CIAO, tutti. Grazie per in arrivo A Nostro video. Mio nome È Ryan Parker, E Oggi Io sono andando A presente con Argilla Barker Di Alcuni nuovo utensili Quello Noi Avere aggiunto A analizzare Spettrale Dati con IL Funzionale Dati Esploratore In JMP Professionista 17. Primo, I Appena ricercato A inizio spento con Alcuni Di IL motivante dati set Quello guidato noi A aggiungere questi nuovo utensili. Loro sono Veramente motivato di questi chemiometrico applicazioni, Potere decisamente Essere applicato A altro aree, Ma per esempio, Noi Avere Questo spettroscopia dati Dove IL Primo cosa Voi Potrebbe avviso con Questo È noi abbiamo avuto a quantità Di dati punti campionato, Ma Noi Anche Avere Alcuni molto affilato picchi In Nostro dati. Questo è andando A Essere a ricorrente tema Dove Noi Avere a Bisogno A Veramente identificare questi affilato caratteristiche Quello IL esistente utensili Noi Avere In JMP Sono a poco difficile A Veramente catturare quelli. Per esempio, erano pensiero Di composizione Di materiali O Come Noi Potere rilevare biomarcatori E dati. Questi Sono tre spettroscopico esempi Quello BENE Aspetto A.
Un altro esempio Di dati Quello È Di interesse È Questo massa spettrometria dati. Qui erano pensiero Di a massa A carica rapporto Quello Noi Potere utilizzo A costruire a spettro Dove IL picchi In IL spettro, loro sono rappresentare proteine Quello Sono Di interesse In IL zona Di applicazione. Uno esempio È confrontando questi spettri fra diverso pazienti, Dire a paziente con cancro O a paziente senza, E IL posizione Di questi proteine È molto importante A identificare differenze In questi due gruppi.
Un altro esempio È cromatografia dati. Qui Noi Potere pensare Di erano usando Alcuni chimico miscela Sopra, erano usando a materiale questo è andando A aiuto noi quantificare relativo quantità Di IL vario componenti Quello Sono In questi miscele. Di usando IL ritenzione tempo In Questo processo, Noi Potere Tentativo A identificare IL diverso componenti. Per esempio, Se Voi non l'ha fatto Sapere Questo, I era non consapevole Fino a I iniziato A lavoro con Questo dati, provando A impersonare oliva olio È a grande Affare. Noi Potere utilizzo questi dati set A figura fuori, Va bene, cosa c'è a VERO oliva olio, O cosa c'è Appena Alcuni altro verdura olio Quello qualcuno Potrebbe Essere provando A passaggio spento COME UN oliva olio?
IL Primo cosa I Volere A Fare È andare Attraverso Alcuni Di IL nuovo pre-elaborazione opzioni Quello noi abbiamo aggiunto A aiuto lavoro con spettrale dati Prima Noi Ottenere A IL modellazione palcoscenico. Noi Avere a nuovo attrezzo chiamato IL Standard normale Varietà, a moltiplicativo spargere correzione Dove Voi Avere Se Voi Avere leggero spargere In tuo dati, IL Filtro di Savitzky-Golay, Quale È IL levigatura fare un passo Quando Voi Avere spettrale dati Quello BENE Ottenere in. Finalmente, a nuovo attrezzo A eseguire a linea di base correzione per IL dati A rimuovere tendenze Quello tu sei non Veramente interessato In Quello Voi Volere A Ottenere fuori Primo.
Va bene, COSÌ cosa c'è standard normale variante? Attualmente In JMP, Noi Avere IL capacità A Appena standardizzare tuo dati In FDE. Ma Quando Voi utilizzo Quello attrezzo, suo Appena prendendo IL Significare Di Tutto Di IL funzioni E a globale varianza E ridimensionamento Esso Quello modo, Ma con standard normale variante, erano pensiero Di IL individuale significa E varianze Di ogni Di IL funzioni A standardizzare E rimuovere quelli effetti Prima Noi andare A analisi. Ogni volta Io sono SU IL Giusto Qui, Dopo eseguendo IL standard normale variante, Noi Potere Vedere, Va bene, Là era Alcuni complessivamente significa E Ora loro sono Tutto insieme E Qualunque eccesso varianza È preso fuori Prima Noi andare A analisi.
Moltiplicare Di spargere correzione È IL Prossimo fare un passo, E suo UN alternativa A standard normale variante. In Alcuni casi tu sei pensiero tu sei andando A... Ogni volta Voi utilizzo Esso, Voi Maggio FINE su con simile risultati. IL differenza Qui È IL motivazione per usando moltiplicare Di spargere correzione. Questo è Quando Voi Avere leggero spargere, O Voi pensare Voi Potrebbe Avere leggero spargere Perché Di IL modo Quello Voi raccolto IL dati.
Che cosa succede È per ogni funzione, erano andando A adatto Questo semplice lineare modello Dove noi abbiamo avuto a pendenza E UN intercettare, E erano andando A utilizzo quelli stimato coefficienti A Ora standardizzare Nostro dati Quello erano andando A lavoro con. Noi sottrarre spento IL intercettare E dividere di IL pendenza, E Ora Noi Avere IL standardizzato versione. A guadagno, Voi Potere FINE su con simile risultati COME standard normale varianza.
Ora IL Prossimo pre-elaborazione fare un passo Io sono andando A copertina È IL Filtro di Savitzky-Golay. Quando Voi Avere spettrale dati, Prima Noi Ottenere A IL modellazione palcoscenico, IL nuovo modellazione utensili Noi Avere, loro sono sviluppato In come a modo Quello loro sono provando A scegliere su Tutto IL importante pezzi Di IL dati. Se Voi Avere rumore, Noi Bisogno A Fare a fare un passo Dove Noi liscio Quello Primo. Questo è Dove IL Filtro di Savitzky-Golay viene In. Che cosa erano facendo È erano andando A adatto UN FINE- grado polinomio Sopra a specificato larghezza di banda Quello Noi Potere scegliere A aiuto Tentativo A rimuovere Qualunque rumore da IL dati. In FDE, attualmente, erano andando A andare avanti E selezionare quelli migliore parametri per Voi, IL grado E IL larghezza A Tentativo A minimizzare IL modello errore Quello Noi Ottenere.
Uno cosa I Fare Volere A punto fuori È Quello Noi Fare richiedere a regolare griglia A dacci Questo operazione, Quale Volere Venire su Ancora In IL futuro, Ma FDE È andando A creare uno per Voi. Noi Anche Avere Questo ridotto griglia opzione disponibile Se Voi Volere più fine controllare Primo Prima Voi fare affidamento SU noi fabbricazione Quello scelta per Voi. IL Carino cosa Di Questo Filtro di Savitzky-Golay È Perché Di IL modo IL modello È adatto, Noi Ora Avere accesso A derivati. Questo È qualcosa Quello ha Venire su precedente A spettrale dati, E Ora Quello Noi Avere Questo, noi abbiamo avuto a Carino modo per Voi A accesso E lavoro con modellazione questi derivato funzioni.
IL scorso uno I Volere A copertina È IL linea di base correzione. Che cosa linea di base correzione È facendo È suo pensiero Di Là Potrebbe Essere complessivamente tendenze In Nostro dati Quello Noi Volere A Ottenere sbarazzarsi Di. Questo dati impostato SU IL Giusto ha Appena a molto piccolo differenze Piace lineare differenza In IL funzioni. Che cosa erano pensiero Di È, Va bene, Noi non Veramente Volere A cura Di Quello, Noi Volere A Ottenere sbarazzarsi Di Esso. Che cosa Questo attrezzo È andando A permettere Voi A Fare È selezionare IL linea di base modello Quello Voi voglio. Io n Questo caso, suo Appena a Veramente semplice lineare modello, Ma Voi Maggio Avere Alcuni Dove tu hai avuto esponenziale O logaritmico tendenze Quello Voi Volere A Ottenere sbarazzarsi Di. E COSÌ Noi Avere Quello disponibile. Poi Voi Potere selezionare tuo correzione regione.
Per IL maggior parte parte, tu sei andando A Volere A corretto IL intero funzione, Ma Esso Maggio Essere possibile Quello Forse soltanto IL inizio O IL FINE Di IL funzione È Dove Voi Volere A corretto. Noi FINE su con questi linea di base regioni Quello Sono questi blu linee. Se Noi clic Questo aggiungere pulsante, lo farà Dare noi a paio Di blu linee. Erano andando A lagna questi in giro A parti Di IL funzione Quello Noi credere Sono vero. Tutto IL picchi In questi dati È qualcosa Quello Noi non Veramente Volere A tocco. Questo È IL parte Di IL funzioni Quello Noi Volere A Mantenere E analizzare E È andando A Dare IL informazioni Quello erano interessato In. Anche Se Voi selezionare Questo entro regione, nulla questo è entro questi regioni È Che cosa Volere Ottenere corretto. Tu sei O andando A Fare uno O IL altro, Giusto? Tu sei andando A O Partire Esso solo O tu sei andando A modifica soltanto entro Quello In quelli dati set.
Finalmente, Voi non Vedere Esso Qui, Ma Voi Potere Anche aggiungere ancorare punti. Esso Maggio Essere, a seconda SU tuo dati, facile A Appena specificare a pochi punti Quello Voi Sapere Questo descrive IL complessivamente tendenza. Quando Voi clic aggiungere, tu lo farai Ottenere a rosso linea, E questo è andando A raccontare Voi Questo, ovunque I lagna Quello linea, suo decisamente andando A Essere incluso In IL modello Prima I corretto IL linea di base. Quando Voi clic Va bene Qui, tu lo farai Appena FINE su con a nuovo dati impostato Quello ha IL tendenza RIMOSSO.
Va bene, COSÌ Quello porta noi A IL modellazione palcoscenico. Che cosa noi abbiamo aggiunto per JMP Professionista 17 Sono ondina modelli. Va bene, COSÌ Che cosa Sono ondina modelli? Essi Sono base funzione modelli, non Piace nulla Noi Avere attualmente In JMP, Ma Essi Potere Avere molto drammatico caratteristiche. Che cosa questi caratteristiche Sono facendo Sono aiutare noi scegliere su questi affilato picchi O questi grande cambiamenti In IL funzione. Noi Anche Avere IL semplice Suo ondina, Quale È Appena a fare un passo funzione. Se Esso giri fuori Quello qualcosa Veramente semplice È Piace IL fare un passo funzione si adatta migliore, Noi Volere Dare Voi Quello COME BENE. Voi Potere Vedere Noi Avere a pochi diverso opzioni Quello Sono Veramente... Se Voi pensare Di piegatura questi ondette E allungamento loro fuori, questo è Come Noi Sono modellazione IL dati A Veramente scegliere su Tutto questi caratteristiche Di interesse.
A Appena motivare Quello, I Volere A spettacolo Voi IL attuale andare- A In JMP, Quale È a B- scanalatura modello, Quale ha a molto difficile tempo raccolta su SU questi caratteristiche senza Qualunque mano- messa a punto. B- scanalatura modello È facendo a poco morso Meglio. Esso Ancora ha Alcuni problemi raccolta su IL picchi, Ma Esso Potrebbe In Alcuni modi Essere IL migliore. Diretto funzionale PCA, facendo Quasi COME Bene COME P-sp linee, Ma non abbastanza. Poi Noi Avere piccole onde. Erano Veramente raccolta su IL picchi IL migliore. In Questo particolare dati impostato, suo non montaggio loro perfettamente, Ma Noi volevo pensare guardare A diagnostica, IL ondina modello È decisamente IL uno Noi volevo Volere A andare con.
Ancora, Noi Avere questi cinque diverso ondina modello tipi, E Che cosa erano andando A Fare È BENE adatto Tutto questi per Voi COSÌ Quello Voi non Avere A preoccupazione Di raccolta E scegliendo. Al di fuori Di IL Le sue onde, Tutto Di IL altro ondina tipi Avere a parametro. Noi Avere a griglia Quello Noi Sono andando A ricerca Sopra per Voi In aggiunta A IL tipo.
Ora Esso Maggio Essere possibile Quello Là Sono Alcuni casi Dove utenti Avere disse, EHI, Questo particolare ondina tipo È esattamente Come Mio dati Dovrebbe Essere rappresentato, COSÌ Voi Potere modifica IL predefinito modello, Ma di predefinito, erano andando A scegliere IL modello questo è andando A ottimizzare Questo modello selezione criteri, IL AISC. Veramente Che cosa Voi Potere pensare Di Qui È Là Potevo Essere potenzialmente a quantità Di parametri In ogni uno Di questi ondina modelli. Erano efficacemente usando a Lazo modello A Tentativo A rimuovere fuori Qualunque parametri Quello Veramente Appena non sono montaggio IL dati. Noi Ottenere a sparso rappresentazione, NO questione IL ondina modello. Noi sega Questo prima Dove Noi Avere A Avere Nostro dati SU IL griglia. Suo IL Stesso cosa con piccole onde. Se Voi Appena inizio andando Attraverso IL ondina modelli E tuo dati Sono non SU IL griglia, BENE creare uno per Voi. Ma Ancora, Appena ricercato A punto fuori Voi Potere utilizzo Quello ridurre griglia opzione A Avere più fine controllare.
Va bene, COSÌ qualcosa altro Quello Noi spettacolo Quello Potere aiuto Dare Voi Alcuni intuizione in Come questi modelli lavoro È Questo coefficiente complotto. Che cosa suo raccontare noi È Questo X asse È IL normale X Di IL ingresso spazio Di tuo funzione, Ma IL Y asse È IL risoluzione. Questi superiore risoluzioni Qui, tu sei pensiero Di complessivamente significa. COME Noi Ottenere in questi alto risoluzioni, questi Sono IL cose Quello Sono accadendo Veramente vicino insieme. A rosso linea significa suo a negativo coefficiente. Blu significa suo positivo. Loro sono ridimensionato COSÌ Quello loro sono Tutto interpretabile contro ogni altro. IL più grande linee Dare Voi IL idea Dove IL più grande coefficienti Sono. Noi Potere Vedere Quello IL più alto frequenza elementi Sono Veramente Qui A IL FINE Di IL funzione. Noi Avere Alcuni complessivamente tendenze, Ma Appena qualcosa A pensare Di Quello questi ondina modelli Sono guardare A diverso risoluzioni Di tuo dati.
Qualcosa altro Quello noi abbiamo aggiunto Prima Noi Ottenere A Nostro dimostrazione con Argilla È ondette DOE. In FDE, Noi Avere a funzionale DOE Quello È lavorando con funzionale principale componenti. Se Voi non Sapere quelli Sono, questo è Va bene. Tutto Voi Bisogno A Sapere È Quello con ondette, Noi Avere coefficienti per Tutto Di questi ondina funzioni. In Questo DOE analisi, erano pensiero Di modellazione IL coefficienti direttamente. IL risoluzione racconta Voi UN idea Di Se suo a alto- frequenza articolo O Basso- frequenza articolo. Poi Questo numero In IL parentesi È raccontare Voi IL posizione. Voi Potere pensare, Va bene, questi elementi Qui Sono In IL tre, E questo è Dove Alcuni Di Quello più alto caratteristiche erano Quello Noi sega In Quello coefficiente complotto. Quelli Avere Che cosa erano chiamando IL più alto energia.
Energia In Questo caso È Appena... Se Noi punto Tutto IL coefficienti, Noi aggiungere loro su, Voi Potere pensare Di Quello essendo COME IL totale energia. COSÌ Questo energia numero Qui È a relativo energia E dare Voi UN idea Di Come tanto energia Esso È spiegando In IL dati. IL Carino cosa Veramente Di usando IL coefficiente approccio È questi Avere diretto interpretazione Giusto A IL posizione E A IL risoluzione. UN alternativa Quello Voi Potere Tentativo E confrontare contro funzionale PCA O funzionale DOE Se Voi Avere Questo interpretabilità Di IL coefficienti. Ora I pensare Malato mano Esso Sopra A Argilla. Lui è avuto a dimostrazione per Voi A Vedere Come Voi utilizzo questi modelli In JMP Professionista.
Grazie, Ryan. Andiamo Prendere a Aspetto A UN esempio Quello Noi trovato. Ryan menzionato brevemente IL oliva olio dati impostato Quello Noi trovato. Suo a campione Di 120 diverso oli. Maggior parte Di loro Sono oliva oli, Alcuni Di loro Sono miscele O verdura oli. Che cosa Noi ricercato A Vedere È, Potere Noi utilizzo Questo alto- prestazione liquido cromatografia dati? Potere Noi utilizzo Quello informazioni A classificare IL olio? Potere Noi Aspetto A IL spettrale Dire Questo È UN oliva olio O Questo È non UN oliva olio?
Questi dati venni fuori Di a studio da a università In Spagna, E Ryan E I imparato a quantità Di oliva olio In IL processo. Per esempio, oliva olio È In realtà a frutta succo, Quale I fatto non Sapere. Andiamo Prendere a Aspetto A Nostro dati. Ogni riga In Nostro dati impostato È a diverso oliva olio O altro olio, E IL righe rappresentare IL spettri. BENE utilizzo IL Funzionale Dati Esploratore, E lo farà Prendere Appena a secondo A adatto IL ondina modelli. Y tu sarai Vedere Qui, Noi adatto Nostro diverso piccole onde. COME Ryan menzionato prima, Noi Tentativo a manciata Di diverso ondette E Noi Dare Voi IL migliore uno.
In Questo caso, IL Simlet 20 era IL migliore ondina In termini Di Come BENE Esso si adatta Nostro dati. Noi Potere Vedere Qui Dove noi abbiamo sovrapposto questi montato ondette con IL dati Quello Questo ondina modello si adatta Veramente BENE. L e di Dire Voi avevo a preferito ondina funzione Quello Voi ricercato A utilizzo Invece, Voi Potere Sempre clic in giro In Questo rapporto E lo farà aggiornamento Quale ondina erano utilizzando. Se Noi ricercato IL Simlet 10 Invece, Tutto Voi Avere A Fare È clic SU Questo riga In IL tavolo, E BENE interruttore A IL Simlet 10 Invece. Andiamo andare Indietro A IL 20 E BENE Prendere a Aspetto A Nostro coefficienti.
In IL ondina rapporto, Noi Avere Questo tavolo Di ondina coefficienti. COME Ryan era detto prima, questi Dare noi informazioni Di Dove IL picchi Sono In IL dati. IL ulteriore ondina, Noi pensare Di Quello Piace UN intercettare, COSÌ questo è Piace UN complessivamente Significare. Poi ogni uno Di questi ondina coefficienti con a risoluzione È... Esso linee su con a diverso parte Di IL funzione. Questo risoluzione uno È IL più basso frequenza risoluzione, E Esso va Tutto IL modo su A risoluzione 12. Questi Sono tanto più alto frequenza risoluzioni.
COME Voi Potere Vedere, noi abbiamo azzerato a quantità Di questi fuori. In fatto, Questo Totale bloccare Di ondina coefficienti È azzerato fuori. Quello Appena va A spettacolo Quello erano levigatura. Se Noi usato Tutto Di questi risoluzioni, Esso volevo ricreare IL funzione perfettamente, Ma Noi zero loro fuori E Quello dà noi a tanto più liscio funzione. Noi adatto IL ondina modello A Nostro spettrale E Noi pensare Noi Avere a Bene modello. Andiamo Prendere questi coefficienti E erano andando A utilizzo questi A predire se O non UN olio È oliva olio. Io ho avuto Quello In a diverso dati impostato.
Ora Io ho importato Tutto Di quelli ondina coefficienti in a nuovo dati impostato E Io ho combinato Esso con Che cosa tipo Di olio Esso È. Suo O oliva olio O suo altro, E noi abbiamo avuto Tutto Di questi ondina coefficienti Quello erano andando A utilizzo A predire Quello. IL modo Noi Fare Quello È usando IL generalizzato regressione piattaforma. Erano andando A modello IL tipo usando Tutto Di Nostro diverso ondina coefficienti. Da suo a binario risposta, Noi scegliere IL binomiale distribuzione, E erano interessato In modellazione IL probabilità Quello UN olio È oliva olio. Perché Noi non Volere A utilizzo Tutto Di quelli ondina coefficienti, erano andando A utilizzo IL Lazo A Fare variabile selezione.
Ora noi abbiamo usato IL Lazo E noi abbiamo avuto a modello con Appena 14 parametri. Di Tutto Di quelli ondina coefficienti Quello Noi considerato per Nostro modello, Noi soltanto Veramente necessario 14 Di loro. Noi Potere Prendere a Aspetto, noi abbiamo azzerato fuori a quantità Di quelli ondina coefficienti. Andiamo Prendere a Aspetto A IL confusione matrice. Utilizzando Nostro modello, Noi In realtà perfettamente previsto se O non uno Di questi oli È UN oliva olio O suo qualcosa altro. Questo è bello Bene. Noi preso Nostro ondina coefficienti E Noi selezionato IL 13 maggior parte importante Perché uno Di quelli 14 parametri È IL intercettare. Noi soltanto necessario 13 Di quelli ondina coefficienti A predire Quale olio Noi avevo.
In fatto, Noi Potere Prendere a Aspetto A Dove quelli ondina coefficienti autunno SU Nostro funzione. Che cosa Noi Avere Qui È Noi Avere IL media oliva olio spettralina blu E IL altro oli In rosso, E ogni Di quelli tratteggiato linee linee su con IL coefficienti Quello Noi usato. Alcuni Di questi Veramente Fare a quantità Di senso. Per esempio, ecco uno Di IL ondina coefficienti Quello È importante, E Voi Potere Vedere Quello c'è a grande differenza In IL oliva olio traccia E IL altro olio.
Allo stesso modo, Sopra Qui, Noi Potere Vedere Quello c'è a grande differenza fra IL due Là. Voi Potere Aspetto Attraverso E Vedere Quello a quantità Di questi posizioni Veramente Fare Fare senso. Esso fa senso Quello Noi Potere utilizzo Quello parte Di IL curva A discriminare fra IL diverso tipi Di olio. Noi Appena Pensiero Quello era a Veramente Freddo esempio Di usando ondette A predire qualcosa altro. Non Quello oliva olio non è divertimento, Ma Ryan E I Entrambi Avere giovane bambini E erano Entrambi grande fan Di IL mondo.
Noi Anche trovato a nuovo mondo dati impostato Dove qualcuno avevo registrato Aspettare volte per uno Di IL popolare giostre A Disney Mondo. Suo chiamato IL Sette Nani Mente Treno . Suo a rullo montagne russe A Disney Mondo. Qualcuno avevo registrato Aspettare volte per tutto IL giorno per parecchi anni Di valore Di dati. I Anche menzionato questi Sono a sottoinsieme Di IL dati. Uno Di IL problemi È IL parchi Sono aprire per diverso quantità Di tempo ogni giorno, E Alcuni Di IL osservazioni Sono mancante. Noi sottoinsieme Esso giù E avuto Esso A a Di più gestibile dati impostato. I volevo Dire Quello Questo esempio È ispirato di vero dati, Ma suo non esattamente vero dati una volta Noi massaggiato Esso a poco morso.
Se Noi grafico Nostro dati, Noi Potere Vedere... IL orizzontale asse Qui È IL tempo Di giorno, E IL verticale asse È IL Aspettare tempo. In IL mezzo Di IL giorno, IL Aspettare tempo per Questo passeggiata tende A Essere IL più alto. Noi Potere Aspetto in giro A diverso giorni Di IL settimana. Domenica, Lunedi È a poco morso Di più Occupato. Martedì È a poco meno Occupato, Sabato È IL maggior parte Occupato. Noi Potere Fare IL Stesso cosa guardare A IL anni. Questo È 2015, 2016, 2017. Esso sembra Piace ogni anno suo ottenere più lungo E più lungo Aspettare volte Fino a qualcosa succede In 2021. I pensare Noi Tutto Sapere Perché Aspettare volte A UN divertimento parco volevo Essere meno In 2021. Noi abbiamo avuto UN idea Quello Voi Potere utilizzo Questo informazioni, Piace giorno Di IL settimana, anno E mese, A predire Che cosa Quello Aspettare tempo curva Volere Aspetto Piace. Andiamo Vedere Come Noi Fare Quello In FDE.
Malato Appena correre Mio sceneggiatura Qui. Che cosa noi abbiamo Fatto È BENE Venire A IL menu E chiedere A adatto Nostro ondina modello. Esso prende Appena a secondo, Ma Veramente non Quello lungo A adatto parecchi anni Di valore Di dati. Questo tempo erano non usando IL Simlet più. Erano usando Questo Daubechies ondina funzione. Che cosa Ryan menzionato prima era IL ondina DOE caratteristica. Ora, Che cosa I non l'ha fatto spettacolo era Quello noi abbiamo Anche caricato tempo Di IL giorno Di IL settimana E IL anno E IL mese In IL FDE. Erano andando A utilizzo quelli variabili A predire IL ondina coefficienti. Andiamo andare A IL rosso triangolo menu E BENE chiedere per ondina DOE.
Ora, Che cosa È accadendo dietro IL scene È erano usando giorno Di IL settimana, mese, E anno A predire quelli ondina coefficienti, E Poi Noi Mettere Esso Tutto Indietro insieme COSÌ Quello Noi Potere Vedere Come IL previsto Aspettare tempo cambiamenti COME a funzione Di quelli supplementare variabili. Ora, Di corso, Noi riassumere Esso In a Carino profilatore. Noi Potere Veramente velocemente Vedere IL effetti Di mese. Se erano Appena andando di IL media Aspettare tempo Di Questo particolare passeggiata, Noi Potere Vedere Quello settembre tende A Avere IL più basso Aspettare tempo. Noi Potere Veramente velocemente Vedere IL COVID effetto. IL Aspettare volte erano Qui In 2019, E Poi Quando Noi andato inoltrare A 2020, Essi Veramente caduto. Voi Potere Aspetto in giro A Vedere Quale giorno Di IL settimana tende A Essere meno Occupato, Quale mesi sono meno occupato. Io è Veramente a Freddo modo A Aspetto A Come questi Aspettare volte modifica COME a funzione Di diverso fattori. Grazie Voi per guardando. Questo è Tutto Noi avere per Oggi E Noi Speranza tu lo farai Dare IL ondina caratteristiche In FDE a Tentativo. Grazie.
