Salut, tout le monde.
Remercier toi pour adhésion nous.
Le titre de notre parler aujourd'hui
c'est Otterly déroutant! C court légué, Poilu-N osé, Smooth-C avoine, ou Eurasien?
Juste demander JMP!
Ces quatre espèces se produire dans même habitat dans Asie, dans Eurasie,
et le question est, comment faire toi dire eux à part?
En utilisant notre Technique FIT, le empreinte identification technique
développé par WildTrack,
nous peut en fait dire eux à part.
Le présentation volonté être par quatre personnes:
Fred Kistner, OMS est à le Karlsruhe Institut de technologie en Allemagne
et aussi a membre de le WildTrack Spécialiste Groupe;
Larissa Slaney, OMS est a Doctorat candidat à Heriot- Watt Université,
Guépards FIT Recherche Projet
et aussi membre de le WildTrack Spécialiste Groupe.
Zoé Bijou et moi-même, Je suis Ciel Alibhai, faculté à Duc Université
et fondateurs de WildTrack et développeurs de le empreinte identification technique
et aussi membres du WildTrack Spécialiste Groupe.
Je suis en allant à faire a très brève démonstration, une très, très brève introduction,
et alors Je vais main sur à notre suivant conférencier.
À part depuis ultra espèces que nous travail sur,
WildTrack a un extensif nombre d'éminents espèces que nous travail sur
dans différentes parties de le monde, allant de depuis le Amour Tigre dans Chine
à noir rhinocéros dans Afrique à jaguar dans Brésil.
Tous de eux en utilisant dans un formulaire ou un autre
sont empreinte identification technologie.
Maintenant quoi fait empreinte identification technologie en fait faire?
Un de le des choses à propos la technologie d'identification des empreintes, FIT,
est que il travaux comme un complément dans JMP.
C'est conçu à classer espèces ou sous-espèce
par en utilisant le métrique depuis le empreintes de pas,
classer sexe, classer âge classe, et même classer individus.
Maintenant ceux sont tous éléments que sont requis à comprendre
le population dynamique de n'importe lequel en voie de disparition espèces,
le essentiel fondation éléments.
Le conservation applications de l'empreinte identification technique,
le ligne de base données sur Nombres et distribution dans formulaire sur :
données- conduit scientifique conservation stratégies,
commerce dans en voie de disparition espèces,
humain/ animal conflit atténuation,
et tous ces dans a chemin volonté être montré
à représenter le chemin dans lequel loutre conservation travaux.
Maintenant Je vais main toi sur à Larissa Slaney, OMS volonté commencer le processus de déconfusion.
Remercier toi.
Droite. Remercier toi très beaucoup, Ciel, pour ce super introduction.
Remercier toi à JMP, pour permettant nous à présent notre recherche ici.
Étaient très heureux à propos que.
Remercier toi donc beaucoup pour tous de toi à sois ici
et montrer ce intérêt dans notre recherche.
Maintenant avant étaient en allant à saut, même destiné,
dans expliquant notre données analyse avec JMP,
I serait comme à donner toi quelques arrière-plan à ce recherche.
Nous pense il est vraiment important à regarder à ce dans contexte
parce que c'est pas juste à propos quoi JMP peut faire,
mais comment ce est appliqué dans le monde réel et comment nous scientifiques peut utiliser il à...
Il donne nous le opportunité à faire changements pour le mieux, essentiellement.
Notre recherche apparence à empreinte analyse comme Ciel déjà juste dit.
Nous sont regarder à le empreintes de pas de asiatique loutre espèces.
Maintenant ici toi peut voir quatre différent asiatique loutre espèces
et ils sont tous classifié aussi vulnérable ou de manière critique- en voie de disparition par le UICN,
et le maison gammes chevauchement,
c'est donc ainsi- appelé sympatrique loutre espèces.
Sur le haut gauche, toi peut voir le lisse-c avoine loutre.
Haut droite, toi peut voir le asiatique court ou petit- griffu loutre,
bas gauche, le poilu- nez loutre,
et au bas droite, toi peut voir le eurasien loutre.
Maintenant, à être capable à moniteur le différentes espèces,
nous besoin à collecter données, lequel c'est difficile
avec tel très insaisissable espèces.
Toi à peine jamais voir eux dans le sauvage, mais toi faire voir leur empreintes de pas.
Regarder à ces empreintes de pas pour chaque espèce,
quand toi regarder à eux ici, ils regarder très similaire, ne le faites pas ils?
Maintenant, c'est assez astuces à dire eux à part.
Donc, nous ensemble nous le tâche à savoir si
là est a chemin pour AJUSTER à distinguer entre le empreintes de pas
de ces quatre loutre espèces dans a scientifique et fiable chemin.
Maintenant, nous faire avoir un ajouté problème ici, parce que le empreintes de pas avant
de deux de le espèces avoir a taille chevaucher
et le empreinte de pas arrière de un autre espèces
est morphologiquement très similaire,
et aussi taille- sage assez similaire à le devant pied de un autre espèces.
Nous avons a obtenu a multi-class classification problème ici.
Maintenant ici toi peut voir a carte lequel montre les plages de distribution
de le différent loutre espèces.
Le bleu zone ici, c'est a eurasien loutre.
Alors le rouge zone est le lisse- recouvert loutre.
Le jaune vers le bas ici est le petit- griffu o tter,
et alors le rose sur ici c'est la loutre à nez poilu.
Mais toi peut voir il, bien que il apparence comme a grand zone,
il y a en fait juste a peu pointé îles là.
Quoi est vraiment intéressant à propos ce carte, cependant,
il spectacles toi où leur maison gammes chevaucher.
Là sont six zones où
à moins deux, si pas même trois des chevauchements d'espèces.
Pour défenseurs de l'environnement, c'est vraiment important à trouver dehors
où le différent espèces en direct, à quoi étendue ,
comment grand le populations sont, et trouver dehors comme beaucoup comme possible à propos
le différent populations
donc que nous avoir a bien idée de comment en voie de disparition ils sont.
Maintenant, pourquoi est conservation des loutres important?
Bien, d'abord de tous, loutres sont classé comme Keystone espèces,
et que moyens que ils avoir un effet sur leur environnement
disproportionné à leur abondance.
Juste a peu individus peut avoir assez a grand impact.
Ils jouer a vraiment important partie
dans le nourriture chaîne et contribuer à le environnemental équilibre.
Ils sont aussi vu comme Parapluie espèces,
lequel moyens que ils conférer protection à a grand nombre de autre espèces.
Essentiellement, si quelque chose ça arrive à le loutres,
que volonté avoir un impact sur autre espèces comme Bien.
Ils sont aussi un Indicateur espèces,
donc ils en fait indiquer le santé de leur environnement.
Ils volonté pas en direct dans eaux polluées ou dans pollué zones humides.
Loutre de retour à un zone est toujours un bon signe,
parce que que moyens qualité de l'eau et zone humide santé est s'améliorant.
Maintenant, menaces à loutres. Là sont beaucoup de différent menaces.
Pollution est le un nous avons déjà mentionné juste maintenant.
Mais un autre problème est le humain faune conflit, habitat perte.
Avec que aussi vient perte de proie.
A n croissant problème, notamment en Asie,
est le illégal commerce, le illégal faune commerce.
Ils sont particulièrement après la fourrure, le fourrure commerce et aussi après animaux de compagnie.
Bébé loutres sont pris dehors de le sauvages et utilisés comme animaux de compagnie,
lequel est pas bien pour loutre conservation à tous.
Maintenant
comment faire toi approche a conservation projet comme ce?
Bien, d'abord de tous, toi besoin à pense
à propos de comment faire toi vouloir à moniteur le population.
Quoi faire toi vouloir à regarder à?
Faire toi vouloir à regarder à espèces distribution?
Oui, presque toujours.
Faire toi vouloir à regarder à individuel IDENTIFIANT?
Faire toi vouloir à trouver dehors quoi le sexe rapport dans a population est?
Le suivant chose toi besoin à décider est faire toi vouloir à utiliser envahissant méthodes
que potentiellement stresser ou même nuire aux animaux ?
Ou faire toi vouloir à utiliser non- envahissant technologies ou méthodes
à moniteur le espèces lequel volonté pas stresser et nuire le des animaux?
Nous, à WildTrack,
nous se concentrer sur méthodes non invasives à moniteur espèces.
Dans ce particulier projet,
nous sont complètement se concentrer sur empreinte identification.
Maintenant, une fois toi avoir fait ceux décisions,
toi besoin à évidemment former personnes pour vous aider avec le données collection
parce que toi ne peut pas être partout et tu ne peux pas aller partout.
Pendant fois de pandémies, c'est même plus difficile.
Donc toi besoin à former ton équipe les deux dans- personne comme Bien comme à distance
donc que a a été a peu de a défi.
Alors toi besoin à obtenir tous le données collection,
et le entraînement et le la collecte de données peut se faire in situ,
lequel moyens dans le champ ou ex- situ, ce qui signifie dans les zoos
et autre conservation organisations.
Une fois toi obtenir le données dans, que est quand toi commencer le données analyse.
Dans notre cas, c'est quand nous commencer en utilisant JMP.
Autre typique problèmes pour n'importe lequel conservation projet est financement, de cours, et aussi
en essayant à obtenir conservation politiques améliorées,
et gestion stratégies pour conservation à avoir ceux amélioré.
C'est essentiellement notre fin but. Nous sont collectionner tous le données.
Nous sont analyser tous le données de sorte que à le fin de le jour,
nous peut fournir ces informations aux gouvernements
ou autre organisations et ils peut prendre une décision éclairée
et faire mieux conservation politiques.
Laisser moi juste aller dos un plus temps.
Sur le gauche main côté ici, en fait,
toi peut voir un de notre beau gardiens de zoo collectionner empreintes de pas pour nous.
Sur le droite main côté, vous pouvez voir
a empreinte image que était envoyé à nous depuis le sauvage.
C'est a mystère empreinte.
Nous étaient demandé si nous pourrait s'il te plaît trouver dehors
lequel espèces laissé cette empreinte derrière.
C'est vraiment quoi nous vouloir,
que chercheurs commencer à envoyer empreintes de pas américaines
et nous peut aide eux découvrir lequel espèces vies dans leur zone.
Fred volonté, avec un peu de chance plus tard sur, aide nous révélons
lequel espèces ce empreinte appartient à.
Maintenant, nous avons demandé nous-mêmes trois questions de recherche,
et à le moment nous sont toujours se concentrer sur un.
Ce est un en cours projet.
A t le moment, nous sont se concentrer sur espèces classification.
Peut AJUSTER, le empreinte identification technologie,
identifier ou distinguer
entre les quatre différent espèces de loutre nous sont regarder à?
Quand nous avons a obtenu assez données et suffisamment de données particulières,
où nous certainement savoir le individus,
nous volonté regarder à individuel classification et aussi à sexe classification.
Mais c'est en allant à être un peu plus loin vers le bas le route.
Jusqu'à présent, nous avons fait équipe avec neuf zoos et loutre conservation organisations.
Nous avons a été entraînement eux à collecter empreintes de pas suivant notre FIT protocole.
Ce a a été, encore, pendant la COVID, assez stimulant.
J'ai pas a été capable à voir tout le monde dans personne,
donc quelques personnes J'ai a dû s'entraîner à distance,
mais ils ont tous a été absolument fantastiques, nos zoos et nos gardiens,
et avoir vraiment relevé ce défi
et avoir commencé à vraiment envoyer dans a parcelle de images
comme toi peut voir ici sur le gauche.
C'est toujours dans l'ensemble beaucoup plus petit échantillon taille que nous vouloir à avoir.
Comme I a dit que c'était un projet en cours, mais il
est assez à donner nous
le capacité à maintenant à partager quelques résultats préliminaires avec vous
donc nous peut dessiner quelques conclusions.
Nous avons compris trois loutre espèces dans ce donc loin.
Nous avons seulement juste commencé à commencer à obtenir h aéré- nez loutre impressions.
Il y a seulement un h loutre à nez aéré incaptivité dans le entier large monde.
Son ou son, Je suis pas bien sûr, les impressions commencent tout juste à arriver,
et nous volonté mise à jour à a plus tard temps
le résultats avec ce quatrième espèces dans il.
Mais pour maintenant, étaient en allant à regarder à trois loutre espèces.
Oui, donc I pense c'est temps à avoir a plus proche regarder à comment nous faire le données analyse
sur à Fred.
Remercier toi, Larissa, et allons saut droit dans action.
Comme Ciel mentionné précédemment,
FIT a a été développé pour a large nombre de espèces.
Quand c'est pleinement développé
ou après sortie production, c'est un complément dans JMP.
Aujourd'hui, Je suis en allant à démontrer certaines parties de le données analyse
et quelques parties du développement avant il vient dans production.
Quoi I suis en allant à dire est, dans général, I juste recherché à donner toi
a petit peu de a arrière-plan de la façon dont cela développement est généralement fait.
Notre saisir données est collecté
avec très peu d'équipement et très simple équipement.
C'est un de le principal avantages de AJUSTER,
que il peut être largement appliqué avec très petit équipement.
Toi seulement besoin a smartphone et a règle.
Si toi vouloir à développer AJUSTER modèles pour certain espèces,
toi commencer avec un image base de données c'est généralement collecté
de connu individus comme Larissa mentionné.
Nous donc coopérer avec zoos et autre faune centres.
Ces images sont alors traité au sein de JMP à extrait géométrique profils
que extrait a parcelle de mesures, angles, distances.
Ce données peut alors être utilisé à développer AJUSTER modèles.
Le général sortir est que toi vouloir à regarder à espèces, sexe, individus.
Si tu es capable à édition pour les particuliers, toi vouloir à dessiner conclusions
à propos population taille.
Une fois toi développer le méthode,
toi certainement vouloir à teste ceci sur inconnu individus.
Encore, toi regarder à images et obtenir a prédiction de le modèles.
Avantages de AJUSTER basé sur biométrique, c'est non invasif.
C'est a normalisé et coût efficace un moyen de surveiller la faune insaisissable
que ne peut pas être surveillé par direct observation.
Il peut être mis en œuvre pour presque toute espèce que feuilles a empreinte.
Il peut être combiné avec d'autres non- envahissant méthodes
et croix- validé modèles en général avoir a haut précision.
Comment à construire ces modèles c'est quelque chose que I serait comme à démo.
Quoi Je suis en allant à démo aujourd'hui est techniquement à la recherche
à différent empreintes de pas.
Toi voir sur le haut gauche, toi voir a pied arrière
de un asiatique à petites griffes loutre.
Sur le haut droite, toi voir a gauche devant une loutre à pelage lisse,
sur le bas gauche, a gauche devant de a eurasien loutre,
et sur le droite main côté, toi voir a empreinte du pied droit
depuis un inconnu loutre depuis Népal.
Quoi nous sont en allant à faire aujourd'hui est nous processus ces images.
Alors Je suis en allant à montrer toi comment à se développer rapidement
a classification modèle dans JMP.
Alors Je vais voir quoi le prédictions
de ces rapidement développer méthodes sont en allant à être.
Il tous commence
avec image analyse.
C'est basé sur un script mise en œuvre dans AJUSTER.
Dans le d'abord étape, toi généralement ajuster le taille de un image
donc que le empreinte est clairement visible et le dominateur partie de le champ.
Dans commande à être reproductible,
c'est important que empreintes de pas sont aligné suivant défini rotation points.
Pour loutres, ces sont rotation points ci-dessous le deuxième et le quatrième fermer.
Alors toi ensemble a défini ensemble de point de repère points.
Encore, pour loutres, ce est espèces- spécifique.
Mais pour autres, J'ai choisi 11 points de repère.
Ils sont dans le centre.
Désolé, oublié un étape.
De cours, toi besoin à définir a échelle d'abord.
Ici nous a obtenu 10 centimètres. Ce est ici haut.
Toi peut ajouter quelques supplémentaire information.
Juste à garder il simple, I volonté nom ème est en grève asiatique à griffes courtes loutre.
Alors toi ensemble 11 point de repère points.
Toi pourrait, pour exemple, utiliser un coût air fonction
si toi vouloir à faire ce comme précis aussi possible, évidemment,
mais pour temps raison, Je vais juste rapidement courir à travers eux.
Après paramètre 11 points de repère, toi dériver supplémentaire points,
qui aident points que sont aussi utilisé
à extrait biométrique information.
Une fois tu as fait que,
tu vas juste commencer a nouveau tableau et toi aller pour a stylo dessiner.
Je vais juste rapidement courir à travers trois plus images.
Encore, toi besoin à redimensionner eux.
Maintenant, avec ce image, toi peut voir c'est à l'envers vers le bas.
Quoi I comme à propos JMP est que
le image fenêtre peut en fait faire quelques image pré- traitement.
Maintenant, c'est droite devant. Désolé, I besoin à retourner ce un plus temps.
Peut faire quelques image traitement dans JMP et donc toi ne le faites pas avoir à changement
dans entre les logiciels.
C'est quelque chose que I vraiment comme que I peut faire tous mon travail
dans un logiciel autre que de changer dans entre plusieurs logiciel.
Encore, I dit 11 point de repère points.
Ce temps, Je vais juste aller sur eux rapide et sale,
et espoir que le prédiction volonté être précis assez
c'est a Loutre d'Eurasie.
Encore, I aller ajouter
juste deux plus fois, un pour le à poil lisse loutre.
Encore, I volonté ensemble le 11 points de repère,
et quoi le monuments sont utilisé pour, Je vais montrer toi dans a deuxième.
Dériver points, ajouter une ligne.
Un dernier temps, le mystère empreinte que Larissa a mentionnée
que était envoyé à nous depuis a projet dans Népal,
que est, à mon connaissance, faire quelques loutre surveillance là.
Un de le espèces a pas été vu pour à moins 30 années.
1, 2, 3, 4, 5, 6 .
Qu'est-ce que différent dans ici est-ce que toi avoir a différent échelle.
Que échelle facteur est quelque chose que I besoin à ajuster dans ici.
Encore, Je vais rapidement cliquez à travers le images.
Ce est normalement fait a petit peu plus fastidieux,
mais pour démo saké, Je vais essayer de cliquez à travers eux rapidement.
Et ce est un inconnu
espèces.
Quoi toi fin en haut avec c'était le à poil lisse.
Quoi toi fin en haut est
a grand données tableau .
Ces sont points pour
évaluer le qualité de le point de repère, lequel I a fait pas aller dans dans ici.
Toi obtenir X et Y coordonnées pour chaque point de repère.
Ces X et Y coordonnées sont dérivé
à calculer a grand nombre de mesures.
Il y a plus que 100 distances dérivé, quelques angles et quelques zones.
Il y a assez a parcelle de information extrait dehors de a célibataire empreinte.
Si toi répéter ce étape que J'ai vient d'être montré plusieurs fois,
tu vas fin en haut avec a données tableau comme ce.
Ce est le données tableau que Je vais à démo le prédiction modèle sur.
Si toi avoir a regarder quoi nous avoir ici,
si toi regarder à le distributions ou espèce ou cible variable,
toi voir que I avoir 405 traité images de eurasien loutres,
278 asiatique à griffes courtes loutres, et 127 à poil lisse loutres.
C'est pas parfaitement également- groupes distribués,
mais à moins chaque groupe a un échantillon de taille assez importante,
lequel volonté avec un peu de chance travail pour modélisation.
Chaque fois que toi vouloir à faire toute sorte de supervisé modélisation,
c'est a bien idée à diviser vos données dans entraînement et test données.
Ce peut être très facilement fait dans JMP.
Toi avoir à faire validation colonne dans le prédictif modélisation plate-forme.
Quoi J'ai fait est I au hasard diviser mes données en 80 % de données d'entraînement
et 20 pour cent test données,
où je vais tester le modèles que étaient en allant à construire sur
et voir comment ils effectuer.
Tous droite, donc J'ai précédemment fait ce.
Quoi Je vais faire maintenant est Je vais juste sélectionner mes données d'entraînement,
lequel sont 648 rangées,
et I volonté juste avoir a regarder dans a données voir.
Ce est 648 observations.
Je vais rapidement sauvegarder ce comme mon entraînement ensemble.
Encore, si toi avoir a regarder à la distribution,
toi pourrait voir que nous avoir,
100 à poil lisse loutre impressions, 324 eurasien loutre impressions, et 223 ASC.
C'est le même distribution pourcentages comme avec le précédent données ensemble.
Dans le suivant étape,
I volonté sauter dehors a grand partie quand il vient à prédictif modélisation,
que est a variable sélection.
I supposer que I avoir Non avant connaissance, donc juste ajouter dans tous variables
que sont disponible.
I avoir Non idée lequel modèle est en allant à travail meilleur.
Quoi Je suis en allant à faire ici est Je vais utiliser la plateforme de sélection de modèles
que compare plusieurs différent machine apprentissage modèles
que sont mis en œuvre dans JMP et comparez simplement étape performance sur ce
spécifique tâche.
Encore, mon cible variable est le espèces.
Ce est le un que I serait comme à prédire.
Dans total, I avoir 209 mesures
extrait depuis mon données d'empreinte et ces sont mon X variables.
Ces sont tous facteurs que peut potentiellement être utilisé.
Quoi toi voir vers le bas ici est toi peut choisir le méthode que toi j'aimerais courir
et toi peut essentiellement choisir à travers tous le prédiction méthodes.
Mais pour arguments saké et pour durée d'exécution,
Je vais seulement courir méthodes que I savoir que volonté courir à travers rapidement.
Toi peut encore faire il reproductible par paramètre a aléatoire graine.
Qu'est-ce que aussi bien à propos a plateforme de sélection de modèles
est toi peut ajouter un interne validation étape.
Nous déjà diviser notre données dans entraînement et test ensemble.
Mais dans commande à avoir un validation interne sur ces modèles
que Je suis va se développer,
Je vais ajouter k-fold validation croisée.
Je vais juste mettre a cocher dans ici donc que là sont plusieurs modèles
sont évalués en utilisant le k-fold validation croisée méthode.
D'accord, si I juste cliquez rapidement, aller sur courir.
Je vais avoir a résumé perspectives.
Je vais voir que quatre de mon modèles
avoir a été évalué.
Vous allez obtenir carré d'air,
tu vas obtenir mesures de performance pour ces différents modèles,
et toi peut juste dire lequel un est le meilleur.
Toi juste sélectionner le dominant un.
Toi peut regarder dans le entraînement ou dans l'ensemble de test
lequel volonté aussi donner toi a classification erronée taux.
Toi peut voir que classification erronée taux pour Forêt Bootstrap était assez impressionnant.
C'est presque 95 pour cent de le données a été correctement classé
dans le validation ensemble.
Pour arguments saké, allons dire, que le Forêt Bootstrap,
le Arbre de décision, et le Analyse discriminante
étaient le trois meilleur modèles et Je suis pas bien sûr lequel un est le meilleur.
I peut juste courir ceux trois modèles tel que sélectionné.
Ils vont populaire en haut dans leur respectif plate-forme.
Quoi I peut faire est Je vais juste
sauvegarder le prédiction formule dans mon Formule Dépôt.
Je vais faire ce pour le Modèle d'arbre de décision, donc I peut fermer ce.
Je vais faire ce
pour le Analyse discriminante, qui est réalisée ici.
Dernier mais pas moins, I peut fais ça pour le Forêt Bootstrap modèle
ici.
Quoi I avoir maintenant est...
Quelqu'un I peut fermer, Je suis Désolé.
I avoir trois modèles dans mon Formule Dépôt.
I maintenant vouloir à évaluer comment ces modèles effectuer sur nouveau données.
Encore, I aller dans mon tableau de données initial
et I sélectionner mon test ensemble,
donc tous le variables que avoir choisi au hasard
comme a validation ensemble.
Je vais juste rapidement sauvegarder ce comme Test Ensemble.
Dans le suivant étape, I peut techniquement
ouvrir mon Formula Depot et I peut courir tous ceux modèles dans le nouveau données tableau.
I volonté courir eux sur le test ensemble.
I vouloir à courir tous trois de le modèles.
I peut faire a modèle comparaison
où je cours tout le trois modèles sur le test ensemble.
C'est en fait quoi I recherché à montrer.
Vous allez voir vers le bas ici, I espoir toi peut voir ce.
Essayer à zoom dans a petit peu que
le classification erronée tarifs de ces modèles étaient en fait assez faible.
Ensemble de tests est nouveau données que a pas vu sur les modèles
et là était a classification erronée taux
pour le Arbre de décision modèle de 16 pour cent, alors que le Analyse discriminante
et le Forêt Bootstrap
seulement avait a classification erronée taux de 12 pour cent.
Toi avoir le le plus élevé air carré valeur pour le Forêt Bootstrap,
et là sont plusieurs autre métrique que toi vouloir à regarder à.
Pour nous, le la plupart important métrique est le prédiction, droite ou faux.
I généralement regarder a parcelle à le classification erronée taux.
Mais évidemment, tous le autre métrique
peut être utilisé à évaluer et générer bien modèles.
Dernier mais pas moins,
nous vouloir à avoir a regarder de comment ces modèles
en fait effectuer sur le empreintes de pas que étaient juste précédemment traité.
Encore, nous aller dos dans notre... Maintenant, où est-il ?
dans notre Formula Depot et Bien courir ce
à quatre images que nous précédemment
traité.
Si nous ouvrir ce données tableau,
toi peut avoir a regarder à le prédiction.
Quoi nous peut voir ici. Je ferai il a petit peu plus évidemment.
Donc ce était
le original données,
et si I juste regarder dans le espèces pour le d'abord modèle,
tout était prédit correctement.
Le d'abord modèle était le Arbre de décision que prédit ASC pour ASC,
eurasien loutre pour eurasien loutre, à poil lisse pour à poil lisse,
et même avec le Analyse discriminante et même avec le Bootstrap Forêt.
Tous les trois modèles en fait prédit la bonne espèce à le images
que nous avons traité, et tous modèles étaient aussi cohérent
à propos leur prédiction quand il vient à le eurasien loutre.
Je suis faire mon Doctorat principalement sur le eurasien loutre espèces.
Ce était aussi quelque chose que I serait avoir deviné comme un expert
sur ce particulier espèces empreinte.
Donc c'est assez cohérent et il travaux vraiment Bien.
Évidemment, toi peut ajouter plus mesures et tu peux bien régler
ton classification évaluer encore plus si toi regarder plus dans fonctionnalité sélection.
Mais I pense quoi I recherché à montrer toi avec ce démo est comment facilement a question
de quoi espèces il est peut être répondu en utilisant JMP.
I espoir ce était assez intuitif.
Laisser moi dessiner quelques conclusions sur que, quelques résultats.
Quoi I vraiment comme à propos JMP est a super tous- dans- un solution.
I peut extrait biométrique données depuis images dans le AJUSTER complément.
I ne le faites pas avoir à changer logiciel à faire le données analyse.
Directement, mon extrait biométrique données peut être analysé.
Et pas seulement analysé dans a descriptif chemin,
I peut construire classification modèles.
Il y a État- de- le art machine apprentissage modèles mis en œuvre dans que,
et donc c'est a un- et- tous solution.
Il y a évidemment autre manières à fais ça aussi,
mais I juste comme le praticité.
Pour notre particulier recherche question,
donc notre loutre espèces spécifique classification modèles à ce scène,
comment beaucoup données nous avoir, ils avoir effectué très Bien.
Ils sont capable à protéger le espèces
de célibataire inconnu loutre empreintes de pas avec haut classification taux.
Pour exemple, ici
neural filet, lequel I a fait pas courir dans ce exemple
parce que le durée d'exécution est a un peu plus longtemps,
avait a classification erronée taux de seulement 10 pour cent sur le même test ensemble.
Il pourrait même augmenter le classification précision de un autre deux pour cent.
Si toi plonger dans Plus profond, toi peut même augmenter ce a petit peu plus.
Un chose que notre expérience depuis fonctionnement avec empreintes de pas dans le champ
augmente le précision de la classification par assez a parcelle
est plutôt que fonctionnement avec des empreintes simples
est à travail avec sentiers.
Un animal, selon sur où toi sont, selon sur le substrat,
n'a pas seulement partir a célibataire empreinte.
Sans en allant aussi beaucoup dans détail, a empreinte peut être a assez complexe matière
parce que il variables a parcelle avec le substrat que un animal
est en mouvement à travers avec le vitesse de un animal avec le grille.
Là peut être assez a peu de bruit et arrière-plan variation.
Si tu travail avec multiple empreintes de pas et prendre un moyenne de a prédiction
plutôt de célibataire empreintes de pas,
toi peut adresse ce variation assez a peu plus.
Ce vient en particulier important quand toi vouloir à regarder à individuel identification.
Dernier mais pas moins,
JMP est aussi super à gagner connaissances sur le importance de variables.
Il y a plusieurs manières dans JMP
que toi peut regarder dans lequel sont en fait les variables
que sont contribuant le la plupart à prédictions.
Toi peut soit regarder à arbre- basé méthodes,
où toi regarder à le arbres de classification et où le divisions sont fait.
Toi peut regarder dans colonne contributions encore pour arbre- basé méthodes,
si toi travail avec Bootstrap F Oreste, ou XGBoost, ou quelque chose comme que.
Toi peut voir lequel colonnes choisissent réellement comment beaucoup fois.
Toi pourrait regarder dans le prédiction profileur
si toi utiliser le normale modélisation plate-forme dans JMP.
Toi peut techniquement avoir a regarder de ce que le prédiction de ton modèle,
comment c'est en allant à changement si tu changement certain valeurs.
Ou toi peut faire quelque chose comme a Analyse discriminante,
où toi juste suivre
le Rapports F de comment variables sont choisi.
Ce volonté alors, encore, donner toi a beaucoup d'idées
parce que il vraiment dépend sur ton question.
Faire toi vouloir à avoir a prédiction d'un conseiller externe
de quoi espèces tu es regarder à?
Ou faire toi vouloir à donner a guide pour travailler sur le terrain
de lequel mesures sont valeur regarder dans
quand tu es dans champ,
quand toi vouloir à faire le classification sur le sujet,
comme juste sur expert connaissance?
Ouais, donc c'est essentiellement il depuis mon côté.
I serait comme à remercier tous le contribuant zoos et faune parcs OMS autorisé nous
à travail avec leur beaux animaux et partager données avec nous.
En particulier, I serait comme à remercier Grâce Yoxon depuis le IOSF,
le loutre survie ferme OMS a obtenu nous dans contact avec beaucoup de eux,
KHYS, notre Maison de Karlsruhe de Jeune Scientifiques
OMS effectivement financé cette étude,
et la plupart surtout, Joseph Morgan depuis JMP,
qui est très utile quand il s'agit de modélisation et AJUSTER.
Alors il a a été donner moi conseil
plus que une fois quand I obtenir n'importe lequel JSL scripts problèmes.
Ouais, c'est joli beaucoup il depuis mon côté.
Remercier toi très beaucoup pour écoute donc loin, tout le monde.
I juste vraiment vouloir à rond en haut ici.
I pense que Ciel, et Larissa, et Fred ont magnifiquement souligné
le défis nous sommes confrontés dans identifier ces différentes espèces de loutres
autour le monde et le chemin dans lequel JMP peut aide nous
classer eux et apporter un peu de clarté à ce image.
Où sont ils et comment beaucoup sont là?
Identifiant comme à juste rapidement parler à propos qu'est-ce que suivant.
Comment sont nous bâtiment sur ce?
Un de le des choses étaient faire est bâtiment
artificiel intelligence dans ce image donc que il volonté permettre nous à
filtre et trier a beaucoup plus grand volume de données comme il vient dans.
Comme les deux Fred et Larissa avoir dit, nous besoin plus données.
Artificiel intelligence a le potentiel,
lequel nous avons déjà exposé dans certains premiers entraînement
et test et champ données
comme toi peut voir à le bas de cet écran.
Étaient obtenir raisonnablement bonne précision dans notre initial essais avec IA.
Nous pense que il volonté jamais donner nous assez le résolution que JMP volonté donner nous.
Quoi étaient visée à faire est avoir un Plateforme d'IA
lequel volonté être facile pour scientifiques citoyens à alimentation données dans.
Bien avoir JMP comme le classificateur de niveau supérieur sur que plate-forme par intégrer il.
Mais le clé ici vraiment est que cette preuve de terrain cryptique
gauche derrière par loutres et tous le autre espèces
y a-t-il pour nous à décoder si nous peut trouver a chemin à faire il.
Il vraiment est transformateur dans conservation
à être capable à avoir a technique bon marché et rapide
à savoir où ces en voie de disparition espèces sont.
Étaient très optimiste que l'utilisation d'un ligne de base IA classificateur
avec JMP comme a final classificateur, Bien être capable à faire que technique
pas seulement livrer le données nous besoin, mais intégrer personnes tous dans le monde entier
comme citoyen scientifiques à être partie de que.
Étaient vraiment reconnaissant à le Communauté JMP pour justificatif nous
à travers ce entier voyage.
Étaient en permanence fabrication nouveau foulées.
Nous savoir que il y a intérêt dans cette communauté,
et nous espoir que ils volonté rejoignez-nous
quand notre nouveau mobile application vient dehors à même commencer collectionner données eux-mêmes
et pousser ce avant là où nous le voulons être,
lequel est a classificateur
pour tous en voie de disparition espèces tous sur le monde.
Voici à beaucoup et beaucoup de points sur le carte,
et remercier toi tous pour écoute.
