CIAO, Mio nome È Ryan Parker, E Io sono eccitato A Essere Qui Oggi
con Argilla Barker A condividere con Voi Alcuni nuovo utensili Quello noi abbiamo aggiunto A aiuto Voi
analizzare spettrale dati con IL Funzionale Dati Esploratore In JMP Pro 17.
COSÌ Che cosa Fare Noi Significare di spettrale dati?
Noi Avere UN quantità Di applicazioni
da chemiometria Quello Avere motivata UN quantità Di Questo lavoro.
Ma IO volevo Appena inizio spento di detto
erano Veramente preoccupato Di dati Quello Avere affilato picchi.
Questo Maggio non necessariamente Essere spettrale dati, Ma questi Sono IL tipo Di dati
che abbiamo avuto UN difficile tempo modellazione In FE su A Questo punto.
E COSÌ Noi Veramente ricercato A messa a fuoco SU provando
A aprire su questi applicazioni E Fare Esso UN quantità Più facile A maniglia questi affilato picchi.
Forse potenziale discontinuità.
Appena questi grande, ondulato caratteristiche Di dati.
Dove In Questo specifica esempio, con spettroscopia dati,
erano pensiero Di composizione Di materiali,
E questi picchi Potere rappresentare questi composizioni,
E Noi Volere A Essere capace A Tentativo A quantificare quelli.
COSÌ un altro applicazione proviene dalla spettrometria di massa,
E Qui Voi Potere Vedere questi molto affilato picchi.
Loro sono Tutto Sopra IL posto In questi diverso funzioni.
Ma questi picchi Sono che rappresentano proteine da questi spettri,
E Essi Potere aiuto Voi, per esempio,
confrontare differenze fra cose da UN paziente con cancro
E pazienti senza cancro A capire differenze.
Voglio dire, ancora una volta,
suo Veramente importante Quello Noi Tentativo A modello questi picchi BENE
COSÌ Quello Noi Potere quantificare questi differenze.
UN esempio Quello Argilla È andando A spettacolo arriva da cromatografia.
Questo È Dove erano provando A ...
In Questo caso,
Noi Volere A Aspetto A quantificare IL differenza fra UN oliva olio
contro altro verdura oli.
E COSÌ IL componenti Di questi cose rappresentato di Tutto Di questi picchi,
Noi Bisogno A, Ancora, Tentativo A modello questi BENE.
IL Primo cosa IO Volere A copertina Sono quattro nuovo utensili A preprocesso tuo dati,
spettrale dati Prima Voi Ottenere A IL modellazione palcoscenico.
IL Primo uno È IL Standard Normale Variare.
COSÌ con IL Standard Normale Variare, erano pensiero Di
standardizzazione ogni funzione di loro individuale Significare E varianza.
COSÌ erano andando A Prendere ogni funzione uno A UN tempo,
sottrarre spento IL Significare, dividere di IL varianza,
COSÌ Quello Essi Tutto Avere Significare zero E varianza uno.
Questo È UN alternativa A IL esistente attrezzo Noi Avere standardizzato,
Quale È Appena guardare A UN globale Significare In varianza
COSÌ Quello IL dati loro stessi Avere stato in scala,
Ma certo aspetti, Piace significa, Sono Ancora Là,
mentre con IL Standard Normale Variare, Noi Volere A rimuovere Quello per ogni funzione.
IL Prossimo utensili Moltiplicativo S catter Correzione.
Esso È simile A Standard Normale Variare,
IL risultati FINE su essendo IL Stesso, simile.
Ma In Questo caso, erano pensiero Di dati Dove Noi Avere leggero spargere.
COSÌ Alcuni Di questi spettrale dati Venire Dove Noi Avere A preoccupazione Di
Nostro leggero spargere da Tutto IL individuale funzioni essendo diverso
da UN riferimento funzione Quello erano interessato In.
Generalmente Questo È IL Significare.
COSÌ Che cosa BENE Fare È Noi Volere impostato UN semplice modello
fra IL individuale funzioni A Questo Significare funzione.
Sai, otterremo i coefficienti
Quello Noi Potere sottrarre spento Questo Significare caratteristica,
dividere di IL pendenza caratteristica,
Ottenere noi A Quello simile standardizzazione IL dati,
E In Questo caso, focalizzata SU Questo leggero spargere.
Va bene, COSÌ A Questo punto,
erano pensiero Di Che cosa Se Noi Avere rumore In Nostro dati?
Che cosa Se Noi Bisogno A liscio Esso?
COSÌ IL Modelli Quello Noi Volere A adatto, per spettrale dati,
questi ondine, Essi non liscio IL dati per Voi.
COSÌ Se Voi Avere rumoroso dati, Voi Veramente Volere A Tentativo A maniglia Quello Primo,
E quello è Dove IL Savitzky-Golay Filtro arriva In.
Che cosa Questo È andando A Fare È adatto N- grado polinomi
Sopra uno specificato larghezza di banda
A Tentativo A Trovare IL migliore modello Quello Volere liscio tuo dati.
COSÌ Noi ricerca Sopra UN griglia per Voi,
scegliere IL migliore uno, E Poi presente IL risultati A Voi.
E IO Fare Volere A Nota Quello IL dati Sono necessario A Essere SU UN regolare griglia,
Ma Se Voi non Avere uno, FDE Volere creare uno per Voi.
Noi Avere UN ridurre opzione
Quello Voi Potere utilizzo Se Voi Volere Alcuni più fine controllo Sopra Questo,
Ma di predefinito,
Noi Sono andando A Aspetto A IL più lungo funzione,
scegliere Quello COME Nostro numero Di griglia punti,
E creare UN regolare griglia da Quello per Voi.
Ma IL Carino cosa Di IL S Filtro avitzky-Golay
È Perché Di IL costruzione con questi polinomi,
Noi Avere facile accesso A IL Primo O secondo derivato.
Anche Se Voi non Avere spettrale dati E Voi Volere A accedere alle funzioni derivate
Questo Volere Essere tuo percorso A Fare Quello.
E Se Voi Fare richiesta, Dire, IL secondo derivato,
Nostro ricerca prende costretto A soltanto polinomi
che ci permetterà di farlo Dare Voi UN secondo derivato, per esempio.
Ma Questo volevo Essere IL modo A accedervi,
Anche Se Voi non lo erano Anche preoccupato Di levigante.
Voi Potere Ora Ottenere A derivati.
IL scorso preelaborazione attrezzo Malato copertina È Linea di base Correzione.
COSÌ In Linea di base Correzione,
Voi Sono preoccupato Di avendo Alcuni caratteristica Di tuo dati
Quello Voi volevo Appena prendere in considerazione UN linea di base Quello Voi Volere A rimuovere
Prima Voi modello tuo dati.
COSÌ IL idea Qui È Noi Volere A adatto UN linea di base modello.
Noi Avere lineare, quadratico, opzioni esponenziali per te,
COSÌ Noi Volere A adatto Questo A Nostro dati E Poi sottrarre Esso spento.
Ma Noi Sapere Là Sono importante caratteristiche,
tipicamente questi picchi,
COSÌ Noi Volere A non utilizzo quelli parti Di IL dati
Quando Noi In realtà adatto questi linea di base Modelli.
COSÌ Noi Avere IL opzione Qui per correzione regione.
IO pensare per IL maggior parte parte Voi volevo probabile utilizzo intero funzione.
COSÌ Che cosa Questo Appena significa È, Che cosa parte Sono Noi andando A sottrarre spento?
COSÌ Se Voi Selezionare entro regioni
solo cose entro questi blu linee Sono andando A Essere sottratto.
Ma Io ho Già aggiunto quattro Qui.
Ogni tempo Voi clic aggiungere SU regioni di base,
tu sei andando A Ottenere UN paio Di questi blu linee E Voi Potere lagna loro in giro
A IL importante parti Di tuo dati, E Che cosa Questo Volere Fare È,
Quando Voi Tentativo A adatto, Dire, UN lineare linea di base modello,
suo andando A ignorare IL dati punti Quello Sono entro questi due blu linee.
COSÌ, funzione uno, Noi impostato UN lineare modello,
Ma Noi escludere Tutto questi affilato picchi Quello Noi Veramente Volere,
Quello erano interessato In.
E COSÌ Poi Noi Prendere IL risultato da questo modello lineare
E sottrarre Esso spento da IL Totale funzione.
IL alternativa A Quello È UN Ancora Punto,
E quello è Se Voi Dire, IO Veramente volevo Piace
per questo punto specifico A Essere incluso In IL linea di base modello.
Generalmente Questo È Se Voi Avere più piccola dati
E Voi Sapere, Va bene, IO Volere questi pochi punti.
Questi Sono chiave. Questi rappresentare IL linea di base.
Se IO erano capace A in forma, lo sai, dire a modello quadratico a questi punti,
quello è Che cosa IO Volere A sottrarre spento.
COSÌ suo UN alternativa.
Quando Voi clic quelli, lo faranno spettacolo su COME rosso COME UN alternativa A Questo blu.
Ma Questo Volere permettere Voi A corretto i tuoi dati
rimuovere IL linea di base Prima procedere.
COSÌ Quello prende noi A Come Noi modello spettrale dati Ora In JMP Pro 17,
E erano utilizzando ondine.
IL Carino cosa Di ondine È Noi Avere UN varietà Di opzioni A scegliere da.
COSÌ questi grafici rappresentare Che cosa Sono chiamato madre ondine
E Essi Sono usato A costruire
IL base Quello Noi utilizzo, Quello Modelli IL dati.
COSÌ IL più semplice È questo Haar ondulata, Quale È Veramente Appena fare un passo funzioni,
Forse difficile A Vedere Quello Qui, Ma questi Sono Appena fare un passo funzioni.
Ma Questo biortogonale, Esso ha UN quantità Di poco salta
E Voi Potere inizio A immaginare,
Va bene, IO Potere Vedere Perché questi Fare Esso UN quantità Più facile
A catturare picchi In Mio dati
altro di IL Haar ondulata.
Tutto questi Avere parametri Quello Sono mutevole IL forma E IL misurare Di questi,
COSÌ Io ho Appena selezionato UN coppia Qui A Appena spettacolo Voi IL differenze.
Ma Voi Potere Veramente Vedere Dove,
Va bene, Se IO Mettere UN quantità Di questi insieme,
IO Potere capire Perché Questo È
probabilmente UN quantità Meglio A modello Tutto questi picchi Di Mio dati.
E quindi ecco UN esempio A illustrare Quello
con uno Di Nostro nuovo campione dati,
un NMR progetto Di esperimenti.
COSÌ Questo È Appena da uno funzione Dove andiamo inizio con B-Spline.
Questo È ordinare Di IL andare A per maggior parte dati posto A inizio In FDE.
Ma Noi Potere Vedere Quello suo Veramente avendo UN difficile tempo
raccolta su SU questi picchi.
Ora ci sono, Noi Avere fornito Voi utensili
A modifica Dove i nodi sono a In questi linea bestiale Modelli.
COSÌ Voi Potevo Fare Alcuni personalizzazione.
Probabilmente adatto Questo UN quantità Meglio di IL predefinito.
Ma IL idea È Quello Ora hai avevo A andare E mossa cose intorno
E Forse Esso lavori per Alcuni funzioni, Ma non altri,
E Voi Bisogno UN Di più automatizzato modo.
COSÌ quello è uno alternativa A Quello È P-Sp linee.
Quello È facendo Quello UN poco morso per Voi,
Ma suo Ancora non abbastanza catturare IL picchi Forse COME BENE COME ondine.
Suo probabilmente facendo IL migliore per questi dati.
parente A ondine E Quasi UN modello -gratuito approccio
Dove Noi modello IL dati Appena direttamente SU Nostro forma componenti,
Questo diretto funzionale PCA.
Suo Forse UN ponte fra Spline P E B-Spline
Dove suo non abbastanza COME Bene COME P -Spline Ma suo Meglio di B -Spline
Ma Questo È Appena UN presto esempio A evidenziare
Come ondine Potere Veramente Essere UN quantità più veloce E potente.
Che cosa Sono Noi facendo In FDE?
Noi costruire UN varietà Di tipi di wavelet
E loro associato parametri E adatto loro per Voi.
COSÌ simile A IL S filtro avitzky-Golay,
Noi Fare richiedere Quello IL dati Sono SU UN regolare griglia.
E Bene notizia, BENE creare uno per Voi.
Ma Di corso Voi Potere andare A ridurre IL controllo Quello Se Voi volevo Piace.
Ma Ora IL Carino cosa Di una volta i dati sono SU IL griglia,
Noi Potere utilizzo UN trasformazione quello è super veloce.
COSÌ P -Spline volevo Anche, per questi dati,
Essere Che cosa Voi volevo Veramente Volere A Avere A utilizzo,
ma possono richiedere molto tempo per adattarsi,
particolarmente Se Voi Avere UN quantità Di funzioni
E Voi Avere UN quantità Di dati punti per funzione.
Ma Nostro ondulata Modelli Sono andando A essenzialmente scorso
COSÌ Tutto Di IL diverso base funzioni
Quello costruire Questo particolare ondulata tipo con parametro
E Che cosa quello è andando A permettere noi A Fare È Appena Veramente forza
UN quantità Di quelli coefficienti Quello non Veramente Significare nulla A zero
A aiuto creare UN scarso rappresentazione per IL modello.
COSÌ quelli cinque diverso ondulata tipi Quello IO ha mostrato Prima,
quelli Sono disponibile, E una volta Noi adatto loro Tutto,
erano andando A costruire modello selezione criteri
E scegliere IL migliore per Voi di predefinito.
Voi Potere clic Attraverso questi COME opzioni A Vedere altro si adatta.
E UN quantità Di volte questi Primo pochi Sono andando A Aspetto molto simile
E suo Veramente Appena UN questione Di,
Là Sono certo applicazioni Dove Essi Sapere,
"Va bene, io Veramente Volere Questo tipo wavelet,"
COSÌ lo faranno scegliere IL migliore uno Di Quello tipo In IL fine di utilizzare.
COSÌ IL Carino cosa Di questi Modelli È Essi accadere SU UN risoluzione.
Loro sono modellazione diverso risoluzioni Di IL dati.
COSÌ Noi Avere questi coefficiente trame Dove A IL superiore Loro sono mostrando
bassa frequenza, più grandi scala tendenze, Piace UN complessivamente Significare,
E COME Voi andare giù In IL...
O IO Indovinare Voi andare su In IL risoluzioni,
Ma giù In IL complotto,
tu sei andando A Aspetto A alto -frequenza elementi,
E questi Sono andando A Essere cose Quello Sono accadendo SU molto corto bilancia,
COSÌ Voi Potere Vedere Dove suo raccolta su UN quantità Di diverso caratteristiche.
In Questo caso, ci vuole...
UN quantità Di questi Sono zero per IL più alto risoluzioni.
COSÌ suo raccolta su Alcuni bilancia Quello Sono A IL molto FINE Di Questo funzione.
Suo raccolta su Alcuni Di questi differenze Qui.
Ma Questo dà Voi UN senso Di Tipo Di Dove cose Sono accadendo a
Entrambi posizione E Poi È Quello alta frequenza O bassa frequenza
parti Di IL dati.
COSÌ IL scorso cosa noi abbiamo aggiunto A completare IL ondulata Modelli
quello è UN poco morso diverso da Che cosa Noi Avere Ora È chiamato Ondine DOE.
COSÌ Se hai usato FDE Prima,
hai probabile provato funzionale progetto Di esperimenti
E Quello È andando A permettere Voi A Prendere funzionale principio punteggi dei componenti,
Collegare progetto Di esperienza fattori A IL forma Di tuo funzioni.
Ma Ora, ondulata Modelli In particolare,
Loro sono coefficienti, Perché Essi Fare rappresentare risoluzioni E luoghi,
questi Potere Essere Di più interpretabile E Essi Avere Di più diretto impatto
A comprensione cosa c'è accadendo In IL dati,
Quello Maggio Essere UN funzionale principio componente
non lo è COME facile A Collegare con.
Noi Avere Questo energia funzione E suo standardizzato A spettacolo Voi,
"Va bene, Questo risoluzione A 3,5",
Appena che rappresentano Di più SU Questo FINE punto.
Avrà...
Quello è Dove IL maggior parte differenze Sono In Tutto Di Nostro funzioni,
E suo che rappresentano Di 12%.
COSÌ Voi Potere scorrere giù.
Noi andare su A Dove Noi Ottenere 90% Di Questo energia,
Quale È Appena IL quadrato coefficiente valori
Quello Noi Appena standardizzato Qui.
Ma energia È Appena Come grande sono questi coefficienti
parente A qualunque cosa altro?
Ma Questo, simile A Funzionale DOE,
Voi Potere modifica IL fattori, Vedere Come IL forma i cambiamenti,
E Noi Avere casi Dove Entrambi Ondine DOE
E Funzionale DOE lavorare bene.
A volte Wavelet DOE Appena Ottenere IL struttura Meglio.
No permettere per Alcuni Forse negativo punti
Quello Funzionale DOE Potrebbe permettere In Questo esempio.
COSÌ suo Appena Loro sono Entrambi Là, Loro sono Entrambi veloce.
Intendo te Potere utilizzo Entrambi Di loro A Tentativo A analizzare IL risultati Di ondulata Modelli.
Ma quello è Mio presto panoramica.
COSÌ Ora IO Appena Volere A giro Esso Sopra A Argilla A spettacolo Voi Alcuni esempi
dell'uso del wavelet Modelli con Alcuni esempio dati imposta.
Grazie, Ryan.
COSÌ, COME Ryan ha mostrato prima, Noi trovato UN esempio
Dove gente erano provando A utilizzo chemiometria metodi
A classificare diverso verdura oli.
COSÌ Io ho avuto IL dati impostato ha aperto su Qui.
Qui Noi Avere Nostro ogni riga Di IL dati impostato È UN funzione,
COSÌ ogni riga In IL dati impostato rappresenta UN particolare olio,
E COME Noi andare attraverso IL tavolo, quello è IL cromatogramma.
COSÌ Io ho ha aperto Questo su In FDE Appena A salva UN pochi minuti.
IL ondulata raccordo È Veramente veloce,
Ma IO capito lo faremmo Appena andare avanti E inizio con IL adatto aprire.
COSÌ ecco Che cosa Nostro dati impostato sembra Piace.
Voi Potere Vedere quelli rosso curve Sono oliva oli.
IL verde curve Sono non oliva oli.
COSÌ Noi Potere Vedere c'è decisamente Alcuni differenze
fra IL due diverso tipi Di oli E loro cromatogrammi.
COSÌ, COME Ryan disse, Noi Appena andare A IL Menù triangolo rosso
E Noi chiedere per ondine E Esso Volere scegliere IL migliore ondulata per Voi.
Ma Piace IO disse, Io ho Già Fatto Quello,
COSÌ Noi Potere scorrere giù E Aspetto A IL adatto.
Qui Noi Vedere IL migliore ondulata Quello Noi trovato era chiamato IL Simlet 20,
E noi abbiamo avuto grafici Di ogni adatto Qui riassunto per Voi.
COME Voi Potere Vedere, IL ondine Avere adatto questi dati Veramente BENE.
Ma In Questo caso,
erano non terribilmente interessato In raccordo IL individuale si adatta.
Noi Volere A Vedere Se Noi Potere utilizzo questi individuale cromatogrammi
A prevedere se O non UN olio È UN oliva olio O non UN oliva olio.
COSÌ Che cosa Noi Potere Fare È,
Noi Potere salva fuori questi ondulata coefficienti,
Quale noi abbiamo ottenuto UN grande tavolo Qui, E c'è migliaia Di loro.
In fatto, c'è uno per ogni punto In Nostro funzione.
COSÌ Qui noi abbiamo avuto 4.000 punti In ogni funzione.
Questo tavolo È bello Enorme. C'è 4.000 ondulata coefficienti.
Ma COME Ryan era detto, Voi Potere Vedere Quello noi abbiamo azzerato Alcuni Di loro fuori.
COSÌ questi ondulata coefficienti gocciolare fuori Di IL funzione.
COSÌ quello è Come Noi Ottenere levigante.
Noi adatto Nostro dati Veramente BENE,
Ma azzeramento fuori Alcuni Di quelli coefficienti È Che cosa leviga IL funzionare fuori.
COSÌ Come Potere Noi utilizzo questi valori A prevedere se O non Noi Avere UN oliva olio?
BENE, Voi Potere Venire Qui A IL funzione riassunti E chiedere per salva riassunti.
COSÌ Che cosa suo Fatto È Esso salva fuori IL funzionale principale componenti.
Ma Qui A IL FINE Di IL tavolo, Esso Anche salva fuori questi ondulata coefficienti.
COSÌ questi Sono IL esatto Stesso valori
che abbiamo visto In Quello ondulata coefficiente tavolo In IL piattaforma.
COSÌ permettere Me vicino Questo uno.
Io ho avuto Mio Proprio in coda su Appena COSÌ Quello IO non Avere nulla inaspettato accadere.
COSÌ ecco Mio versione Di Quello tavolo.
E Che cosa Noi Volere A Fare È Noi Volere A utilizzo
Tutto Di questi ondulata coefficienti A prevedere se
IL curva È da UN oliva olio O da UN diverso tipo Di olio.
COSÌ Che cosa Io sono andando A Fare È,
Io sono andando A lancio IL generalizzato regressione piattaforma,
E Se hai mai usato Quello Prima,
suo IL posto Noi andare A costruire lineare Modelli E generalizzare lineare Modelli
usare un varietà Di diverso variabile selezione tecniche.
COSÌ Qui Mio risposta È tipo.
IO Volere A prevedere Che cosa tipo Di olio stiamo guardando
E IO Volere A prevedere Esso utilizzando Tutto Di quelli ondulata coefficienti.
COSÌ IO premere correre.
In Questo caso, Io sono andando A utilizzo IL Rete elastica
Perché Quello accade A Essere Mio preferito variabile selezione metodo.
E Io sono andando A premere andare.
COSÌ Veramente velocemente, Noi preso Tutto quelli ondulata coefficienti
E Noi Avere trovato IL quelli Quello Veramente Fare UN Bene lavoro Di differenziante
fra oliva oli E non -oliva oli.
COSÌ In fatto, Se Noi Aspetto A IL confusione matrice,
Quale È, Questo È UN modo A Aspetto A Come Spesso Noi prevedere correttamente, Giusto?
COSÌ per Tutto 49 altro oliva oli,
Noi correttamente identificato quelli COME non oliva oli.
E per Tutto 71 oliva oli, Noi correttamente identificato quelli COME oliva oli.
COSÌ Noi In realtà previsto questi perfettamente
E Noi soltanto necessario UN bello piccolo sottoinsieme Di quelli ondulata coefficienti.
COSÌ IO non l'ho fatto contare, Ma Quello sembra Piace Di UN dozzina.
COSÌ Noi iniziato con migliaia Di ondulata coefficienti E Noi bollito Esso giù
solo al 12 O COSÌ Quello erano utile per predire Nostro risposta.
COSÌ Che cosa IO pensare È Veramente Freddo È,
Noi Potere interpretare questi ondulata coefficienti A UN estensione, Giusto?
COSÌ Questo coefficiente Qui È risoluzione due A posizione 3001.
COSÌ Quello racconta noi c'è qualcosa andando SU In Quello parte Di IL curva
che ci aiuta a differenziarci fra oliva oli E non oliva oli.
COSÌ Che cosa Io ho Fatto È,
Io ho Anche creato UN grafico Di Nostro dati utilizzando...
BENE, lo farai Vedere.
COSÌ Che cosa Io ho Fatto È Qui IL blu curva È IL oliva oli.
IL rosso curva È IL non -oliva oli,
E Questo È IL Significare cromatogramma.
COSÌ media Sopra Tutto Di Nostro campioni.
E questi tratteggiato linee Sono IL posizioni
Dove IL ondulata coefficienti Sono diverso da zero.
COSÌ questi Sono IL quelli Quello Sono utile per discriminante fra oli.
E COME Voi Potere Vedere, Alcuni Di questi diverso da zero coefficienti linea su con picchi
E IL dati Quello Veramente tendere A Fare senso, Giusto?
Quindi, ecco,
ecco uno Di IL non -zero coefficienti, E Voi Potere raccontare suo Giusto A UN picco
Dove oliva olio È picco, Ma non oliva oli Sono non, Giusto?
COSÌ Quello Maggio Essere significativo A qualcuno
Quello studi cromatografia E oliva oli In particolare.
Ma COSÌ Noi Piace Questo esempio Perché
suo UN Veramente Bene esempio Di Come ondine adatto questi cromatogrammi Veramente BENE.
E Poi Noi Potere utilizzo IL ondulata coefficienti A Fare qualcosa altro, Giusto?
COSÌ non soltanto Avere Noi adatto IL curve molto bene,
Ma Poi noi abbiamo preso IL informazione da quelli curve
E noi abbiamo Fatto UN Veramente Bene lavoro Di discriminante fra diverso oli.
E COSÌ Io ho avuto uno Di più esempio.
Ryan E IO Sono Entrambi grande tifosi Di Disney Mondo,
COSÌ Questo È non UN cromatogramma.
Questo È non spettroscopia.
Ma Invece Noi trovato UN dati impostato Quello sembra A Aspettare volte A Disney Mondo,
COSÌ Noi scaricato UN sottoinsieme Di Aspettare volte
per UN passeggiata chiamato Quello della Disney IL Sette Nani, Mente Treno.
E Se hai mai stato A Disney Mondo,
Voi Sapere suo UN Veramente Freddo rullo sottobicchiere Giusto Là In fantasyland.
Ma Esso Anche tende A Avere Veramente lungo Aspettare volte, giusto?
Voi trascorrere UN quantità Di tempo in attesa tuo giro.
COSÌ Noi ricercato A Vedere Se Noi Potevo utilizzo ondine A analizzare questi dati
e poi utilizzare IL Ondina DOE funzione A Vedere Se Noi Potere figura fuori
Se c'è giorni Di IL settimane O mesi O anni
Dove Aspettare volte Sono in particolar modo alto O Basso.
COSÌ Noi Potere lancio FDE.
Eccoti Potere vedi, abbiamo
ogni giorno In Nostro dati impostato, Noi Avere IL Aspettare volte
da quel momento IL parco si apre, Qui,
A IL tempo Quello IL parco chiude Sopra Qui.
E A Fare Questo demo UN poco morso Più facile,
noi abbiamo raffinato IL dati impostato A pulito Esso su Alcuni.
COSÌ Questo È non esattamente IL dati,
Ma IO pensare Alcuni Di IL tendenze Quello erano andando A Vedere Sono Ancora VERO.
COSÌ Che cosa Io sono andando A Fare È Io sono andando A chiedere per ondine,
E sara Prendere UN secondo A correre, Ma non pure lungo.
COSÌ Ora noi abbiamo trovato Quello UN diverso base funzione È IL migliore.
Suo i Daubechies 20
E IO scusa Se IO non l'ho fatto pronunciare Quello Giusto.
Io ho stato evitando pronunciare Quello parola In pubblico,
Ma Ora quello è non IL caso più.
COSÌ noi abbiamo trovato quello è Nostro preferito ondulata E Che cosa erano andando A Fare
È erano andando A andare A IL Ondina DOE analisi,
E suo andando A utilizzo questi supplementare variabili
Quello noi abbiamo specificato giorno Di IL settimana, anno E mese
per vedere se possiamo Trovare tendenze In Nostro curve utilizzando quelli variabili.
COSÌ BENE chiedere per Ondine DOE,
e cosa c'è accadendo In IL sfondo È erano modellazione quelli ondulata coefficienti
utilizzando IL generalizzato regressione piattaforma, COSÌ quello è accadendo dietro IL scene,
E Poi Esso Volere Mettere Esso Tutto insieme In UN Profilatore per noi.
COSÌ Qui noi abbiamo ho, lo sai, Questo È Nostro tempo Di giorno variabile.
Noi Potere Vedere Quello In IL Mattina.
IL Aspettare volte ordinare Di inizio, sai, in giro UN ora.
Esso prende più a lungo per tutto IL giorno, Sai,
picco A Di 80 minuti, Quasi UN ora E UN metà Aspettare.
E Poi, COME Voi volevo aspettarsi,
COME IL giorno va SU E bambini Ottenere Stanco E andare A letto,
Aspettare volte Ottenere UN poco morso più breve Fino a IL FINE Di IL giorno.
Ora, Che cosa Noi Pensiero era interessante
sta guardando A Alcuni Di questi effetti, Piace anno E mese.
COSÌ Noi Potere Vedere In 2015, IL Aspettare volte ordinare Di gradualmente andato su, Giusto, Fino a 2020.
E Poi Che cosa accaduto In 2020? Essi è aumentato In Febbraio,
e poi, sorprendentemente, Essi caduto abbastanza UN morso In Marzo E Aprile.
E IO pensare Noi Tutto Sapere Perché Quello Potrebbe Avere accaduto In 2020.
Perché Di COVID, meno persone erano andando A Disney Mondo.
In fatto, Esso era chiuso giù per UN Mentre.
COSÌ Voi Potere molto chiaramente Vedere UN COVID effetto SU Disney Mondo Aspettare volte
Veramente velocemente utilizzando Ondina DOE.
Uno Di IL altro cose quello è interessante
È Noi Potere Aspetto A Che cosa tempo Di anno È migliore A andare.
Esso sembra Piace Aspettare volte tendere A Essere inferiore In Settembre,
E Da Disney Mondo È In Florida, lo sai,
quello è picco uragano stagione, E bambini non tendere A Essere fuori Di scuola.
COSÌ suo Veramente Freddo A Vedere Quello Nostro modello scelto Quello su bello facilmente, vero?
Quindi, ma non inizio andando A Disney Mondo In Settembre.
Quello è Nostro tempo. Noi non Volere Esso ottenere affollato.
Ma Sì, COSÌ con Appena UN pochi clic, Noi erano capace
A Imparare abbastanza UN pochi cose Di Aspettare volte,
Sette Nani Mio Treno A Disney.
Ma Noi Veramente ricercato A evidenziare
che questi metodi erano focalizzata SU cromatografia E spettrometria,
Ma c'è UN quantità Di applicazioni Dove Voi Potere utilizzo Wavelet,
E IO pensare quello è Tutto Noi Avere.
COSÌ Grazie Voi. E grazie Voi, Ryan.
