il désactivé.
Mais nous savoir là sont important caractéristiques,
typiquement ces pics,
donc nous vouloir à pas utiliser ceux les pièces de le données
quand nous en fait ajuster ces ligne de base des modèles.
Donc nous avoir le option ici pour correction région.
je pense pour le la plupart partie toi serait probable utiliser entier fonction.
Donc quoi ce juste moyens est, quoi partie sont nous en allant à soustraire désactivé?
Donc si toi sélectionner dans Régions
seulement des choses dans ces bleu lignes sont en allant à être soustrait.
Mais j'ai déjà ajoutée quatre ici.
Chaque temps toi Cliquez sur ajouter sur régions de référence,
tu es en allant à obtenir un paire de ces bleu lignes et toi peut traîner eux autour
à le important les pièces de ton données, et quoi ce volonté faire est,
quand toi essayer à ajuster, dire, un linéaire ligne de base modèle,
c'est en allant à ignorer le données points que sont dans ces deux bleu lignes.
Donc, fonction un, nous ensemble un linéaire modèle,
mais nous exclure tous ces pointu pics que nous vraiment vouloir,
que étaient intéressé dans.
Et donc alors nous prendre le résultat depuis ce modèle linéaire
et soustraire il désactivé depuis le entier fonction.
Le alternative à que est un Ancre Indiquer,
et c'est si toi dire, je vraiment serait comme
pour ce point précis à être inclus dans le ligne de base modèle.
Généralement ce est si toi avoir plus petit données
et toi savoir, d'accord, je vouloir ces peu points.
Ces sont clé. Ces représenter le ligne de base.
Si je étaient capable à en forme, tu sais, dire un modèle quadratique à ces points,
c'est quoi je vouloir à soustraire désactivé.
Donc c'est un alternative.
Quand toi Cliquez sur ceux, ils vont montrer en haut comme rouge comme un alternative à ce bleu.
Mais ce volonté permettre toi à correct vos données
retirer le ligne de base avant procéder.
Donc que obtient nous à comment nous modèle spectral données maintenant dans JMP Pro 17,
et étaient en utilisant ondelettes.
Le bon chose à propos ondelettes est nous avoir un variété de choix à choisir depuis.
Donc ces graphiques représenter quoi sont appelé mère ondelettes
et ils sont utilisé à construction
le base que nous utiliser, que des modèles le données.
Donc le le plus simple est ce cheveux ondelette, lequel est vraiment juste étape les fonctions,
peut être dur à voir que ici, mais ces sont juste étape les fonctions.
Mais ce biorthogonale, il a un parcelle de petit saute
et toi peut commencer à imaginer,
d'accord, je peut voir pourquoi ces faire il un parcelle Plus facile
à capturer pics dans mon données
autre que le Cheveux ondelette.
Tous ces avoir paramètres que sont en changeant le forme et le taille de ces,
donc j'ai juste choisi un couple ici à juste montrer toi le différences.
Mais toi peut vraiment voir où,
d'accord, si je mettre un parcelle de ces ensemble,
je peut comprendre pourquoi ce est
probablement un parcelle mieux à modèle tous ces pics de mon données.
Et donc voici un exemple à illustrer que
avec un de notre nouveau échantillon données,
une RMN conception de expériences.
Donc ce est juste depuis un fonction où allons commencer avec B-Splines.
Ce est trier de le aller à pour la plupart données lieu à commencer dans FDE.
Mais nous peut voir que c'est vraiment ayant un dur temps
cueillette en haut sur ces pics.
Maintenant il y a, nous avoir fourni toi outils
à changement où les nœuds sont à dans ces bête des modèles.
Donc toi pourrait faire quelques personnalisation.
Probablement ajuster ce un parcelle mieux que le défaut.
Mais le idée est que maintenant vous avez avait à aller et se déplacer les choses autour
et peut être il travaux pour quelques les fonctions, mais pas autres,
et toi besoin un plus automatique chemin.
Donc c'est un alternative à que est P-Sp lignes.
Que est faire que un petit peu pour toi,
mais c'est toujours pas assez capturer le pics peut être comme Bien comme ondelettes.
C'est probablement faire le meilleur pour ces données.
relatif à ondelettes et presque un modèle -gratuit approche
où nous modèle le données juste directement sur notre forme Composants,
ce direct fonctionnel APC.
C'est peut être un pont entre Splines P et B-Splines
où c'est pas assez comme bien comme P. -Splines mais c'est mieux que B -Splines
mais ce est juste un rapide exemple à souligner
comment ondelettes peut vraiment être un parcelle plus vite et puissant.
Quoi sont nous faire dans FDE ?
Nous construction un variété de types d'ondelettes
et leur associé paramètres et ajuster eux pour toi.
Donc similaire à le S Filtre Avitzky-Golay,
nous faire exiger que le données sont sur un régulier grille.
Et bien nouvelles, Bien créer un pour toi.
Mais de cours toi peut aller à réduire le contrôle que si toi serait comme.
Mais maintenant le bon chose à propos une fois les données sont sur le grille,
nous peut utiliser un transformation c'est super rapide.
Donc P. -Splines serait aussi, pour ces données,
être quoi toi serait vraiment vouloir à avoir à utiliser,
mais ils peuvent prendre beaucoup de temps à s'adapter,
en particulier si toi avoir un parcelle de les fonctions
et toi avoir un parcelle de données points par fonction.
Mais notre ondelette des modèles sont en allant à essentiellement dernier
donc tous de le différent base les fonctions
que construction ce particulier ondelette taper avec paramètre
et quoi c'est en allant à permettre nous à faire est juste vraiment forcer
un parcelle de ceux coefficients que ne le faites pas vraiment signifier rien à zéro
à aide créer un clairsemé représentation pour le modèle.
Donc ceux cinq différent ondelette les types que je montré avant,
ceux sont disponible, et une fois nous ajuster eux tous,
étaient en allant à construction modèle sélection critères
et choisir le meilleur pour toi par défaut.
Toi peut Cliquez sur à travers ces comme choix à voir autre s'adapte.
Et un parcelle de fois ces d'abord peu sont en allant à regarder très similaire
et c'est vraiment juste un matière de,
là sont certain applications où ils savoir,
"OK je vraiment vouloir ce type d'ondelette,"
donc ils vont prendre le meilleur un de que taper dans le fin d'utilisation.
Donc le bon chose à propos ces des modèles est ils arriver sur un résolution.
Ils sont la modélisation différent résolutions de le données.
Donc nous avoir ces coefficient parcelles où à le haut ils sont montrant
basse fréquence, plus grand échelle les tendances, comme un dans l'ensemble signifier,
et comme toi aller vers le bas dans le...
Ou je deviner toi aller en haut dans le résolutions,
mais vers le bas dans le parcelle,
tu es en allant à regarder à haut -fréquence articles,
et ces sont en allant à être des choses que sont événement sur très court Balance,
donc toi peut voir où c'est cueillette en haut un parcelle de différent caractéristiques.
Dans ce cas, ça prend...
UN parcelle de ces sont zéro pour le le plus élevé résolutions.
Donc c'est cueillette en haut quelques Balance que sont à le très fin de ce fonction.
C'est cueillette en haut quelques de ces différences ici.
Mais ce donne toi un sens de gentil de où des choses sont se passe à
les deux emplacement et alors est que haute fréquence ou basse fréquence
les pièces de le données.
Donc le dernier chose nous avons ajoutée à complet le ondelette des modèles
c'est un petit peu différent depuis quoi nous avoir maintenant est appelé Ondelettes BICHE.
Donc si vous avez utilisé FDE avant,
vous avez probable essayé fonctionnel conception de expériences
et que est en allant à permettre toi à prendre fonctionnel principe les scores des composants,
connecter conception de expérience facteurs à le forme de ton les fonctions.
Mais maintenant, ondelette des modèles dans particulier,
ils sont coefficients, parce que ils faire représenter résolutions et Emplacements,
ces peut être plus interprétable et ils avoir plus direct impact
à compréhension qu'est-ce que c'est événement dans le données,
que peut être un fonctionnel principe composant
n'est-ce pas comme facile à connecter avec.
Nous avoir ce énergie fonction et c'est standardisé à montrer toi,
"D'accord, ce résolution à 3,5",
juste représentant plus sur ce fin indiquer.
Cela va avoir...
C'est où le la plupart différences sont dans tous de notre les fonctions,
et c'est représentant à propos 12%.
Donc toi peut faire défiler vers le bas.
Nous aller en haut à où nous obtenir 90% de ce énergie,
lequel est juste le au carré coefficient valeurs
que nous juste standardisé ici.
Mais énergie est juste comment grand sont ces coefficients
relatif à tout autre?
Mais ce, similaire à Fonctionnel BICHE,
toi peut changement le facteurs, voir comment le forme changements,
et nous avoir cas où les deux Ondelettes BICHE
et Fonctionnel BICHE bien travailler.
Parfois Ondelettes DOE juste obtenir le structure mieux.
N'a pas permettre pour quelques peut être négatif points
que Fonctionnel BICHE pourrait permettre dans ce exemple.
Donc c'est juste ils sont les deux là, ils sont les deux rapide.
Je veux dire toi peut utiliser les deux de eux à essayer à analyser le résultats de ondelette des modèles.
Mais c'est mon rapide aperçu.
Donc maintenant je juste vouloir à tourner il sur à Argile à montrer toi quelques exemples
d'utiliser des ondelettes des modèles avec quelques exemple données ensembles.
Merci, Ryan.
Donc, comme Ryan montré plus tôt, nous trouvé un exemple
où gens étaient en essayant à utiliser chimiométrie méthodes
à classer différent légume huiles.
Donc j'ai a obtenu le données ensemble ouvert en haut ici.
Ici nous avoir notre chaque rangée de le données ensemble est un fonction,
donc chaque rangée dans le données ensemble représente un particulier huile,
et comme nous aller à travers le tableau, c'est le chromatogramme.
Donc j'ai ouvert ce en haut dans FDE juste à sauvegarder un peu minutes.
Le ondelette raccord est vraiment rapide,
mais je figuré épouser juste aller devant et commencer avec le ajuster ouvrir.
Donc voici quoi notre données ensemble regards comme.
Toi peut voir ceux rouge courbes sont olive huiles.
Le vert courbes sont pas olive huiles.
Donc nous peut voir il y a certainement quelques différences
entre le deux différent types de huiles et leur chromatogrammes.
Donc, comme Ryan dit, nous juste aller à le menu triangle rouge
et nous demander pour ondelettes et il volonté prendre le meilleur ondelette pour toi.
Mais comme je dit, j'ai déjà fait que,
donc nous peut faire défiler vers le bas et regarder à le ajuster.
Ici nous voir le meilleur ondelette que nous trouvé était appelé le Symlet 20,
et nous avons a obtenu graphiques de chaque ajuster ici résumé pour toi.
Comme toi peut voir, le ondelettes avoir ajuster ces données vraiment Bien.
Mais dans ce cas,
étaient pas terriblement intéressé dans raccord le individuel s'adapte.
Nous vouloir à voir si nous peut utiliser ces individuel chromatogrammes
à prédire si ou pas un huile est un olive huile ou pas un olive huile.
Donc quoi nous peut faire est,
nous peut sauvegarder dehors ces ondelette coefficients,
lequel nous avons obtenu un grand tableau ici, et il y a milliers de eux.
Dans fait, il y a un pour chaque indiquer dans notre fonction.
donc ici nous avons a obtenu 4 000 points dans chaque fonction.
Ce tableau est joli énorme. Il y a 4 000 ondelette coefficients.
Mais comme Ryan était en disant, toi peut voir que nous avons mis à zéro quelques de eux dehors.
Donc ces ondelette coefficients baisse dehors de le fonction.
Donc c'est comment nous obtenir lissage.
Nous ajuster notre données vraiment Bien,
mais remise à zéro dehors quelques de ceux coefficients est quoi lisse le fonctionner.
Donc comment peut nous utiliser ces valeurs à prédire si ou pas nous avoir un olive huile?
Bien, toi peut viens ici à le fonction résumés et demander pour sauvegarder résumés.
Donc quoi c'est fait est il enregistre dehors le fonctionnel principal Composants.
Mais ici à le fin de le tableau, il aussi enregistre dehors ces ondelette coefficients.
Donc ces sont le exact même valeurs
que nous avons vu dans que ondelette coefficient tableau dans le plate-forme.
Donc laisser moi fermer ce un.
j'ai a obtenu mon propre en file d'attente en haut juste donc que je ne le faites pas avoir rien inattendu arriver.
Donc voici mon version de que tableau.
Et quoi nous vouloir à faire est nous vouloir à utiliser
tous de ces ondelette coefficients à prédire si
le courbe est depuis un olive huile ou depuis un différent taper de huile.
Donc quoi Je suis en allant à faire est,
Je suis en allant à lancement le généralisé régression plate-forme,
et si vous avez jamais utilisé que avant,
c'est le lieu nous aller à construire linéaire des modèles et généraliser linéaire des modèles
utilisant un variété de différent variable sélection techniques.
Donc ici mon réponse est taper.
je vouloir à prédire quoi taper de huile nous regardons
et je vouloir à prédire il en utilisant tous de ceux ondelette coefficients.
Donc je presse courir.
Dans ce cas, Je suis en allant à utiliser le Filet élastique
parce que que arrive à être mon préféré variable sélection méthode.
Et Je suis en allant à presse aller.
Donc vraiment rapidement, nous a pris tous ceux ondelette coefficients
et nous avoir trouvé le ceux que vraiment faire un bien emploi de différencier
entre olive huiles et non -olive huiles.
Donc dans fait, si nous regarder à le confusion matrice,
lequel est, ce est un chemin à regarder à comment souvent nous prédire correctement, droite?
Donc pour tous 49 autre olive huiles,
nous correctement identifié ceux comme pas olive huiles.
Et pour tous 71 olive huiles, nous correctement identifié ceux comme olive huiles.
Donc nous en fait prédit ces à la perfection
et nous seulement nécessaire un joli petit sous-ensemble de ceux ondelette coefficients.
Donc je n'a pas compter, mais que regards comme à propos un douzaine.
Donc nous commencé avec milliers de ondelette coefficients et nous bouilli il vers le bas
juste au 12 ou donc que étaient utile pour prédire notre réponse.
Donc quoi je pense est vraiment cool est,
nous peut interpréter ces ondelette coefficients à un étendue, droite?
Donc ce coefficient ici est résolution deux à emplacement 3001.
Donc que raconte nous il y a quelque chose en allant sur dans que partie de le courbe
cela nous aide à nous différencier entre olive huiles et pas olive huiles.
Donc quoi j'ai fait est,
j'ai aussi créé un graphique de notre données en utilisant...
Bien, tu vas voir.
Donc quoi j'ai fait est ici le bleu courbe est le olive huiles.
Le rouge courbe est le non -olive huiles,
et ce est le signifier chromatogramme.
Donc faire la moyenne sur tous de notre des échantillons.
Et ces en pointillé lignes sont le Emplacements
où le ondelette coefficients sont non nul.
Donc ces sont le ceux que sont utile pour discriminant entre huiles.
Et comme toi peut voir, quelques de ces non nul coefficients doubler en haut avec pics
et le données que vraiment tendre à faire sens, droite?
Donc voila,
voici un de le non -zéro coefficients, et toi peut dire c'est droite à un culminer
où olive huile est culminant, mais non olive huiles sont pas, droite?
Donc que peut être significatif à quelqu'un
que études chromatographie et olive huiles dans particulier.
Mais donc nous comme ce exemple parce que
c'est un vraiment bien exemple de comment ondelettes ajuster ces chromatogrammes vraiment Bien.
Et alors nous peut utiliser le ondelette coefficients à faire quelque chose autre, droite?
Donc pas seulement avoir nous ajuster le courbes vraiment bien,
mais alors nous avons pris le information depuis ceux courbes
et nous avons fait un vraiment bien emploi de discriminant entre différent huiles.
Et donc j'ai a obtenu un plus exemple.
Ryan et je sont les deux grand Ventilateurs de Disney Monde,
donc ce est pas un chromatogramme.
Ce est pas spectroscopie.
Mais plutôt nous trouvé un données ensemble que regards à attendez fois à Disney Monde,
donc nous téléchargé un sous-ensemble de attendez fois
pour un monter appelé Disney le Sept Nains, Esprit Former.
Et si vous avez jamais a été à Disney Monde,
toi savoir c'est un vraiment cool rouleau Coaster droite là dans monde imaginaire.
Mais il aussi tend à avoir vraiment long attendez des fois, non ?
Toi dépenser un parcelle de temps en attendant ton tourner.
Donc nous recherché à voir si nous pourrait utiliser ondelettes à analyser ces données
puis utilisez le Ondelette BICHE fonction à voir si nous peut chiffre dehors
si il y a jours de le semaines ou mois ou années
où attendez fois sont particulièrement haut ou faible.
Donc nous peut lancement FDE.
Ici vous peut tu vois, nous avons
chaque jour dans notre données ensemble, nous avoir le attendez fois
à partir du moment où le parc s'ouvre, ici,
à le temps que le parc se ferme sur ici.
Et à faire ce démo un petit peu Plus facile,
nous avons affiné le données ensemble à faire le ménage il en haut quelques.
Donc ce est pas exactement le données,
mais je pense quelques de le les tendances que étaient en allant à voir sont toujours vrai.
Donc quoi Je suis en allant à faire est Je suis en allant à demander pour ondelettes,
et ça va prendre un deuxième à courir, mais pas aussi long.
Donc maintenant nous avons trouvé que un différent base fonction est le meilleur.
C'est les Daubechies 20
et je s'excuser si je n'a pas prononcer que droite.
j'ai a été éviter prononcer que mot dans publique,
mais maintenant c'est pas le cas plus.
Donc nous avons trouvé c'est notre préféré ondelette et quoi étaient en allant à faire
est étaient en allant à aller à le Ondelette BICHE analyse,
et c'est en allant à utiliser ces supplémentaire variables
que nous avons spécifié jour de le semaine, année et mois
pour voir si nous pouvons trouver les tendances dans notre courbes en utilisant ceux variables.
Donc Bien demander pour Ondelettes BICHE,
et qu'est-ce que c'est événement dans le arrière-plan est étaient la modélisation ceux ondelette coefficients
en utilisant le généralisé régression plate-forme, donc c'est événement derrière le scènes,
et alors il volonté mettre il tous ensemble dans un Profileur pour nous.
Donc ici nous avons j'ai, tu sais, ce est notre temps de jour variable.
Nous peut voir que dans le matin.
Le attendez fois trier de commencer, tu sais, autour un heure.
Il obtient plus long tout au long de le jour, Vous savez,
culminant à à propos 80 minutes, presque un heure et un moitié attendez.
Et alors, comme toi serait attendre,
comme le jour va sur et enfants obtenir fatigué et aller à lit,
attendez fois obtenir un petit peu plus court jusqu'à le fin de le jour.
Maintenant, quoi nous pensée était intéressant
regarde à quelques de ces effets, comme année et mois.
Donc nous peut voir dans 2015, le attendez fois trier de progressivement est allé en haut, droite, jusqu'à 2020.
Et alors quoi arrivé dans 2020 ? Ils augmenté dans Février,
et puis, de manière choquante, ils abandonné assez un peu dans Mars et Avril.
Et je pense nous tous savoir pourquoi que pourrait avoir arrivé dans 2020.
Parce que de COVID, moins personnes étaient en allant à Disney Monde.
Dans fait, il était fermer vers le bas pour un alors que.
Donc toi peut très clairement voir un COVID effet sur Disney Monde attendez fois
vraiment rapidement en utilisant Ondelette BICHE.
Un de le autre des choses c'est intéressant
est nous peut regarder à quoi temps de année est meilleur à aller.
Il regards comme attendez fois tendre à être inférieur dans Septembre,
et depuis Disney Monde est dans La Floride, tu sais,
c'est culminer ouragan saison, et enfants ne le faites pas tendre à être dehors de école.
Donc c'est vraiment cool à voir que notre modèle choisi que en haut joli facilement, non ?
Alors, mais ne le faites pas commencer en allant à Disney Monde dans Septembre.
C'est notre temps. Nous ne le faites pas vouloir il obtenir bondé.
Mais Ouais, donc avec juste un peu des clics, nous étaient capable
à apprendre assez un peu des choses à propos attendez fois,
Sept Nains Le mien Former à Disney.
Mais nous vraiment recherché à souligner
que ces méthodes étaient concentré sur chromatographie et spectrométrie,
mais il y a un parcelle de applications où toi peut utiliser Ondelettes,
et je pense c'est tous nous avoir.
Donc remercier toi. Et merci toi, Ryan.
