Hola, todos.
Mi nombre es Factura Worley,
y I soy un sistema ingeniero para JMP para el A NOSOTROS Química equipo.
Hoy Soy yendo a ser hablando a tú acerca de
Un Analítico Flujo de trabajo para Datos y Quimiometría Análisis con JMP .
Tengo a pocos cosas I desear a destacar.
Eran yendo a ser hablando acerca de conseguir el datos en...
De hecho justo siguiente el analítico flujo de trabajo eso nosotros compartir
acerca de conseguir datos en, limpieza y mezcla,
visualización, exploratorio datos análisis, edificio modelos.
Y entonces al final,
qué son tú yendo a hacer con eso datos y cómo son tú yendo a compartir ¿él?
Pareja de cosas eso son importante
son el nuevo JMP Flujo de trabajo Constructor,
Soy yendo a destacar eso.
Este es justo a instantánea de qué Enfermo ser demostración tú en a pequeño poco.
Y el quimiometría parte de este es analizando espectral datos,
usando funcional Datos Explorador para pre- tratamiento.
Y estos son ahora construido en JMP.
Si puede ver encima aquí, hemos consiguió a pestaña arriba aquí en FTE Ahora
dónde tú poder elegir de diferente tipos de pre- tratamiento,
estándar, normal, variable , multiplicativo dispersión corrección,
Savitzy-Golay filtración, y base corrección.
Y I creer allá voluntad ser tal vez uno o dos otro cosas agregado a eso.
Justo entonces tú saber, el datos eso Soy usando es tiró de este papel.
Lo ves bien abajo aquí, de regreso de 2002.
Justo a dejar tú saber, eso es dónde el fecha es próximo de.
Todo bien, Soy yendo a poner eso aparte para ahora,
y Soy yendo a ir adelante y conseguir cosas yendo aquí.
Entonces Yo he consiguió mi hogar ventana.
Soy yendo a ir y comenzar a Archivo, Nuevo, Proyecto.
Y el flujo de trabajo eso Soy yendo a ser laboral con es este uno bien aquí.
Soy yendo a bien- hacer clic en eso.
Soy yendo a abierto él.
Qué Yo he hecho es Yo he tomado el datos colocar eso I desear a trabajar con
y Yo he construido todo estos pasos en el Flujo de trabajo Constructor,
y Soy yendo a jugar eso para tú ahora.
Entonces es yendo a poblar nuestro proyecto aquí.
Entonces Soy yendo a ir adelante y golpear jugar.
Como tú poder ver, eso es edificio el flujo de trabajo, haciendo alguno análisis.
Eran haciendo alguno modelo cribado bien ahora.
Y entonces todo es completo.
Y ahora nosotros tener todo estos cortina a la italiana al otro lado de el arriba
donde hemos terminado eso análisis con el flujo de trabajo.
Yo he de hecho incluido uno otro mesa en allá.
Cuando nosotros conseguir allá, Enfermo hablar más acerca de eso.
Pero nosotros construyó eso mesa, nosotros tiró el mesa en
justo a espectáculo tú, ellos son de el fuente datos.
Hemos de hecho tiró este datos en de un Sobresalir archivo.
Conseguir el datos en JMP de Sobresalir es equitativamente fácil.
Y nosotros construido alguno exploratorio datos análisis.
Entonces el primero paso nosotros hecho es haciendo a distribución,
y nosotros poder interactuar con él justo como cualquier cosa demás.
Todo está interactivo de el Flujo de trabajo Constructor.
Hizo alguno graficar dónde I poner el columna conmutador en,
agregado el local datos filtrar.
Justo entonces tú saber,
como nosotros construir el flujo de trabajo, todo estos cosas son incorporado
y el grabación ayuda tú mantener pista de qué yendo en.
Y tú poder ver eso hemos consiguió lleno funcionalidad yendo en allá.
Hizo alguno más exploratorio datos análisis mirando en Fit Live IX ,
haciendo un [inaudible 00:03:46]
como en este caso,
Ajuste Live IX para tiempo de molino versus disolución,
y mezcla tiempo versus disolución.
Justo a conseguir atrás a él,
este es tableta datos eso es bonito popular dentro el SCE comunidad dentro JMP.
Y Soy justo edificio en cómo nosotros quería analizar eso y construir afuera este flujo de trabajo.
Próximo paso quería ser multi- VARIOS análisis a ver,
para este disolución, cual es nuestro llave actuación indicador,
qué podría ser cualquier de el factores
o qué factores podría ser muy correlacionado con disolución.
No vidente cualquier cosa eso es saltando afuera también mucho.
Nosotros hacer tener alguno parcial correlación,
pero No uno factor es saltando afuera como
el respuesta para el datos eso eran mirando en.
Nosotros poder conseguir a mejor comprensión de qué factores podría ser importante
si nosotros mirar en a vaticinador cribado.
Nosotros puedo ver aquí eso nosotros tener cosas llamado pantalla tamaño, molino tiempo, pulverización tasa.
Aquellos mirar a ser importante factores eso nosotros podría usar a construir a mejor modelo.
Próximo, nosotros poder de hecho colocar arriba a paso a paso regresión.
Soy yendo a ir aquí y de hecho correr este modelo en a segundo.
Y entonces hemos consiguió eso producción entonces eso datos es allá
y nosotros podría usar eso como necesario.
Así que nosotros construido eso modelo,
y eran afuera aquí mirando en otro tipo de análisis,
cual quería ser decisión árbol, una partición análisis.
Nosotros poder hacer neural neto, construir eso modelo
y nosotros poder hacer a [inaudible 00:05:35] cuadrícula.
Entonces hemos consiguió todo aquellos cosas juntos.
Pero una vez todo dicho y hecho,
tú podría de hecho usar algo llamado Modelo Cribado en JMP Pro
a construir estos modelos afuera y encontrar afuera cual es el mejor en general modelo.
Y basado en eso, nosotros poder ver eso
a neural- impulsado modelo es probablemente el mejor en general modelo para a nosotros a trabajar con.
Nosotros poder entonces llevar todo este información,
compartir él con todo nuestro colegas, compañeros de trabajo,
cualquiera OMS podría ser interesado.
Y nosotros poder hacer este en varios diferente maneras.
Uno de el mejor maneras quería ser a usar JMP L he
y poner todo afuera allá para amigos a mirar en y compartir.
Eso es el primero parte de el analítico flujo de trabajo.
Y de nuevo, si nosotros mirar atrás aquí, eso es todo colocar arriba en este cartera aquí.
Y como I dicho antes, I tenía abierto otro mesa.
Y este es para el parte quimiométrica de el análisis.
Este es cerca- infrarrojo datos para descubrimiento el activo ingrediente en tabletas.
Nosotros construido el tabletas, nosotros hecho el tabletas.
Ahora nosotros tener a llevar el finalizado producto y encontrar afuera qué él todo acerca de.
Hacer nosotros tener el bien activo ¿ingrediente?
Y poder nosotros decir basado en este técnica llamado cerca- infrarrojo ¿análisis?
Eran yendo a paso a través de a pocos diferente cosas,
pero Soy yendo a doblar eso Flujo de trabajo Constructor atrás en
a registro estos pasos.
Entonces vamos doblar eso en, vamos ir atrás a nuestro datos colocar,
y vamos hacer alguno análisis ahora.
Entonces I desear a claro afuera estos crudo estados primero.
Y ahora I desear a ir a Analizar Agrupamiento, Jerárquico Agrupamiento.
Entonces I consiguió eso, y Yo he consiguió todo mi datos grupos.
Entonces hay 404 longitudes de onda eso son agrupados.
Soy yendo a jalar aquellos en, decir, bueno.
Vamos construir este afuera a pequeño poco,
eran yendo a mirar en tres diferente grupos,
y vamos color aquellos grupos.
Todo bien, entonces tú poder amable de ver eso,
dejar a mí jalar este abajo a pequeño poco,
Como puedes ver, hemos consiguió tres grupos,
equitativamente grande verde grupo y dos menor azul y rojo.
Entonces hemos consiguió eso.
Y ahora vamos ir atrás a nuestro datos colocar, y vamos hacer a Gráfico Constructor.
Entonces vamos ir a Gráfico Constructor.
Vamos jalar nuestro longitudes de onda en,
aquí a INCÓGNITA,
hacer a paralelo trama,
limpio eso arriba a pequeño poco,
y bien- hacer clic allá a combinar balanza y paralelo fusionados.
Soy haciendo estos pasos bonito rápido.
Este es algo tú desear a ir atrás y mirar de nuevo, si es de interés.
Pero el cosa I desear a espectáculo tú aquí es eso el datos es bonito disperso,
y hay a lote de base separación,
tal vez alguno aditivo y multiplicativo dispersión eso nosotros necesidad a limpio arriba.
Entonces vamos ir atrás a nuestro datos mesa
y ir a otro análisis paso.
Vamos ir a a multivariante método.
Vamos ir a principal componentes.
De nuevo, Bueno jalar todo nuestro longitudes de onda en.
Di que está bien.
Y el cosa I desear tú a nota aquí es eso
nosotros tener alguno 404 longitudes de onda
son todo agrupados bien alrededor este pequeño área bien aquí.
Eso es muy correlacionado datos.
Nosotros podría construir a modelo apagado de eso,
pero él puede no ser el mejor.
Porque eran yendo a ser incluido longitudes de onda eso son no de importancia
porque de el alto correlación.
Entonces Bueno limpio eso arriba en a pequeño poco.
Enfermo espectáculo tú cómo a limpio eso arriba en a pequeño poco.
Y como a asunto de hecho, vamos ir a eso paso bien ahora.
Vamos ir atrás encima aquí y ir a Analizar,
Especializado Modelado.
Y eran yendo a ir a D funcional minutos Explorador.
Y vamos conseguir este colocar arriba primero, y Enfermo decir tú más acerca de él.
Pongamos nuestro longitud de onda allá,
nosotros tener nuestro activo ingrediente, cual es a hecho suplementario variable.
Y entonces nuestro IDENTIFICACIÓN función. Allá nosotros ir.
Di que está bien.
Tal como es funciones. Dejar a mí hacer eso de nuevo.
Activo ingrediente y nuestro longitudes de onda.
Este amable de aspecto como qué nosotros sierra antes en Gráfico Constructor,
y nosotros desear a limpio este arriba.
Entonces hemos consiguió estos nuevo cortina a la italiana en J Diputado Pro 17 para Funcional Datos Explorador.
Espectral es uno de el cortina a la italiana.
Y entonces, como nosotros habló antes, nosotros tener estándar normal VARIOS
multiplicativo dispersión, Savitzy-Golay y base corrección.
Soy yendo a seleccionar el estándar primera variable normal
a limpieza eso arriba.
Y entonces tú poder ver el base es a pequeño tembleque aquí.
Vamos limpio eso arriba, llevar eso próximo paso,
y entonces ir adelante y decir bueno.
Y ahora hemos consiguió eso colocar arriba.
Él aspecto a lote mejor, a lote limpiador.
Y ahora el próximo paso quería ser a modelo este.
Eran yendo a usar otro nuevo función en Explorador de datos funcionales
llamado Ondículas.
Es ondícula modelado aquí.
Y tú poder ver abajo aquí eso nuestro modelo tiene estado construido,
y eran explicando a lote de el variación con acerca de
cinco funcional principio componentes.
Pero si tú mirar en estos, eran explicando el forma con nuestro forma funciones.
Eso es dónde nuestro autovalores venir en.
Este es en realidad justo a lindo forma a mirar en el datos
y hacer seguro eso nuestro El espectro es ser Bueno modelado.
Como I dicho, hemos consiguió
cinco forma funciones eso son explicando cosas en realidad Bueno.
Entonces vamos limpio este arriba a pequeño poco y jalar este atrás,
hacer nuestro modelo a pequeño más sencillo.
Nosotros no ir todo el forma atrás a cinco, pero Bueno dejar él en 10 para ahora.
Tú poder mirar en el puntaje gráficos.
Hay aún alguno dispersión aquí en el datos,
pero Bueno limpio eso arriba en a segundo.
Y entonces uno de el otro pasos tú desear a llevar cuidado es a hacer a ondícula modelo.
Este es nuevo en JMP 17, este ondícula análisis.
Y qué este es en realidad todo acerca de es mirando para
poder nosotros encontrar el importante longitudes de onda
eso son yendo a dar a nosotros a indicador firmar de qué yendo en con el datos.
Y qué Soy mirando para, especialmente con el espectros,
es algo dónde I poder ver a cambio en el base.
Y I poder ver eso hemos consiguió a bien cambio en el base
y a agrupamiento de espectral longitudes de onda alrededor 88 20 a tal vez 88 50.
Entonces eso es el importante parte aquí.
Entonces nosotros conseguir un idea de qué el importante longitudes de onda son.
Todo el datos eso I tenía hecho arriba aquí antes,
dejar a mí jalar este atrás,
el pre- tratamiento eso I tenía hecho antes,
I desear a ahorrar eso datos afuera y hacer alguno análisis en él.
Entonces Soy yendo a ir aquí a el Funcional Datos Explorador,
seleccionar Ahorrar Datos.
Este es yendo a ser a nuevo datos colocar,
y ahora hemos consiguió a hacer alguno trabajar con este datos y limpio él arriba
y hacer seguro eran listo a ir.
I desear a hacer a transponer.
Transponer Y. X es nuestro etiqueta.
Y estos dos gota en [inaudible 00:13:38] .
Ver si nosotros consiguió este bien, Pulsemos OK.
Y Sí.
Entonces hemos limpio eso mesa arriba, hemos tomado aquellos 300 espectros,
y entonces hemos transpuesto a ellos en otro datos mesa.
Este es todo el pre- procesado datos,
entonces eran yendo a hacer a pocos más cosas a este
a espectáculo dónde eso pre- tratamiento tiene en realidad limpio arriba el datos
y dónde nosotros poder construir alguno modelos con él.
Entonces dejar a mí conseguir deshacerse de este columna.
Todo bien, y listo a ir.
Entonces eran yendo a hacer el mismo cosa eso nosotros hizo antes.
Vamos ir a Analizar, Jerárquico Agrupamiento.
De hecho, dejar a mí llevar a paso atrás aquí real rápido.
Aquí quiero agrupar estos columnas a hacer cosas a lote más fácil.
Entonces grupo aquellos columnas y vamos ir atrás a dónde nosotros eran.
Vamos ir a Analizar, Jerárquico Agrupamiento,
jalar nuestro columnas en, decir, bueno.
Bien hacer el mismo cosa nosotros hizo antes, Bueno mirar en tres diferente grupos,
y color aquellos grupos.
Este voluntad ser a rápido comparación,
pero si tú mirar en qué nosotros hizo antes de qué hemos consiguió ahora,
hemos consiguió a lote más ajustado grupos.
Y estos de hecho son bonito Bueno disperso.
Son bonito incluso.
Aquellos grupos son equitativamente incluso bien ahora.
Vamos ir atrás a nuestro datos mesa.
Vamos ir atrás a nuestro Gráfico Constructor
y jalar nuestro longitudes de onda en de nuevo, nosotros hizo antes.
Eran yendo a hacer a paralelo trama afuera de este de nuevo.
Él no mirar excelente bien ahora, pero vamos bien- hacer clic aquí,
y vete a conjunto balanza, paralelo fusionados.
Y ahora tú ver eso el datos es en realidad limpio arriba
dónde nosotros hizo eso pre- tratamiento tiene tomado cosas a...
Ellos mirar a lote mejor.
Vamos ver si nosotros poder comparar Eso aquí.
Qué nosotros tenía antes, y qué nosotros tener ahora.
Entonces hemos consiguió eso datos mucho limpiador.
Cualquier análisis eso nosotros hacer de aquí debería ser mucho mejor.
Entonces vamos ir atrás a Analizar,
M multivariante métodos, Principio Componentes.
Tira de nuestro longitudes de onda en.
Di que está bien.
Y ahora hemos tomado eso datos
y hemos roto eso correlación estructura eso nosotros tenía antes.
Este es actualmente después pre- tratamiento,
este es qué nosotros tenía antes.
Justo a espectáculo tú el diferencia.
Entonces hemos en realidad limpio cosas arriba.
Ahora casarse desear a llevar tal vez uno más paso en el análisis.
Analicemos, vamos a Calidad y Proceso
Modelo- impulsado Multivariante Control gráficos.
Eran justo mirando para tal vez alguno inusual comportamiento en aquí.
En este caso, es basado en el principal componentes.
Di que está bien.
Y este es mirando en dos principal componentes.
Puede ver eso hay alguno potencial valores atípicos aquí.
Pero este es espectral datos, eran no yendo a conseguir deshacerse de cualquier cosa.
Nosotros justo desear a amable de vista eso.
Y uno otro cosa nosotros desear a mirar en es a ir a Monitor el Proceso,
eran yendo a mirar en puntaje gráficos.
Y ahora nosotros poder mirar en nuestro subagrupación abajo aquí
y nosotros poder de hecho comparar estos grupos.
Soy yendo a jalar arriba a herramienta aquí, con pérdida herramienta.
Soy yendo a hacer mi mejor a grupo estos, a pareja de estos.
Eso es yendo a ser mi Grupo A.
A Dakota del Norte Soy ir a hacer otro lazo aquí.
Bien justo dejar eso como es y ir allá.
Nosotros agarró uno de el equivocado unos, pero Creo que lo haremos ser bueno.
Y ahora nosotros poder comparar dónde eran vidente diferencias en el espectros
para estos dos subgrupos.
Y como yo era dicho antes si nosotros miró bien en aquí,
aquellos longitudes de onda son en en algún lugar en eso 8800 rango,
y entonces nosotros poder ver eso hay a real diferencia allá.
O es más cosa nosotros desear a hacer, y este es el último paso.
Qué Identificación mostrado antes, Identificación hecho modelo cribado,
y I desear a hacer modelo cribado de nuevo.
I ir a Analizar, Profético Modelado, Modelo Cribado.
Eran yendo a colocar este arriba, eran yendo a hacer nuestro activo.
Este es nuestro respuesta eso eran intentando a modelo,
y eran yendo a usar nuestro longitudes de onda a construir este modelo afuera.
Soy yendo a limpio este arriba a pequeño poco.
Nosotros no necesidad todo estos diferente modelado tipos.
Eran yendo a jalar este afuera.
Pero el lindo cosa acerca de este es I poder construir todo estos modelos en una vez
y en realidad encontrar afuera qué el mejor modelado acercarse a llevar con este datos.
No lo necesito. No lo necesito.
Vamos agregar aquellos.
Uno cosa Soy no ir a hacer para tiempo beneficio
es Soy no ir a agregar cualquier cruz- validación.
Si nosotros llevar eso en cuenta,
lo hará de hecho correr a lote más extenso.
Pero como tú ver, este es yendo a ser equitativamente rápido.
Soy yendo a ir adelante y decir bueno.
Y como este es yendo, justo hablar a pequeño poco más acerca de qué eran vidente.
Eran edificio afuera estos modelos.
Tú poder ver es paso a través de.
Y vamos ver en acerca de otro pocos artículos de segunda clase Aquí está debería ser hecho.
Allá nosotros ir.
Tomando a pequeño más extenso.
Allá nosotros ir.
Basado en qué I dicho,
I no usar cualquier validación, pero neural requiere él.
Entonces eso es el validaciones eso tú ver allá.
Pero en general, nosotros conseguir a en realidad bien idea
XG aumentar es yendo a ser el mejor modelo a adaptar este datos.
Nosotros podría usar cualquier de estos otros,
porque ellos son todo en realidad bien modelos como Bueno.
Pero tú conseguir a elegir, seleccionar uno, vamos decir parcialmente cuadrícula.
Porque eso es el ir- a análisis método para espectral datos de todos modos.
Pero hemos consiguió eso.
Nosotros poder decir correr, seleccionado,
y llenar afuera eso modelo y encontrar afuera, poder nosotros hacer él incluso ¿mejor?
Con un poco de suerte qué Yo he hecho y presentado tú es eso nosotros poder construir estos...
Dejar a mí jalar este atrás a nuestro comienzo aquí.
Solo unos pocos pasos.
Este es nuestro flujo de trabajo, y Yo he agregado aquellos pasos.
Entonces hemos consiguió eso mesa eso eran laboral con.
Nosotros despejado el estados brutos . Nosotros transponer el datos.
Cualquier cosa eso nosotros cerrado afuera es ahora parte de eso flujo de trabajo.
Entonces nosotros continuar a construir eso flujo de trabajo.
Uno cosa Enfermo decir es eso
I quería típicamente no construir a flujo de trabajo adentro a proyecto,
pero justo demostración tú eso él poder ser hecho.
Dejar a mí ir atrás a mi deslizar Aquí, y comparte.
Démosle la vuelta a esto.
Uno más paso aquí.
Yo solo desear a decir agradecer tú a a pocos gente.
Jeremy Ceniza, ¿Quién es? No más extenso en JMP, pero él es a excelente inspiración para este.
Marca Muralla exterior tiene estado a excelente ayuda.
Ryan Parker y Arcilla Pregonero tener hecho en realidad fantástico cosas
con género y Funcional Datos Explorador.
Chris Gotwalt tiene estado en realidad útil en conseguir cosas colocar arriba.
Y entonces Mi Stevens tiene estado a real de apoyo persona
en ración a mí construir el espectral análisis afuera dentro JMP.
Entonces I en realidad agradecer todo y eso Enfermo decir agradecer tú.
Eso es él.
