你好，每个人。 谢谢为了未来到我们的视频。 我的姓名是瑞安帕克，和今天我是去到展示和黏土巴克关于一些新的工具那我们有添加到分析光谱数据和这功能性数据探险家在联合管理计划专业版17.第一的，我只是通缉到开始离开和一些的这激励的数据套那引领我们到添加这些新的工具。 他们是真的有动力经过这些化学计量学应用程序，能确实是应用到其他地区，但为了例子，我们有这光谱学数据在哪里这第一的事物你可能注意和这是我们已经得到A很多的数据点采样,但我们还有一些非常锋利的峰在我们的数据。那是去到是A再次发生的主题在哪里我们有A需要到真的确认这些锋利的特征那这现存的工具我们有在联合管理计划是A小的难的到真的捕获那些。 为了例子，是思维关于作品的材料或者如何我们能探测生物标志物和数据。 这些是三光谱的例子那出色地看在。
其他例子的数据那是的兴趣是这大量的光谱测定法数据。 这里是思维关于A大量的到收费比率那我们能使用到构造A光谱在哪里这峰在这光谱，他们是代表蛋白质那是的兴趣在这区域的应用。一例子是比较这些光谱之间不同的患者，说A病人和癌症或者A病人没有，和这地点的这些蛋白质是非常重要的到确认差异在这些二组。
其他例子是色谱法数据。 这里我们能思考关于是使用一些化学混合物超过，是使用A材料那是去到帮助我们量化相对的金额的这各种各样的成分那是在这些混合物。 经过使用这保留时间在这过程，我们能尝试到确认这不同的成分。 为了例子，如果你没有知道这，我曾是不是意识到的直到我开始了到工作和这数据，试到模仿橄榄油是A大的交易。 我们能使用这些数据套到数字出去，好的，什么是A真的橄榄油，或者什么是只是一些其他蔬菜油那某人可能是试到经过离开作为一个橄榄油？
这第一的事物我想到做是去通过一些的这新的预处理选项那我们已经添加到帮助工作和光谱数据前我们得到到这造型阶段。 我们有A新的工具被称为这标准普通的变量， A乘法分散更正在哪里你有如果你有光分散在你的数据，这萨维茨基-戈莱滤波器，哪个是这平滑化步什么时候你有光谱数据那出色地得到进入。最后， A新的工具到履行A基线更正为了这数据到消除趋势那你是不是真的感兴趣的在那你想到得到出去第一的。
好的，所以什么是标准普通的变体？ 现在在杰普,我们有这能力到只是标准化你的数据在FDE。 但什么时候你使用那工具，它是只是采取这意思是的全部的这功能和A全球的方差和缩放它那方式，但和标准普通的变体，是思维关于这个人方法和差异的每个的这功能到标准化和消除那些效果前我们去到分析。 每当我是在这正确的这里，后表演这标准普通的变体，我们能看，好的，那里曾是一些全面的方法和现在他们是全部一起和任何过量的方差是采取出去前我们去到分析。
乘法的分散更正是这下一个步，和它是一个选择到标准普通的变体。 在一些案例你是思维你是去到... 每当你使用它，你可能结尾向上和相似的结果。 这不同之处这里是这动机为了使用乘法的分散更正。 那是什么时候你有光分散，或者你思考你可能有光分散因为的这方式那你集这数据。
什么发生是为了每一个功能，是去到合身这简单的线性模型在哪里我们已经得到A坡和一个截距，和是去到使用那些估计的系数到现在标准化我们的数据那是去到工作和。 我们减去离开这截距和划分经过这坡，和现在我们有这标准化版本。 A获得，你能结尾向上和相似的结果作为标准普通的方差。
现在这下一个预处理步我是去到覆盖是这萨维茨基-戈莱滤波器。 什么时候你有光谱数据，前我们得到到这造型阶段，这新的造型工具我们有，他们是发达在这样的A方式那他们是试到挑选向上全部这重要的件的这数据。 如果你有噪音，我们需要到做A步在哪里我们光滑的那第一的。 那是在哪里这萨维茨基-戈莱滤波器来了在。什么是正在做是是去到合身一个结尾-程度多叶期超过A指定的带宽那我们能选择到帮助尝试到消除任何噪音从这数据。 在频域DE,现在，是去到去先和选择那些最好的参数为了你，这程度和这宽度到尝试到最小化这模型错误那我们得到。
一事物我做想到观点出去是那我们做要求A常规的网格到给我们这手术，哪个将要来向上再次在这未来，但频域DE是去到创造一为了你。 我们还有这减少网格选项可用的如果你想更精细控制第一的前你依靠在我们制作那选择为了你。 这好的事物关于这萨维茨基-戈莱滤波器是因为的这方式这模型是合身，我们现在有使用权到衍生物。 这是某物那有来向上事先的到光谱数据，和现在那我们有这，我们已经得到A好的方式为了你到使用权和工作和造型这些衍生物功能。
这最后的一我想到覆盖是这基线更正。 什么基线更正是正在做是它是思维关于那里可能是全面的趋势在我们的数据那我们想到得到摆脱的。 这数据放在这正确的有只是A非常小的差异喜欢线性不同之处在这功能。 什么是思维关于是，好的，我们不真的想到关心关于那，我们想到得到摆脱的它。 什么这工具是去到允许你到做是选择这基线模型那你想。我n这案件，它是只是A真的简单的线性模型，但你可能有一些在哪里你已经得到指数或者对数趋势那你想到得到摆脱的。 和所以我们有那可用的。然后你能选择你的更正地区。
为了这最多部分，你是去到想到正确的这全部的功能，但它可能是可能的那或许仅有的这开始或者这结尾的这功能是在哪里你想到正确的。 我们结尾向上和这些基线地区那是这些蓝色的线。 如果我们点击这添加按钮，它会给我们A一对的蓝色的线。 是去到拖这些大约到部分的这功能那我们相信是真实的。 全部这峰在这些数据是某物那我们不真的想到触碰。 这是这部分的这功能那我们想到保持和分析和是去到给这信息那是感兴趣的在。 还如果你选择这之内地区，任何事物那是之内这些地区是什么将要得到已更正。 你是任何一个去到做一或者这其他，正确的？ 你是去到任何一个离开它独自的或者你是去到改变仅有的之内那在那些数据套。
最后，你不看它这里，但你能还添加锚点。 它可能是，取决于在你的数据，简单的到只是指定A很少点那你知道这描述这全面的趋势。 什么时候你点击添加，你会得到A红色的线，和那是去到告诉你这，无论在哪里我拖那线，它是确实去到是包括在这模型前我正确的这基线。什么时候你点击好的这里，你会只是结尾向上和A新的数据放那有这趋势已删除。
好的，所以那带来我们到这造型阶段。 什么我们已经添加为了联合管理计划专业版17 号是小波楷模。 好的，所以什么是小波楷模？ 他们是基础功能楷模，不是喜欢任何事物我们有现在在杰普,但他们能有非常戏剧性特征。 什么这些特征是正在做是帮助我们挑选向上这些锋利的峰或者这些大的变化在这功能。 我们还有这简单的哈尔小波,哪个是只是A步功能。 如果它轮流出去那某物真的简单的是喜欢这步功能适合最好的，我们将要给你那作为出色地。 你能看我们有A很少不同的选项那是真的...如果你思考关于弯曲这些小波和拉伸他们出去，那是如何我们是造型这数据到真的挑选向上全部这些特征的兴趣。
到只是激励那，我想到展示你这当前的去-到在杰普,哪个是A B-样条线模型，哪个有A非常难的时间采摘向上在这些特征没有任何手-调整。 B-样条线模型是正在做A小的少量更好的。 它仍然有一些问题采摘向上这峰,但它可能在一些方法是这最好的。 直接的功能性的主成分分析,正在做几乎作为好的作为P一sp线，但不是相当。 然后我们有小波。 是真的采摘向上这峰这最好的。在这特别的数据放，它是不是配件他们完美，但我们会思考看着在诊断，这小波模型是确实这一我们会想到去和。
再次，我们有这些五不同的小波模型类型，和什么是去到做是出色地合身全部这些为了你所以那你不有到担心关于采摘和选择。 外部的这哈尔小波，全部的这其他小波类型有A范围。 我们有A网格那我们是去到搜索超过为了你在添加到这类型。
现在它可能是可能的那那里是一些案例在哪里用户有说，嘿，这特别的小波类型是确切地如何我的数据应该是代表,所以你能改变这默认模型，但经过默认，是去到挑选这模型那是去到优化这模型选择标准，这美国钢铁协会。 真的什么你能思考关于这里是那里可以是潜在地A很多的参数在每一个一的这些小波楷模。 是有效地使用A套索模型到尝试到消除出去任何参数那真的只是不是配件这数据。我们得到A疏表示，不事情这小波模型。我们锯这早些时候在哪里我们有到有我们的数据在这网格。 它是这相同的事物和小波。 如果你只是开始去通过这小波楷模和你的数据是不是在这网格，出色地创造一为了你。 但再次，只是通缉到观点出去你能使用那减少网格选项到有更精细控制。
好的，所以某物别的那我们展示那能帮助给你一些洞察力进入如何这些楷模工作是这系数阴谋。 什么它是讲述我们是这X轴是这普通的X的这输入空间的你的功能，但这是轴是这解决。这些顶部决议这里，你是思维关于全面的方法。 作为我们得到进入这些高的决议，这些是这事物那是正在发生真的关闭一起。 A红色的线方法它是A消极的系数。 蓝色的方法它是积极的。 他们是缩放的所以那他们是全部可解释的反对每个其他。 这最大的线给你这主意在哪里这最大的系数是。我们能看那这更高频率项目是真的这里在这结尾的这功能。 我们有一些全面的趋势，但只是某物到思考关于那这些小波楷模是看着在不同的决议的你的数据。
某物别的那我们已经添加前我们得到到我们的演示和黏土是小波美国能源部。 在频域DE,我们有A功能性的美国能源部那是在职的和功能性的主要的成分。 如果你不知道那些是，那是好的。 全部你需要到知道是那和小波，我们有系数为了全部的这些小波功能。 在这美国能源部分析，是思维关于造型这系数直接地。 这解决告诉你一个主意的如果它是A高的-频率物品或者低的-频率物品。 然后这数字在这括号是讲述你这地点。 你能思考，好的，这些项目这里是在这三人组，和那是在哪里一些的那最高特征是那我们锯在那系数阴谋。那些有什么是呼叫这最高活力。
活力在这案件是只是... 如果我们分数全部这系数，我们添加他们向上，你能思考的那存在作为这全部的活力。 所以这活力数字这里是A相对的活力和给予你一个主意的如何很多活力它是解释在这数据。 这好的事物真的关于使用这系数方法是这些有直接的解释正确的到这地点和到这解决。 一个选择那你能尝试和比较反对功能性的主成分分析或者功能性的美国能源部如果你有这可解释性的这系数。 现在我思考患病的手它超过到黏土。 他是得到A演示为了你到看如何你使用这些楷模在联合管理计划亲。
谢谢，瑞安. 让我们拿A看在一个例子那我们成立。 瑞安提及简要地这橄榄油数据放那我们成立。 它是A样本的120不同的油。 最多的他们是橄榄油类，一些的他们是混合或者蔬菜油。 什么我们通缉到看是，能我们使用这高的-表现液体色谱法数据？ 能我们使用那信息到分类这油？ 能我们看在这谱和说这是一个橄榄油或者这是不是一个橄榄油？
这些数据来了出去的A学习从A大学在西班牙，和瑞安和我学到了A很多关于橄榄油在这过程。 为了例子，橄榄油是实际上A水果果汁，哪个我做过不是知道。 让我们拿A看在我们的数据。 每个排在我们的数据放是A不同的橄榄油或者其他油，和这行代表这光谱。 出色地使用这功能性数据探险家，和它会拿只是A第二到合身这小波楷模。 是你会看这里，我们合身我们的不同的小波。 作为瑞安提及早些时候，我们尝试A少数的不同的小波和我们给你这最好的一。
在这案件，这西姆莱特20曾是这最好的小波在条款的如何出色地它适合我们的数据。 我们能看这里在哪里我们已经重叠的这些已安装小波和这数据那这小波模型适合真的出色地。 L等的说你有A首选小波功能那你通缉到使用反而，你能总是点击大约在这报告和它会更新哪个小波是使用。 如果我们通缉这西姆莱特10反而，全部你有到做是点击在这排在这桌子，和出色地转变到这西姆莱特10反而。 让我们去后退到这20和出色地拿A看在我们的系数。
在这小波报告，我们有这桌子的小波系数。 作为瑞安曾是说早些时候，这些给我们信息关于在哪里这峰是在这数据。 这更远小波,我们思考关于那喜欢一个截距，所以那是喜欢一个全面的意思是。 然后每一个一的这些小波系数和A解决是... 它线向上和A不同的部分的这功能。 这解决一是这最低频率解决，和它去全部这方式向上到解决12.这些是很多更高频率决议。
作为你能看，我们已经归零A很多的这些出去。 在事实，这所有的堵塞的小波系数是归零出去。 那只是去到展示那是平滑。 如果我们用过的全部的这些决议，它会重新创造这功能完美，但我们零他们出去和那给出我们A很多更顺畅功能。 我们合身这小波模型到我们的光谱和我们思考我们有A好的模型。 让我们拿这些系数和是去到使用这些到预测无论或者不是一个油是橄榄油。 我有得到那在A不同的数据放。
现在我有进口的全部的那些小波系数进入A新的数据放和我有合并的它和什么类型的油它是。 它是任何一个橄榄油或者它是其他，和我们已经得到全部的这些小波系数那是去到使用到预测那。 这方式我们做那是使用这广义的回归平台。 是去到模型这类型使用全部的我们的不同的小波系数。 自从它是A二进制回复，我们选择这二项式分配，和是感兴趣的在造型这可能性那一个油是橄榄油。 因为我们不想到使用全部的那些小波系数，是去到使用这套索到做多变的选择。
现在我们已经用过的这套索和我们已经得到A模型和只是14参数。 的全部的那些小波系数那我们经过考虑的为了我们的模型，我们仅有的真的需要的14的他们。 我们能拿A看，我们已经归零出去A很多的那些小波系数。 让我们拿A看在这困惑矩阵。 使用我们的模型，我们实际上完美预料到的无论或者不是一的这些油类是一个橄榄油或者它是某物别的。 那是漂亮的好的。我们拿我们的小波系数和我们已选择这13最多重要的因为一的那些14参数是这截距。 我们仅有的需要的13的那些小波系数到预测哪个油我们有。
在事实，我们能拿A看在在哪里那些小波系数落下在我们的功能。 什么我们有这里是我们有这平均的橄榄油光谱蛋白蓝色的和这其他油类在红色的，和每个的那些虚线线线向上和这系数那我们用过的。 一些的这些真的制作A很多的感觉。 为了例子，这是一的这小波系数那是重要的，和你能看那有A大的不同之处在这橄榄油痕迹和这其他油。
同样地，超过这里，我们能看那有A大的不同之处之间这二那里。 你能看通过和看那A很多的这些地点真的做制作感觉。 它使感觉那我们能使用那部分的这曲线到辨析之间这不同的类型的油。 我们只是想法那曾是A真的凉爽的例子的使用小波到预测某物别的。 不是那橄榄油不是乐趣，但瑞安和我两个都有年轻的孩子们和是两个都大的粉丝的这世界。
我们还成立A新的世界数据放在哪里某人有记录的等待次为了一的这受欢迎的游乐设施在迪士尼世界。 它是被称为这七矮人头脑火车。 它是A滚筒杯垫在迪士尼世界。 有人有记录的等待次自始至终这天为了一些年值得的数据。 我还提及这些是A子集的这数据。 一的这问题是这公园是打开为了不同的金额的时间每个天，和一些的这观察是丢失的。 我们子集它向下和得到它到A更多的易于管理的数据放。 我会说那这例子是启发经过真实的数据，但它是不是确切地真实的数据一次我们按摩的它A小的少量。
如果我们图形我们的数据，我们能看... 这水平的轴这里是这时间的天，和这垂直的轴是这等待时间。 在这中间的这天，这等待时间为了这骑趋于到是这最高。 我们能看大约在不同的天的这星期。 星期日，周一是A小的少量更多的忙碌的。 周二是A小的较少的忙碌的，周六是这最多忙碌的。 我们能做这相同的事物看着在这年。 这是2015年， 2016年， 2017年。 它看起来喜欢每一个年它是得到更长和更长等待次直到某物发生在2021 年。 我思考我们全部知道为什么等待次在一个娱乐公园会是较少的在2021 年。我们已经得到一个主意那你能使用这信息，喜欢天的这星期，年和月，到预测什么那等待时间曲线将要看喜欢。 让我们看如何我们做那在FDE。
患病的只是跑步我的脚本这里。 什么我们已经完毕是出色地来到这菜单和问到合身我们的小波模型。 它需要只是A第二，但真的不是那长的到合身一些年值得的数据。这时间是不是使用这西姆莱特不再了。 是使用这多贝希斯小波功能。 什么瑞安提及早些时候曾是这小波美国能源部特征。 现在，什么我没有展示曾是那我们已经还已加载时间的这天的这星期和这年和这月在这FDE。 是去到使用那些变量到预测这小波系数。 让我们去到这红色的三角形菜单和出色地问为了小波美国能源部。
现在，什么是正在发生在后面这场景是是使用天的这星期，月，和年到预测那些小波系数，和然后我们放它全部后退一起所以那我们能看如何这预料到的等待时间变化作为A功能的那些补充变量。 现在，的课程，我们总结它在A好的分析器。 我们能真的迅速地看这效果的月。 如果是只是去经过这平均的等待时间的这特别的骑，我们能看那九月趋于到有这最低等待时间。 我们能真的迅速地看这冠状病毒影响。 这等待次是这里在2019年，和然后什么时候我们去向前到2020年，他们真的掉了。 你能看大约到看哪个天的这星期趋于到是较少的忙碌的，哪个月较少忙碌的。我的真的A凉爽的方式到看在如何这些等待次改变作为A功能的不同的因素。 感谢你为了观看。 那是全部我们有为了今天和我们希望你会给这小波特征在频域DE A尝试。 谢谢。
