Hallo, Mein Name Ist Ryan Parker, Und Ich bin aufgeregt Zu Sei Hier Heute
mit Ton Barker Zu Aktie mit Du manche neu Werkzeuge Das wir haben hinzugefügt Zu helfen Du
analysieren spektral Daten mit Die Funktional Daten Forscher In JMP Pro 17.
Also Was Tun Wir bedeuten von spektral Daten?
Wir haben A viel von Anwendungen
aus Chemometrie Das haben motiviert A viel von Das arbeiten.
Aber ICH würde Nur Start aus von Sprichwort
war Wirklich besorgt um Daten Das haben scharf Gipfel.
Das Mai nicht Notwendig Sei spektral Daten, Aber diese Sind Die Typ von Daten
das wir hatten A hart Zeit Modellieren In FE hoch Zu Das Punkt.
Und Also Wir Wirklich gesucht Zu Fokus An versuchen
Zu offen hoch diese Anwendungen Und machen Es A viel Einfacher Zu handhaben diese scharf Gipfel.
Vielleicht Potenzial Diskontinuitäten.
Nur diese groß, wellig Merkmale von Daten.
Wo In Das Spezifisch Beispiel, mit Spektroskopie Daten,
war Denken um Komposition von Materialien,
Und diese Gipfel dürfen vertreten diese Kompositionen,
Und Wir wollen Zu Sei fähig Zu versuchen Zu quantifizieren diese.
Also ein anderer Anwendung stammt aus der Massenspektrometrie,
Und Hier Du dürfen sehen diese sehr scharf Gipfel.
Sie sind alle über Die Ort In diese anders Funktionen.
Aber diese Gipfel Sind repräsentieren Proteine aus diese Spektren,
Und Sie dürfen helfen Du, für Beispiel,
vergleichen Unterschiede zwischen Dinge aus A geduldig mit Krebs
Und Patienten ohne Krebs Zu verstehen Unterschiede.
Ich meine, nochmal,
es ist Wirklich wichtig Das Wir versuchen Zu Modell diese Gipfel Also
Also Das Wir dürfen quantifizieren diese Unterschiede.
Ein Beispiel Das Ton Ist gehen Zu zeigen kommt aus Chromatographie.
Das Ist Wo war versuchen Zu ...
In Das Fall,
Wir wollen Zu sehen bei quantifizieren Die Unterschied zwischen ein Olive Öl
gegen andere Gemüse Öle.
Und Also Die Komponenten von diese Dinge repräsentiert von alle von diese Gipfel,
Wir brauchen Zu, wieder, versuchen Zu Modell diese Also.
Der Erste Ding ICH wollen Zu Abdeckung Sind vier neu Werkzeuge Zu Vorprozess dein Daten,
spektral Daten Vor Du erhalten Zu Die Modellieren Bühne.
Der Erste eins Ist Die Standard Normal Variieren.
Also mit Die Standard Normal Variieren, war Denken um
standardisieren jede Funktion von ihre Individuell bedeuten Und Varianz.
Also war gehen Zu nehmen jeden Funktion eins bei A Zeit,
subtrahieren aus Die bedeuten, teilen von Die Varianz,
Also Das Sie alle haben bedeuten null Und Varianz eins.
Das Ist ein Alternative Zu Die bestehende Werkzeug Wir haben standardisiert,
welche Ist Nur suchen bei A global bedeuten In Varianz
Also Das Die Daten sich haben gewesen skaliert,
Aber bestimmt Aspekte, wie bedeutet, Sind Trotzdem Dort,
wohingegen mit Die Standard Normal Variieren, Wir wollen Zu entfernen Das für jeden Funktion.
Der nächste Werkzeuge Multiplikativ S Katze Korrektur.
Es Ist ähnlich Zu Standard Normal Variieren,
Die Ergebnisse Ende hoch Sein Die Dasselbe, ähnlich.
Aber In Das Fall, war Denken um Daten Wo Wir haben Licht streuen.
Also manche von diese spektral Daten kommen Wo Wir haben Zu Sorge um
unser Licht streuen aus alle Die Individuell Funktionen Sein anders
aus A Referenz Funktion Das war interessiert In.
Normalerweise Das Ist Die bedeuten.
Also Was Also Tun Ist Wir Wille Satz A einfach Modell
zwischen Die Individuell Funktionen Zu Das bedeuten Funktion.
Du weisst, wir werden Koeffizienten erhalten
Das Wir dürfen subtrahieren aus Das bedeuten Besonderheit,
teilen von Die Neigung Besonderheit,
erhalten uns Zu Das ähnlich standardisieren Die Daten,
Und In Das Fall, konzentriert An Das Licht streuen.
Okay, Also bei Das Punkt,
war Denken um Was Wenn Wir haben Lärm In unser Daten?
Was Wenn Wir brauchen Zu glatt Es?
Also Die Modelle Das Wir wollen Zu fit, für spektral Daten,
diese Wavelets, Sie nicht glatt Die Daten für Du.
Also Wenn Du haben laut Daten, Du Wirklich wollen Zu versuchen Zu handhaben Das Erste,
Und das ist Wo Die Savitzky-Golay Filter kommt In.
Was Das Ist gehen Zu Tun Ist fit N- Grad Polynome
über eine angegebene Bandbreite
Zu versuchen Zu finden Die am besten Modell Das Wille glatt dein Daten.
Also Wir suchen über A Netz für Du,
wählen Die am besten eins, Und Dann gegenwärtig Die Ergebnisse Zu Du.
Und ICH Tun wollen Zu Notiz Das Die Daten Sind erforderlich Zu Sei An A regulär Netz,
Aber Wenn Du nicht haben eins, FDE Wille erstellen eins für Du.
Wir haben A reduzieren Möglichkeit
Das Du dürfen verwenden Wenn Du wollen manche feiner Kontrolle über Das,
Aber von Standard,
Wir Sind gehen Zu sehen bei Die am längsten Funktion,
wählen Das als unser Nummer von Netz Punkte,
Und erstellen A regulär Netz aus Das für Du.
Aber Die Hübsch Ding um Die S Avitzky-Golay-Filter
Ist Weil von Die Konstruktion mit diese Polynome,
Wir haben einfach Zugang Zu Die Erste oder zweite Derivat.
Sogar Wenn Du nicht haben spektral Daten Und Du wollen Zu Zugriff auf Ableitungsfunktionen
Das Wille Sei dein Weg Zu Tun Das.
Und Wenn Du Tun Anfrage, sagen, Die zweite Derivat,
unser suchen bekommt eingeschränkt Zu nur Polynome
das wird es uns ermöglichen geben Du A zweite Derivat, für Beispiel.
Aber Das würde Sei Die Weg Zu darauf zugreifen,
sogar Wenn Du waren nicht sogar besorgt um glättend.
Du dürfen Jetzt erhalten Zu Derivate.
Der zuletzt Vorverarbeitung Werkzeug Krank Abdeckung Ist Grundlinie Korrektur.
Also In Grundlinie Korrektur,
Du Sind besorgt um haben manche Besonderheit von dein Daten
Das Du würde Nur halten A Grundlinie Das Du wollen Zu entfernen
Vor Du Modell dein Daten.
Also Die Idee Hier Ist Wir wollen Zu fit A Grundlinie Modell.
Wir haben linear, quadratisch, exponentielle Optionen für Sie,
Also Wir wollen Zu fit Das Zu unser Daten Und Dann subtrahieren Es aus.
Aber Wir wissen Dort Sind wichtig Merkmale,
typischerweise diese Gipfel,
Also Wir wollen Zu nicht verwenden diese Teile von Die Daten
Wann Wir Genau genommen fit diese Grundlinie Modelle.
Also Wir haben Die Möglichkeit Hier für Korrektur Region.
ICH denken für Die am meisten Teil Du würde wahrscheinlich verwenden gesamte Funktion.
Also Was Das Nur bedeutet Ist, Was Teil Sind Wir gehen Zu subtrahieren aus?
Also Wenn Du wählen innerhalb Regionen
nur Dinge innerhalb diese Blau Linien Sind gehen Zu Sei subtrahiert.
Aber Ich habe bereits hinzugefügt vier Hier.
Jeden Zeit Du klicken hinzufügen An Basisregionen,
du bist gehen Zu erhalten A Paar von diese Blau Linien Und Du dürfen ziehen sie herum
Zu Die wichtig Teile von dein Daten, Und Was Das Wille Tun Ist,
Wann Du versuchen Zu fit, sagen, A linear Grundlinie Modell,
es ist gehen Zu ignorieren Die Daten Punkte Das Sind innerhalb diese zwei Blau Linien.
Also, Funktion eins, Wir Satz A linear Modell,
Aber Wir ausschließen alle diese scharf Gipfel Das Wir Wirklich wollen,
Das war interessiert In.
Und Also Dann Wir nehmen Die Ergebnis aus dieses lineare Modell
Und subtrahieren Es aus aus Die ganz Funktion.
Der Alternative Zu Das Ist ein Anker Punkt,
Und das ist Wenn Du sagen, ICH Wirklich würde wie
für diesen speziellen Punkt Zu Sei inbegriffen In Die Grundlinie Modell.
Normalerweise Das Ist Wenn Du haben kleiner Daten
Und Du wissen, Okay, ICH wollen diese wenige Punkte.
Diese Sind Schlüssel. Diese vertreten Die Grundlinie.
Wenn ICH war fähig Zu fit, weißt du, sag a quadratisches Modell zu diesen Punkten,
das ist Was ICH wollen Zu subtrahieren aus.
Also es ist ein Alternative.
Wann Du klicken diese, Sie werden zeigen hoch als Rot als ein Alternative Zu Das Blau.
Aber Das Wille erlauben Du Zu richtig deine Daten
entfernen Die Grundlinie Vor geht weiter.
Also Das bekommt uns Zu Wie Wir Modell spektral Daten Jetzt In JMP Pro 17,
Und war verwenden Wavelets.
Der Hübsch Ding um Wavelets Ist Wir haben A Vielfalt von Optionen Zu wählen aus.
Also diese Grafiken vertreten Was Sind angerufen Mutter Wavelets
Und Sie Sind gebraucht Zu bauen
Die Basis Das Wir verwenden, Das Modelle Die Daten.
Also Die am einfachsten Ist dieses Haar Wavelet, welche Ist Wirklich Nur Schritt Funktionen,
Vielleicht hart Zu sehen Das Hier, Aber diese Sind Nur Schritt Funktionen.
Aber Das biorthogonal, Es hat A viel von wenig springt
Und Du dürfen Start Zu vorstellen,
Okay, ICH dürfen sehen Warum diese machen Es A viel Einfacher
Zu erfassen Gipfel In Mein Daten
andere als Die Haar Wavelet.
Alle diese haben Parameter Das Sind Ändern Die Form Und Die Größe von diese,
Also Ich habe Nur ausgewählt A Paar Hier Zu Nur zeigen Du Die Unterschiede.
Aber Du dürfen Wirklich sehen Wo,
Okay, Wenn ICH setzen A viel von diese zusammen,
ICH dürfen verstehen Warum Das Ist
wahrscheinlich A viel besser Zu Modell alle diese Gipfel von Mein Daten.
Und hier ist es ein Beispiel Zu veranschaulichen Das
mit eins von unser neu Probe Daten,
ein NMR Design von Experimente.
Also Das Ist Nur aus eins Funktion Wo Lasst uns Start mit B-Splines.
Das Ist Sortieren von Die gehen Zu für am meisten Daten Ort Zu Start In FDE.
Aber Wir dürfen sehen Das es ist Wirklich haben A hart Zeit
pflücken hoch An diese Gipfel.
Jetzt sind da, Wir haben bereitgestellt Du Werkzeuge
Zu ändern Wo Knoten sind vorhanden In diese Biestlinie Modelle.
Also Du könnte Tun manche Anpassung.
Wahrscheinlich fit Das A viel besser als Die Standard.
Aber Die Idee Ist Das Jetzt Du hast hatte Zu gehen Und bewegen Dinge herum
Und Vielleicht Es funktioniert für manche Funktionen, Aber nicht Andere,
Und Du brauchen A mehr automatisiert Weg.
Also das ist eins Alternative Zu Das Ist P-Sp Linien.
Das Ist tun Das A wenig bisschen für Du,
Aber es ist Trotzdem nicht ganz Erfassen Die Gipfel Vielleicht als Also als Wavelets.
Es ist wahrscheinlich tun Die am besten für diese Daten.
relativ Zu Wavelets Und fast A Modell -frei Ansatz
Wo Wir Modell Die Daten Nur direkt An unser Form Komponenten,
Das Direkte funktionell PCA.
Es ist Vielleicht A Brücke zwischen P-Splines Und B-Splines
Wo es ist nicht ganz als Gut als P -Splines Aber es ist besser als B -Splines
Aber Das Ist Nur A schnell Beispiel Zu Markieren
Wie Wavelets dürfen Wirklich Sei A viel schneller Und mächtig.
Was Sind Wir tun In FDE?
Wir bauen A Vielfalt von Wavelet-Typen
Und ihre damit verbundenen Parameter Und fit ihnen für Du.
Also ähnlich Zu Die S Avitzky-Golay-Filter,
Wir Tun erfordern Das Die Daten Sind An A regulär Netz.
Und Gut Nachricht, Also erstellen eins für Du.
Aber von Kurs Du dürfen gehen Zu reduzieren Die Kontrolle Das Wenn Du würde wie.
Aber Jetzt Die Hübsch Ding um einmal Daten sind An Die Netz,
Wir dürfen verwenden A Transformation das ist super schnell.
Also P -Splines würde Auch, für diese Daten,
Sei Was Du würde Wirklich wollen Zu haben Zu verwenden,
aber es kann lange dauern, bis sie passen,
besonders Wenn Du haben A viel von Funktionen
Und Du haben A viel von Daten Punkte pro Funktion.
Aber unser Wavelet Modelle Sind gehen Zu im Wesentlichen zuletzt
Also alle von Die anders Basis Funktionen
Das bauen Das besondere Wavelet Typ mit Parameter
Und Was das ist gehen Zu erlauben uns Zu Tun Ist Nur Wirklich Gewalt
A viel von diese Koeffizienten Das nicht Wirklich bedeuten irgendetwas Zu null
Zu helfen erstellen A spärlich Darstellung für Die Modell.
Also diese fünf anders Wavelet Typen Das ICH zeigte Vor,
diese Sind verfügbar, Und einmal Wir fit ihnen alle,
war gehen Zu bauen Modell Auswahl Kriterien
Und wählen Die am besten für Du von Standard.
Du dürfen klicken durch diese als Optionen Zu sehen andere passt.
Und A viel von mal diese Erste wenige Sind gehen Zu sehen sehr ähnlich
Und es ist Wirklich Nur A Gegenstand von,
Dort Sind bestimmt Anwendungen Wo Sie wissen,
"Okay, ich Wirklich wollen Das Wavelet-Typ,
Also Sie werden wählen Die am besten eins von Das Typ In Die Ende der Nutzung.
Also Die Hübsch Ding um diese Modelle Ist Sie passieren An A Auflösung.
Sie sind Modellieren anders Auflösungen von Die Daten.
Also Wir haben diese Koeffizient Grundstücke Wo bei Die Spitze Sie sind zeigen
Niederfrequenz, größer Skala Trends, wie ein gesamt bedeuten,
Und als Du gehen runter In Die...
Oder ICH erraten Du gehen hoch In Die Beschlüsse,
Aber runter In Die Handlung,
du bist gehen Zu sehen bei hoch -Frequenz Artikel,
Und diese Sind gehen Zu Sei Dinge Das Sind Ereignis An sehr kurz Waage,
Also Du dürfen sehen Wo es ist pflücken hoch A viel von anders Merkmale.
In Das Fall, es dauert...
A viel von diese Sind null für Die höchste Auflösungen.
Also es ist pflücken hoch manche Waage Das Sind bei Die sehr Ende von Das Funktion.
Es ist pflücken hoch manche von diese Unterschiede Hier.
Aber Das gibt Du A Sinn von Art von Wo Dinge Sind geschieht um
beide Standort Und Dann Ist Das Hochfrequenz oder Niederfrequenz
Teile von Die Daten.
Also Die zuletzt Ding wir haben hinzugefügt Zu vollständig Die Wavelet Modelle
das ist A wenig bisschen anders aus Was Wir haben Jetzt Ist angerufen Wavelets DAMHIRSCHKUH.
Also Wenn Du hast gebraucht FDE Vor,
Du hast wahrscheinlich versucht funktionell Design von Experimente
Und Das Ist gehen Zu erlauben Du Zu nehmen funktionell Prinzip Komponentenwerte,
verbinden Design von Erfahrung Faktoren Zu Die Form von dein Funktionen.
Aber Jetzt, Wavelet Modelle In besondere,
Sie sind Koeffizienten, Weil Sie Tun vertreten Auflösungen Und Standorte,
diese dürfen Sei mehr interpretierbar Und Sie haben mehr Direkte Auswirkungen
Zu Verständnis was ist Ereignis In Die Daten,
Das Mai Sei A funktionell Prinzip Komponente
ist nicht als einfach Zu verbinden mit.
Wir haben Das Energie Funktion Und es ist standardisiert Zu zeigen Du,
"Okay, Das Auflösung bei 3,5"
Nur repräsentieren mehr An Das Ende Punkt.
Das wird ...
Das ist Wo Die am meisten Unterschiede Sind In alle von unser Funktionen,
Und es ist repräsentieren um 12 %.
Also Du dürfen scrollen runter.
Wir gehen hoch Zu Wo Wir erhalten 90 % von Das Energie,
welche Ist Nur Die kariert Koeffizient Werte
Das Wir Nur standardisiert Hier.
Aber Energie Ist Nur Wie groß sind diese Koeffizienten
relativ Zu alles anders?
Aber Das, ähnlich Zu Funktional DAMHIRSCHKUH,
Du dürfen ändern Die Faktoren, sehen Wie Die Form Änderungen,
Und Wir haben Fälle Wo beide Wavelets DAMHIRSCHKUH
Und Funktional DAMHIRSCHKUH gut arbeiten.
Manchmal Wavelets DOE Nur erhalten Die Struktur besser.
Nicht erlauben für manche Vielleicht Negativ Punkte
Das Funktional DAMHIRSCHKUH könnte erlauben In Das Beispiel.
Also es ist Nur Sie sind beide Dort, Sie sind beide schnell.
Ich meine dich dürfen verwenden beide von ihnen Zu versuchen Zu analysieren Die Ergebnisse von Wavelet Modelle.
Aber das ist Mein schnell Überblick.
Also Jetzt ICH Nur wollen Zu drehen Es über Zu Ton Zu zeigen Du manche Beispiele
der Verwendung von Wavelet Modelle mit manche Beispiel Daten Sätze.
Danke, Ryan.
Also, als Ryan zeigte früher, Wir gefunden ein Beispiel
Wo Leute war versuchen Zu verwenden Chemometrie Methoden
Zu klassifizieren anders Gemüse Öle.
Also Ich habe bekommen Die Daten Satz geöffnet hoch Hier.
Hier Wir haben unser jede Reihe von Die Daten Satz Ist A Funktion,
Also jede Reihe In Die Daten Satz repräsentiert A besondere Öl,
Und als Wir gehen über Die Tisch, das ist Die Chromatogramm.
Also Ich habe geöffnet Das hoch In FDE Nur Zu speichern A wenige Protokoll.
Der Wavelet passend zu Ist Wirklich schnell,
Aber ICH dachte heiraten Nur gehen voraus Und Start mit Die fit offen.
Also hier ist Was unser Daten Satz sieht aus wie.
Du dürfen sehen diese Rot Kurven Sind Olive Öle.
Der Grün Kurven Sind nicht Olive Öle.
Also Wir dürfen sehen Es gibt definitiv manche Unterschiede
zwischen Die zwei anders Arten von Öle Und ihre Chromatogramme.
Also, als Ryan sagte, Wir Nur gehen Zu Die Menü mit rotem Dreieck
Und Wir fragen für Wavelets Und Es Wille wählen Die am besten Wavelet für Du.
Aber wie ICH sagte, Ich habe bereits Erledigt Das,
Also Wir dürfen scrollen runter Und sehen bei Die fit.
Hier Wir sehen Die am besten Wavelet Das Wir gefunden War angerufen Die Symlet 20,
Und wir haben bekommen Grafiken von jede fit Hier zusammengefasst für Du.
Als Du dürfen sehen, Die Wavelets haben fit diese Daten Wirklich Also.
Aber In Das Fall,
war nicht fürchterlich interessiert In passend zu Die Individuell passt.
Wir wollen Zu sehen Wenn Wir dürfen verwenden diese Individuell Chromatogramme
Zu vorhersagen ob oder nicht ein Öl Ist ein Olive Öl oder nicht ein Olive Öl.
Also Was Wir dürfen Tun Ist,
Wir dürfen speichern aus diese Wavelet Koeffizienten,
welche wir haben bekommen A groß Tisch Hier, Und Es gibt Tausende von ihnen.
In Tatsache, Es gibt eins für jeden Punkt In unser Funktion.
Also Hier wir haben bekommen 4.000 Punkte In jede Funktion.
Das Tisch Ist hübsch riesig. Es gibt 4.000 Wavelet Koeffizienten.
Aber als Ryan War Sprichwort, Du dürfen sehen Das wir haben auf Null gesetzt manche von ihnen aus.
Also diese Wavelet Koeffizienten fallen aus von Die Funktion.
Also das ist Wie Wir erhalten glättend.
Wir fit unser Daten Wirklich Also,
Aber Nullstellen aus manche von diese Koeffizienten Ist Was glättet Die Funktion aus.
Also Wie dürfen Wir verwenden diese Werte Zu vorhersagen ob oder nicht Wir haben ein Olive Öl?
Also, Du dürfen kommen Hier Zu Die Funktion Zusammenfassungen Und fragen für speichern Zusammenfassungen.
Also Was es ist Erledigt Ist Es spart aus Die funktionell Rektor Komponenten.
Aber Hier bei Die Ende von Die Tisch, Es Auch spart aus diese Wavelet Koeffizienten.
Also diese Sind Die genau Dasselbe Werte
das haben wir gesehen In Das Wavelet Koeffizient Tisch In Die Plattform.
Also lassen Mich schließen Das eins.
Ich habe bekommen Mein eigen In Warteschlange hoch Nur Also Das ICH nicht haben irgendetwas unerwartet passieren.
Also hier ist Mein Ausführung von Das Tisch.
Und Was Wir wollen Zu Tun Ist Wir wollen Zu verwenden
alle von diese Wavelet Koeffizienten Zu vorhersagen ob
Die Kurve Ist aus ein Olive Öl oder aus A anders Typ von Öl.
Also Was Ich bin gehen Zu Tun Ist,
Ich bin gehen Zu Start Die verallgemeinert Rückschritt Plattform,
Und Wenn Du hast immer gebraucht Das Vor,
es ist Die Ort Wir gehen Zu bauen linear Modelle Und verallgemeinern linear Modelle
Verwendung einer Vielfalt von anders Variable Auswahl Techniken.
Also Hier Mein Antwort Ist Typ.
ICH wollen Zu vorhersagen Was Typ von Öl wir schauen uns an
Und ICH wollen Zu vorhersagen Es verwenden alle von diese Wavelet Koeffizienten.
Also ICH Drücken Sie laufen.
In Das Fall, Ich bin gehen Zu verwenden Die Elastisches Netz
Weil Das das passiert Zu Sei Mein Favorit Variable Auswahl Methode.
Und Ich bin gehen Zu Drücken Sie gehen.
Also Wirklich schnell, Wir nahm alle diese Wavelet Koeffizienten
Und Wir haben gefunden Die Einsen Das Wirklich Tun A Gut Arbeit von differenzieren
zwischen Olive Öle Und nicht -Olive Öle.
Also In Tatsache, Wenn Wir sehen bei Die Verwirrung Matrix,
welche Ist, Das Ist A Weg Zu sehen bei Wie oft Wir vorhersagen richtig, Rechts?
Also für alle 49 andere Olive Öle,
Wir korrekt identifiziert diese als nicht Olive Öle.
Und für alle 71 Olive Öle, Wir korrekt identifiziert diese als Olive Öle.
Also Wir Genau genommen vorhergesagt diese perfekt
Und Wir nur erforderlich A hübsch klein Teilmenge von diese Wavelet Koeffizienten.
Also ICH nicht zählen, Aber Das sieht aus wie um A Dutzend.
Also Wir gestartet mit Tausende von Wavelet Koeffizienten Und Wir gekocht Es runter
um nur die 12 oder Also Das war nützlich für vorhersagen unser Antwort.
Also Was ICH denken Ist Wirklich Cool Ist,
Wir dürfen interpretieren diese Wavelet Koeffizienten Zu ein Ausmaß, Rechts?
Also Das Koeffizient Hier Ist Auflösung zwei bei Standort 3001.
Also Das erzählt uns Es gibt etwas gehen An In Das Teil von Die Kurve
Das hilft uns, uns zu differenzieren zwischen Olive Öle Und nicht Olive Öle.
Also Was Ich habe Erledigt Ist,
Ich habe Auch erstellt A Graph von unser Daten mit...
Also, du wirst sehen.
Also Was Ich habe Erledigt Ist Hier Die Blau Kurve Ist Die Olive Öle.
Der Rot Kurve Ist Die nicht -Olive Öle,
Und Das Ist Die bedeuten Chromatogramm.
Also Mittelung über alle von unser Proben.
Und diese gestrichelt Linien Sind Die Standorte
Wo Die Wavelet Koeffizienten Sind ungleich Null.
Also diese Sind Die Einsen Das Sind nützlich für diskriminierend zwischen Öle.
Und als Du dürfen sehen, manche von diese ungleich Null Koeffizienten Linie hoch mit Gipfel
Und Die Daten Das Wirklich neigen Zu machen Sinn, Rechts?
Also, hier ist,
hier ist eins von Die nicht -null Koeffizienten, Und Du dürfen erzählen es ist Rechts bei A Gipfel
Wo Olive Öl Ist Höhepunkt, Aber nicht oliv Öle Sind nicht, Rechts?
Also Das Mai Sei sinnvoll Zu jemand
Das Studien Chromatographie Und Olive Öle In besondere.
Aber Also Wir wie Das Beispiel Weil
es ist A Wirklich Gut Beispiel von Wie Wavelets fit diese Chromatogramme Wirklich Also.
Und Dann Wir dürfen verwenden Die Wavelet Koeffizienten Zu Tun etwas anders, Rechts?
Also nicht nur haben Wir fit Die Kurven sehr gut,
Aber Dann wir haben genommen Die Information aus diese Kurven
Und wir haben Erledigt A Wirklich Gut Arbeit von diskriminierend zwischen anders Öle.
Und Also Ich habe bekommen eins mehr Beispiel.
Ryan Und ICH Sind beide groß Fans von Disney Welt,
Also Das Ist nicht A Chromatogramm.
Das Ist nicht Spektroskopie.
Aber stattdessen Wir gefunden A Daten Satz Das sieht aus bei Warten mal bei Disney Welt,
Also Wir heruntergeladen A Teilmenge von Warten mal
für A Fahrt angerufen Disneys Die Sieben Zwerge, Geist Zug.
Und Wenn Du hast immer gewesen Zu Disney Welt,
Du wissen es ist A Wirklich Cool Rolle Untersetzer Rechts Dort In Fantasie Land.
Aber Es Auch tendiert Zu haben Wirklich lang Warten mal, oder?
Du ausgeben A viel von Zeit warten dein drehen.
Also Wir gesucht Zu sehen Wenn Wir könnte verwenden Wavelets Zu analysieren diese Daten
und dann verwenden Die Wavelet DAMHIRSCHKUH Funktion Zu sehen Wenn Wir dürfen Figur aus
Wenn Es gibt Tage von Die Wochen oder Monate oder Jahre
Wo Warten mal Sind insbesondere hoch oder niedrig.
Also Wir dürfen Start FDE.
Hier du dürfen Sehen Sie, das haben wir
jede Tag In unser Daten Satz, Wir haben Die Warten mal
aus der Zeit, als Die Park öffnet, Hier,
Zu Die Zeit Das Die Park schließt über Hier.
Und Zu machen Das Demo A wenig bisschen Einfacher,
wir haben verfeinert Die Daten Satz Zu sauber Es hoch manche.
Also Das Ist nicht genau Die Daten,
Aber ICH denken manche von Die Trends Das war gehen Zu sehen Sind Trotzdem WAHR.
Also Was Ich bin gehen Zu Tun Ist Ich bin gehen Zu fragen für Wavelets,
Und es wird nehmen A zweite Zu laufen, Aber nicht zu lang.
Also Jetzt wir haben gefunden Das A anders Basis Funktion Ist Die am besten.
Es ist die Daubechies 20
Und ICH sich entschuldigen Wenn ICH nicht aussprechen Das Rechts.
Ich habe gewesen vermeiden aussprechen Das Wort In öffentlich,
Aber Jetzt das ist nicht Die Fall mehr.
Also wir haben gefunden das ist unser Favorit Wavelet Und Was war gehen Zu Tun
Ist war gehen Zu gehen Zu Die Wavelet DAMHIRSCHKUH Analyse,
Und es ist gehen Zu verwenden diese ergänzend Variablen
Das wir haben angegeben Tag von Die Woche, Jahr Und Monat
um zu sehen, ob wir es können finden Trends In unser Kurven verwenden diese Variablen.
Also Also fragen für Wavelets DAMHIRSCHKUH,
und was ... ist Ereignis In Die Hintergrund Ist war Modellieren diese Wavelet Koeffizienten
verwenden Die verallgemeinert Rückschritt Plattform, Also das ist Ereignis hinter Die Szenen,
Und Dann Es Wille setzen Es alle zusammen In A Profiler für uns.
Also Hier wir haben Ich habe, weißt du, Das Ist unser Zeit von Tag Variable.
Wir dürfen sehen Das In Die Morgen.
Der Warten mal Sortieren von Start, Sie wissen schon, in der Nähe ein Stunde.
Es bekommt länger hindurch Die Tag, Du weisst,
Höhepunkt bei um 80 Protokoll, fast ein Stunde Und A Hälfte Warten.
Und Dann, als Du würde erwarten,
als Die Tag geht An Und Kinder erhalten müde Und gehen Zu Bett,
Warten mal erhalten A wenig bisschen kürzer bis Die Ende von Die Tag.
Jetzt, Was Wir Gedanke War interessant
ist auf der Suche bei manche von diese Auswirkungen, wie Jahr Und Monat.
Also Wir dürfen sehen In 2015, Die Warten mal Sortieren von schrittweise ging hoch, Rechts, bis 2020.
Und Dann Was passiert In 2020? Sie erhöht In Februar,
und dann, schockierend, Sie fallen gelassen ganz A bisschen In Marsch Und April.
Und ICH denken Wir alle wissen Warum Das könnte haben passiert In 2020.
Weil von COVID, weniger Menschen war gehen Zu Disney Welt.
In Tatsache, Es War schließen runter für A während.
Also Du dürfen sehr deutlich sehen A COVID Wirkung An Disney Welt Warten mal
Wirklich schnell verwenden Wavelet DAMHIRSCHKUH.
Eins von Die andere Dinge das ist interessant
Ist Wir dürfen sehen bei Was Zeit von Jahr Ist am besten Zu gehen.
Es sieht aus wie Warten mal neigen Zu Sei untere In September,
Und seit Disney Welt Ist In Florida, wissen Sie,
das ist Gipfel Hurrikan Jahreszeit, Und Kinder nicht neigen Zu Sei aus von Schule.
Also es ist Wirklich Cool Zu sehen Das unser Modell gepflückt Das hoch hübsch leicht, oder?
Also, aber nicht Start gehen Zu Disney Welt In September.
Das ist unser Zeit. Wir nicht wollen Es bekommen überfüllt.
Aber Ja, Also mit Nur A wenige Klicks, Wir war fähig
Zu lernen ganz A wenige Dinge um Warten mal,
Sieben Zwerge Meins Zug bei Disney.
Aber Wir Wirklich gesucht Zu Markieren
dass diese Methoden waren konzentriert An Chromatographie Und Spektrometrie,
Aber Es gibt A viel von Anwendungen Wo Du dürfen verwenden Wavelets,
Und ICH denken das ist alle Wir haben.
Also Dank Du. Und danke Du, Ryan.
