こんにちは、 みんな。 ありがとう のために 来る に 私たちの ビデオ。 私の 名前 は ライアン パーカー、 そして 今日 私は 行く に 現在 と 粘土 バーカー について いくつかの 新しい ツール それ 私たちは 持っている 追加した に 分析する スペクトル データ と その 機能的 データ エクスプローラ で ジャンプ プロ 17. 初め、 I ただ 望んでいた に 始める オフ と いくつかの の その やる気を起こさせる データ セット それ 導かれた 私たち に 追加 これら 新しい ツール。 彼らは 本当に やる気のある による これら ケモメトリックス アプリケーション、 できる 絶対に なれ 適用済み に 他の 地域、 しかし のために 例、 私たちは 持っている これ 分光法 データ どこ その 初め もの あなた かもしれない 知らせ と これ は 私たちは 得た a 多く の データ ポイント サンプリングされた、 しかし 私たちは また 持っている いくつかの とても シャープ ピーク で 私たちの データ。 それは 行く に なれ a 定期的な テーマ どこ 私たちは 持っている a 必要 に 本当に 識別する これら シャープ 特徴 それ その 既存 ツール 私たちは 持っている で ジャンプ は a 少し 難しい に 本当に 捕獲 それらの。 のために 例、 だった 考え について 構成 の 材料 または どうやって 私たちは できる 検出する バイオマーカー そして データ。 これら は 三つ 分光学的 例 それ 良い 見て で。
別の 例 の データ それ は の 興味 は これ 質量 分光法 データ。 ここ だった 考え について a 質量 に 充電 比率 それ 私たちは できる 使用 に 構築する a スペクトラム どこ その ピーク で その スペクトラム、 彼らは 代表する タンパク質 それ は の 興味 で その エリア の 応用。 1つ 例 は 比較する これら スペクトル 間 違う 患者、 言う a 忍耐強い と 癌 または a 忍耐強い それなし、 そして その 位置 の これら タンパク質 は とても 重要 に 識別する 違い で これら 二 グループ。
別の 例 は クロマトグラフィー データ。 ここ 私たちは できる 考える について だった 使用して いくつかの 化学薬品 混合 以上、 だった 使用して a 材料 それは 行く に ヘルプ 私たち 定量化する 相対的 金額 の その 様々な コンポーネント それ は で これら 混合物。 による 使用して その 保持 時間 で これ プロセス、 私たちは できる 試す に 識別する その 違う コンポーネント。 のために 例、 もし あなた しなかった 知る これ、 I だった ない わかっている それまで I 開始 に 仕事 と これ データ、 試して に なりすます オリーブ 油 は a 大きい 取引。 私たちは できる 使用 これら データ セット に 形 外、 わかった、 何ですか a 真実 オリーブ 油、 または 何ですか ただ いくつかの 他の 野菜 油 それ 誰か かもしれない なれ 試して に 合格 オフ として 一つの オリーブ 油？
その 初め もの I 欲しい に する は 行く を通して いくつかの の その 新しい 前処理 オプション それ 私たちは 追加した に ヘルプ 仕事 と スペクトル データ 前に 私たちは 得る に その モデリング ステージ。 私たちは 持っている a 新しい 道具 と呼ばれる その 標準 普通 バラエティ、 a 乗法 散らばる 修正 どこ あなた 持っている もし あなた 持っている ライト 散らばる で あなたの データ、 その サビツキー・ゴレイフィルタ どれの は その スムージング ステップ いつ あなた 持っている スペクトル データ それ 良い 得る の中へ。 ついに、 a 新しい 道具 に 実行する a ベースライン 修正 のために その データ に 取り除く トレンド それ あなたは ない 本当に 興味がある で それ あなた 欲しい に 得る 外 初め。
わかった、 それで 何ですか 標準 普通 変異体？ 現在 で JMP、 私たちは 持っている その 能力 に ただ 標準化する あなたの データ で FDE。 しかし いつ あなた 使用 それ 道具、 その ただ 服用 その 平均 の 全て の その 機能 そして a グローバル 分散 そして スケーリング それ それ 方法、 しかし と 標準 普通 変異体、 だった 考え について その 個人 手段 そして 差異 の それぞれ の その 機能 に 標準化する そして 取り除く それらの 効果 前に 私たちは 行く に 分析。 いつでも 私は の上 その 右 ここ、 後 パフォーマンス その 標準 普通 変異体、 私たちは できる 見る、 わかった、 そこには だった いくつかの 全体 手段 そして 今 彼らは 全て 一緒に そして どれでも 過剰 分散 は 撮影 外 前に 私たちは 行く に 分析。
掛け算 の 散らばる 修正 は その 次 ステップ、 そして その 一つの 代替 に 標準 普通 変異体。 で いくつかの 症例 あなたは 考え あなたは 行く に... いつでも あなた 使用 それ、 あなた 5月 終わり 上 と 似ている 結果。 その 違い ここ は その モチベーション のために 使用して 掛け算する の 散らばる 修正。 それは いつ あなた 持っている ライト 散らばる、 または あなた 考える あなた かもしれない 持っている ライト 散らばる なぜなら の その 方法 それ あなた 収集された その データ。
何 起こる は のために 毎 関数、 だった 行く に フィット これ 単純 リニア モデル どこ 私たちは 得た a スロープ そして 一つの 傍受、 そして だった 行く に 使用 それらの 推定 係数 に 今 標準化する 私たちの データ それ だった 行く に 仕事 と。 私たちは 減算する オフ その 傍受 そして 分ける による その スロープ、 そして 今 私たちは 持っている その 標準化された バージョン。 A 得、 あなた できる 終わり 上 と 似ている 結果 として 標準 普通 分散。
今 その 次 前処理 ステップ 私は 行く に カバー は その Savitzky–Golay フィルタ。 いつ あなた 持っている スペクトル データ、 前に 私たちは 得る に その モデリング ステージ、 その 新しい モデリング ツール 私たちは 持っている、 彼らは 発展した で そのような a 方法 それ 彼らは 試して に 選ぶ 上 全て その 重要 ピース の その データ。 もし あなた 持っている ノイズ、 私たちは 必要 に する a ステップ どこ 私たちは スムーズ それ 初め。 それは どこ その サビツキー・ゴレイフィルタ 来る で。 何 だった やっている は だった 行く に フィット 一つの 終わり- 程度 多項式 以上 a 指定された 帯域幅 それ 私たちは できる 選ぶ に ヘルプ 試す に 取り除く どれでも ノイズ から その データ。 で FDE、 現在、 だった 行く に 行く 先に そして 選択 それらの 最高 パラメータ のために あなた、 その 程度 そして その 幅 に 試す に 最小化 その モデル エラー それ 私たちは 得る。
1つ もの I する 欲しい に ポイント 外 は それ 私たちは する 必要とする a 通常 グリッド に 私たちに与えてください これ 手術、 どれの 意思 来る 上 また で その 未来、 しかし FDE は 行く に 作成する 1つ のために あなた。 私たちは また 持っている これ 減少 グリッド オプション 利用可能 もし あなた 欲しい より細かい コントロール 初め 前に あなた 頼る の上 私たち 作る それ 選択 のために あなた。 その ニース もの について これ サビツキー・ゴレイフィルタ は なぜなら の その 方法 その モデル は フィット、 私たちは 今 持っている アクセス に デリバティブ。 これ は 何か それ もっている 来る 上 前 に スペクトル データ、 そして 今 それ 私たちは 持っている これ、 私たちは 得た a ニース 方法 のために あなた に アクセス そして 仕事 と モデリング これら 派生的な 機能。
その 最後 1つ I 欲しい に カバー は その ベースライン 修正。 何 ベースライン 修正 は やっている は その 考え について そこには かもしれない なれ 全体 トレンド で 私たちの データ それ 私たちは 欲しい に 得る 取り除く の。 これ データ セット の上 その 右 もっている ただ a とても 小さい 違い のように リニア 違い で その 機能。 何 だった 考え について は、 わかった、 私たちは しない 本当に 欲しい に ケア について それ、 私たちは 欲しい に 得る 取り除く の それ。 何 これ 道具 は 行く に 許可する あなた に する は 選択 その ベースライン モデル それ あなた 欲しい。私は n これ 場合、 その ただ a 本当に 単純 リニア モデル、 しかし あなた 5月 持っている いくつかの どこ あなたは 得た 指数関数 または 対数 トレンド それ あなた 欲しい に 得る 取り除く の。 そして それで 私たちは 持っている それ 利用可能。 それから あなた できる 選択 あなたの 修正 地域。
のために その ほとんど 一部、 あなたは 行く に 欲しい に 正しい その 全体 関数、 しかし それ 5月 なれ 可能 それ 多分 のみ その 始まり または その 終わり の その 関数 は どこ あなた 欲しい に 正しい。 私たちは 終わり 上 と これら ベースライン 地域 それ は これら 青 行。 もし 私たちは クリック これ 追加 ボタン、 それは 与える 私たち a ペア の 青 行。 だった 行く に ドラッグ これら その周り に 部品 の その 関数 それ 私たちは 信じる は 本物。 全て その ピーク で これら データ は 何か それ 私たちは しない 本当に 欲しい に 触る。 これ は その 一部 の その 機能 それ 私たちは 欲しい に 保つ そして 分析する そして は 行く に 与える その 情報 それ だった 興味がある で。 また もし あなた 選択 これ 内で 地域、 何でも それは 内で これら 地域 は 何 意思 得る 修正しました。 あなたは どちらか 行く に する 1つ または その 他の、 右？ あなたは 行く に どちらか 離れる それ 一人で または あなたは 行く に 変化 のみ 内で それ で それらの データ セットします。
ついに、 あなた しない 見る それ ここ、 しかし あなた できる また 追加 アンカー ポイント。 それ 5月 なれ、 依存する の上 あなたの データ、 簡単 に ただ 特定 a 少し ポイント それ あなた 知る これ 説明する その 全体 傾向。 いつ あなた クリック 追加、 あなたは 得る a 赤 ライン、 そして それは 行く に 教えて あなた これ、 どこでも I ドラッグ それ ライン、 その 絶対に 行く に なれ 含まれる で その モデル 前に I 正しい その ベースライン。 いつ あなた クリック わかった ここ、 あなたは ただ 終わり 上 と a 新しい データ セット それ もっている その 傾向 削除されました。
わかった、 それで それ もたらす 私たち に その モデリング ステージ。 何 私たちは 追加した のために ジャンプ プロ 17 は ウェーブレット モデル。 わかった、 それで 何 は ウェーブレット モデルですか？ 彼らは は 基礎 関数 モデル、 ない のように 何でも 私たちは 持っている 現在 で JMP、 しかし 彼らは できる 持っている とても 劇的 特徴。 何 これら 特徴 は やっている は 助ける 私たち 選ぶ 上 これら シャープ ピーク または これら 大きい 変更 で その 関数。 私たちは また 持っている その 単純 彼女 ウェーブレット、 どれの は ただ a ステップ 関数。 もし それ ターン 外 それ 何か 本当に 単純 は のように その ステップ 関数 フィット 最高、 私たちは 意思 与える あなた それ として 良い。 あなた できる 見る 私たちは 持っている a 少し 違う オプション それ は 本当に... もし あなた 考える について 曲げ これら ウェーブレット そして ストレッチ 彼ら 外、 それは どうやって 私たちは は モデリング その データ に 本当に 選ぶ 上 全て これら 特徴 の 興味。
に ただ やる気を起こさせる それ、 I 欲しい に 見せる あなた その 現在 行く- に で JMP、 どれの は a B- スプライン モデル、 どれの もっている a とても 難しい 時間 ピッキング 上 の上 これら 特徴 それなし どれでも 手- チューニング。 B- スプライン モデル は やっている a 少し 少し より良い。 それ まだ もっている いくつかの 問題 ピッキング 上 その ピーク、 しかし それ かもしれない で いくつかの 方法 なれ その 最高。 直接 機能的 PCA、 やっている ほとんど として 良い として P-sp 線、 しかし ない とても。 それから 私たちは 持っている ウェーブレット。 だった 本当に ピッキング 上 その ピーク その 最高。 で これ 特定の データ セット、 その ない フィッティング 彼ら 完璧に、 しかし 私たちは だろう 考える 見ている で 診断、 その ウェーブレット モデル は 絶対に その 1つ 私たちは だろう 欲しい に 行く と。
また、 私たちは 持っている これら 五 違う ウェーブレット モデル 種類、 そして 何 だった 行く に する は 良い フィット 全て これら のために あなた それで それ あなた しない 持っている に 心配 について ピッキング そして 選択する。 外 の その 彼女の波紋、 全て の その 他の ウェーブレット 種類 持っている a パラメータ。 私たちは 持っている a グリッド それ 私たちは は 行く に 検索 以上 のために あなた で 追加 に その タイプ。
今 それ 5月 なれ 可能 それ そこには は いくつかの 症例 どこ ユーザー 持っている 言った、 おい、 これ 特定の ウェーブレット タイプ は その通り どうやって 私の データ すべき なれ 代表される、 それで あなた できる 変化 その デフォルト モデル、 しかし による デフォルト、 だった 行く に 選ぶ その モデル それは 行く に 最適化する これ モデル 選択 基準、 その AISC。 本当に 何 あなた できる 考える について ここ は そこには できた なれ 潜在的に a 多く の パラメータ で 毎 1つ の これら ウェーブレット モデル。 だった 効果的に 使用して a ラッソ モデル に 試す に 取り除く 外 どれでも パラメータ それ 本当に ただ ない フィッティング その データ。 私たちは 得る a まばらな 表現、 いいえ 案件 その ウェーブレット モデル。 私たちは 見た これ 以前 どこ 私たちは 持っている に 持っている 私たちの データ の上 その グリッド。 その その 同じ もの と ウェーブレット。 もし あなた ただ 始める 行く を通して その ウェーブレット モデル そして あなたの データ は ない の上 その グリッド、 良い 作成する 1つ のために あなた。 しかし また、 ただ 望んでいた に ポイント 外 あなた できる 使用 それ 減らす グリッド オプション に 持っている より細かい コントロール。
わかった、 それで 何か それ以外 それ 私たちは 見せる それ できる ヘルプ 与える あなた いくつかの 洞察力 の中へ どうやって これら モデル 仕事 は これ 係数 プロット。 何 その 伝える 私たち は これ X 軸 は その 普通 X の その 入力 空間 の あなたの 関数、 しかし その Y 軸 は その 解決。 これら トップ 決議 ここ、 あなたは 考え について 全体 手段。 として 私たちは 得る の中へ これら 高い 決議、 これら は その もの それ は ハプニング 本当に 近い 一緒に。 A 赤 ライン 手段 その a ネガティブ 係数。 青 手段 その ポジティブ。 彼らは スケール それで それ 彼らは 全て 解釈可能な に対して それぞれ 他の。 その 最大 線 与える あなた その アイデア どこ その 最大 係数 は。 私たちは できる 見る それ その より高い 頻度 アイテム は 本当に ここ で その 終わり の その 関数。 私たちは 持っている いくつかの 全体 トレンド、 しかし ただ 何か に 考える について それ これら ウェーブレット モデル は 見ている で 違う 決議 の あなたの データ。
何か それ以外 それ 私たちは 追加した 前に 私たちは 得る に 私たちの デモ と 粘土 は ウェーブレット DOE。 で FDE、 私たちは 持っている a 機能的 DOE それ は 働く と 機能的 主要 コンポーネント。 もし あなた しない 知る それらの は、 それは わかった。 全て あなた 必要 に 知る は それ と ウェーブレット、 私たちは 持っている 係数 のために 全て の これら ウェーブレット 機能。 で これ DOE 分析、 だった 考え について モデリング その 係数 直接。 その 解決 伝える あなた 一つの アイデア の もし その a 高い- 頻度 アイテム または 低い- 頻度 アイテム。 それから これ 番号 で その 括弧 は 伝える あなた その 位置。 あなた できる 考える、 わかった、 これら アイテム ここ は で その 3つ、 そして それは どこ いくつかの の それ 最高 特徴 だった それ 私たちは 見た で それ 係数 プロット。 それらの 持っている 何 だった 呼び出し その 最高 エネルギー。
エネルギー で これ 場合 は ただ... もし 私たちは スコア 全て その 係数、 私たちは 追加 彼ら 上、 あなた できる 考える の それ いる として その 合計 エネルギー。 それで これ エネルギー 番号 ここ は a 相対的 エネルギー そして 与える あなた 一つの アイデア の どうやって 多くの エネルギー それ は 説明 で その データ。 その ニース もの 本当に について 使用して その 係数 アプローチ は これら 持っている 直接 解釈 右 に その 位置 そして に その 解決。 アン 代替 それ あなた できる 試す そして 比較する に対して 機能的 PCA または 機能的 DOE もし あなた 持っている これ 解釈可能性 の その 係数。 今 I 考える 病気 手 それ 以上 に 粘土。 彼は 得た a デモ のために あなた に 見る どうやって あなた 使用 これら モデル で ジャンプ プロ。
ありがとう、 ライアン。 さあ 取る a 見て で 一つの 例 それ 私たちは 見つかった。 ライアン 言及された 簡単に その オリーブ 油 データ セット それ 私たちは 見つかった。 その a サンプル の 120 違う オイル。 ほとんど の 彼ら は オリーブ オイル、 いくつかの の 彼ら は ブレンド または 野菜 オイル。 何 私たちは 望んでいた に 見る は、 できる 私たちは 使用 これ 高い- パフォーマンス 液体 クロマトグラフィー データ？ できる 私たちは 使用 それ 情報 に 分類する その 油？ できる 私たちは 見て で その スペクトラランド 言う これ は 一つの オリーブ 油 または これ は ない 一つの オリーブ 油？
これら データ 来た 外 の a 勉強 から a 大学 で スペイン、 そして ライアン そして I 学んだ a 多く について オリーブ 油 で その プロセス。 のために 例、 オリーブ 油 は 実は a フルーツ ジュース、 どれの I した ない 知る。 さあ 取る a 見て で 私たちの データ。 それぞれ 行 で 私たちの データ セット は a 違う オリーブ 油 または 他の 油、 そして その 行 代表する その スペクトル。 良い 使用 その 機能的 データ エクスプローラ、 そして それは 取る ただ a 2番 に フィット その ウェーブレット モデル。 Y あなたは 見る ここ、 私たちは フィット 私たちの 違う ウェーブレット。 として ライアン 言及された 以前、 私たちは 試す a 一握り の 違う ウェーブレット そして 私たちは 与える あなた その 最高 1つ。
で これ 場合、 その シムレット 20 だった その 最高 ウェーブレット で 条項 の どうやって 良い それ フィット 私たちの データ。 私たちは できる 見る ここ どこ 私たちは 重ね合わせた これら フィット ウェーブレット と その データ それ これ ウェーブレット モデル フィット 本当に 良い。 L そしての 言う あなた 持っていた a 好ましい ウェーブレット 関数 それ あなた 望んでいた に 使用 その代わり、 あなた できる いつも クリック その周り で これ 報告 そして それは アップデート どれの ウェーブレット だった 使用しています。 もし 私たちは 望んでいた その シムレット 10 その代わり、 全て あなた 持っている に する は クリック の上 これ 行 で その テーブル、 そして 良い スイッチ に その シムレット 10 その代わり。 さあ 行く 戻る に その 20 そして 良い 取る a 見て で 私たちの 係数。
で その ウェーブレット 報告、 私たちは 持っている これ テーブル の ウェーブレット 係数。 として ライアン だった 言って 以前、 これら 与える 私たち 情報 について どこ その ピーク は で その データ。 その さらに遠く ウェーブレット、 私たちは 考える について それ のように 一つの 傍受、 それで それは のように 一つの 全体 平均。 それから 毎 1つ の これら ウェーブレット 係数 と a 解決 は... それ 線 上 と a 違う 一部 の その 関数。 これ 解決 1つ は その 最低 頻度 解決、 そして それ 行く 全て その 方法 上 に 解決 12. これら は 多くの より高い 頻度 決議。
として あなた できる 見る、 私たちは ゼロ化された a 多く の これら 外。 で 事実、 これ 全体 ブロック の ウェーブレット 係数 は ゼロ化された 外。 それ ただ 行く に 見せる それ だった スムージング。 もし 私たちは 使用済み 全て の これら 決議、 それ だろう 再作成する その 関数 完璧に、 しかし 私たちは ゼロ 彼ら 外 そして それ 与える 私たち a 多くの より滑らか 関数。 私たちは フィット その ウェーブレット モデル に 私たちの スペクトル そして 私たちは 考える 私たちは 持っている a 良い モデル。 さあ 取る これら 係数 そして だった 行く に 使用 これら に 予測する かどうか または ない 一つの 油 は オリーブ 油。 私は 得た それ で a 違う データ セット。
今 私は 輸入 全て の それらの ウェーブレット 係数 の中へ a 新しい データ セット そして 私は 組み合わせた それ と 何 タイプ の 油 それ は。 その どちらか オリーブ 油 または その 他の、 そして 私たちは 得た 全て の これら ウェーブレット 係数 それ だった 行く に 使用 に 予測する それ。 その 方法 私たちは する それ は 使用して その 一般化された 回帰 プラットフォーム。 だった 行く に モデル その タイプ 使用して 全て の 私たちの 違う ウェーブレット 係数。 以来 その a バイナリ 応答、 私たちは 選ぶ その 二項式 分布、 そして だった 興味がある で モデリング その 確率 それ 一つの 油 は オリーブ 油。 なぜなら 私たちは しない 欲しい に 使用 全て の それらの ウェーブレット 係数、 だった 行く に 使用 その ラッソ に する 変数 選択。
今 私たちは 使用済み その ラッソ そして 私たちは 得た a モデル と ただ 14 パラメータ。 の 全て の それらの ウェーブレット 係数 それ 私たちは 考慮された のために 私たちの モデル、 私たちは のみ 本当に 必要 14 の 彼ら。 私たちは できる 取る a 見て、 私たちは ゼロ化された 外 a 多く の それらの ウェーブレット 係数。 さあ 取る a 見て で その 混乱 マトリックス。 使用 私たちの モデル、 私たちは 実は 完璧に 予測された かどうか または ない 1つ の これら オイル は 一つの オリーブ 油 または その 何か それ以外。 それは かわいい 良い。 私たちは 取った 私たちの ウェーブレット 係数 そして 私たちは 選択された その 13 ほとんど 重要 なぜなら 1つ の それらの 14 パラメータ は その 傍受する。 私たちは のみ 必要 13 の それらの ウェーブレット 係数 に 予測する どれの 油 私たちは 持っていた。
で 事実、 私たちは できる 取る a 見て で どこ それらの ウェーブレット 係数 秋 の上 私たちの 関数。 何 私たちは 持っている ここ は 私たちは 持っている その 平均 オリーブ 油 スペクトラリン 青 そして その 他の オイル で 赤、 そして それぞれ の それらの 破線 線 線 上 と その 係数 それ 私たちは 使用済み。 いくつかの の これら 本当に 作る a 多く の センス。 のために 例、 ここは 1つ の その ウェーブレット 係数 それ は 重要、 そして あなた できる 見る それ そこには a 大きい 違い で その オリーブ 油 トレース そして その 他の 油。
同じく、 以上 ここ、 私たちは できる 見る それ そこには a 大きい 違い 間 その 二 そこには。 あなた できる 見て を通して そして 見る それ a 多く の これら 場所 本当に する 作る センス。 それ 作る センス それ 私たちは できる 使用 それ 一部 の その 曲線 に 差別する 間 その 違う 種類 の 油。 私たちは ただ 考え それ だった a 本当に いいね 例 の 使用して ウェーブレット に 予測する 何か それ以外。 ない それ オリーブ 油 ない 楽しい、 しかし ライアン そして I 両方 持っている 若い 子供たち そして だった 両方 大きい ファン の その 世界。
私たちは また 見つかった a 新しい 世界 データ セット どこ 誰か 持っていた 記録された 待って 回 のために 1つ の その 人気のある 乗り物 で ディズニー 世界。 その と呼ばれる その セブン ドワーフ 心 電車 . その a ローラー コースター で ディズニー 世界。 誰か 持っていた 記録された 待って 回 全体を通して その 日 のために いくつかの 年 価値 の データ。 I また 言及された これら は a サブセット の その データ。 1つ の その 問題 は その 公園 は 開ける のために 違う 金額 の 時間 それぞれ 日、 そして いくつかの の その 観察 は ない。 私たちは サブセット それ 下 そして 得た それ に a もっと 扱いやすい データ セット。 I だろう 言う それ これ 例 は インスパイヤされた による 本物 データ、 しかし その ない その通り 本物 データ 一度 私たちは マッサージ それ a 少し 少し。
もし 私たちは グラフ 私たちの データ、 私たちは できる 見る... その 水平 軸 ここ は その 時間 の 日、 そして その 垂直 軸 は その 待って 時間。 で その 真ん中 の その 日、 その 待って 時間 のために これ 乗る 傾向がある に なれ その 最高。 私たちは できる 見て その周り で 違う 日数 の その 週。 日曜日、 月曜日 は a 少し 少し もっと 忙しい。 火曜日 は a 少し 少ない 忙しい、 土曜日 は その ほとんど 忙しい。 私たちは できる する その 同じ もの 見ている で その 年。 これ は 2015年、 2016年、 2017年。 それ 見た目 のように 毎 年 その 取得 より長い そして より長い 待って 回 それまで 何か 起こる で 2021年。 I 考える 私たちは 全て 知る なぜ 待って 回 で 一つの アミューズメント 公園 だろう なれ 少ない で 2021年。 私たちは 得た 一つの アイデア それ あなた できる 使用 これ 情報、 のように 日 の その 週、 年 そして 月、 に 予測する 何 それ 待って 時間 曲線 意思 見て のように。 さあ 見る どうやって 私たちは する それ で FDE。
病気 ただ 走る 私の スクリプト ここ。 何 私たちは 終わり は 良い 来る に その メニュー そして 聞く に フィット 私たちの ウェーブレット モデル。 それ かかる ただ a 2番、 しかし 本当に ない それ 長さ に フィット いくつかの 年 価値 の データ。 これ 時間 だった ない 使用して その シムレット もう。 だった 使用して これ ドーブシー ウェーブレット 関数。 何 ライアン 言及された 以前 だった その ウェーブレット DOE 特徴。 今、 何 I しなかった 見せる だった それ 私たちは また ロード済み 時間 の その 日 の その 週 そして その 年 そして その 月 で その FDE。 だった 行く に 使用 それらの 変数 に 予測する その ウェーブレット 係数。 さあ 行く に その 赤 三角形 メニュー そして 良い 聞く のために ウェーブレット DOE。
今、 何 は ハプニング 後ろに その シーン は だった 使用して 日 の その 週、 月、 そして 年 に 予測する それらの ウェーブレット 係数、 そして それから 私たちは 置く それ 全て 戻る 一緒に それで それ 私たちは できる 見る どうやって その 予測された 待って 時間 変更 として a 関数 の それらの 補足 変数。 今、 の コース、 私たちは 要約する それ で a ニース プロファイラー。 私たちは できる 本当に 素早く 見る その 効果 の 月。 もし だった ただ 行く による その 平均 待って 時間 の これ 特定の 乗る、 私たちは できる 見る それ 9月 傾向がある に 持っている その 最低 待って 時間。 私たちは できる 本当に 素早く 見る その COVID 効果。 その 待って 回 だった ここ で 2019年、 そして それから いつ 私たちは 行った フォワード に 2020年、 彼らは 本当に 落とした。 あなた できる 見て その周り に 見る どれの 日 の その 週 傾向がある に なれ 少ない 忙しい、 どれの ヶ月 少ない 忙しい。私は tの 本当に a いいね 方法 に 見て で どうやって これら 待って 回 変化 として a 関数 の 違う 要因。 感謝 あなた のために 見ています。 それは 全て 私たちは 持っている 今日 そして 私たちは 希望 あなたは 与える その ウェーブレット 特徴 で FDE a 試す。 ありがとう。
