你好 每個人， 好的 到 見面 你。 我是 停留 總的 從 德之馨， 德國。 從 專業的， 我是 a 生物技術專家 和 我是 尋找 向前 為了 我的 推介會 為了 你。
你好 每個人。 我是 帳單 沃利。 I 是 a 跳轉 系統 工程師 在職的 出去 的 這 化學 領土 在 這 中央 地區 的 這 我們。
你好。 我的 姓名 是 彼得 赫什。 我是 部分 的 這 全球的 技術的 賦能 團隊， 在職的 為了 跳轉 出去 的 丹佛, 科羅拉多州。
彼得歡迎 到 我們的 推介會， 數據- 驅動 選擇 作為 a 第一的 步 為了 a 快速地 和 未來 -證明 過程 發展 . 第一的 I 想 到 介紹 這 公司 我是 在職的 為了。 我們 是 位於 在 霍爾茨明登, 更多的 或者 較少的 在 這 中心 的 德國， 和 那裡 是 二 站點 未來 從 我們的 歷史。
全球 看到， 我們 是 位於 和 這 總部 霍爾茨明登 . 我們 有 大的 子公司 在 彼得伯勒， 在 星星 保羅 和 在 新加坡， 和 那裡 是 相當 a 很多 的 設施 在 法國 也 未來 到期的 到 我們的 歷史。
未來 到 這 歷史， 德之馨 曾是 創建 在 2003 出去 的 a 合併 從 哈蒙 和 押韻者， 哪個 曾是 成立 在 1874年， 在 德拉戈， 哪個 是 這 其他 邊， 從 我們的 設施， 哪個 曾是 已確立的 1990年。 超過 這 年 那裡 有 到過 相當 一些 收購 和 也 在 2014 這 獲得 的 戴安娜， 哪個 是 主要 位於 在 法國 因為 那是 這 原因 為什麼 那裡 是 所以 許多 不同的 研究 和 發展 集線器。
我們的 主要的 產品 來 從 農業 產品 或者 從 化學 流程 和 那裡 是 相當 a 很多 的 各種各樣的 生產 容量， 生產 可能性 為了 我們的 主要的 顧客 存在 人類 或者 寵物。 作為 是 所以 各種各樣的， 我們 是 處理 為了 食物 為了 這 人類 消耗， 為了 寵物 消耗， 和 也 為了 健康 好處。
在 這 其他 邊， 這 部分 香味 和 關心 是 處理 和 香水 未來 從 美好的 香水， 到 家庭 關心， 到 洗衣店 , 任何 事物 你 能 想像， 那 聞 很好。
作為 I 說 在 這 開始， 我是 a 生物技術專家 經過 訓練 和 我是 處理 a 很多 和 發酵 流程 到 最佳化 他們 和 到 規模 他們 向上 或者 向下。 一 主要的 問題 什麼時候 它 來 到 發酵 是 這 肉湯， 這 液體 作品 的 這 媒體， 哪個 將要 然後 餵食 這 生物。 不 事 哪個 生物體 那 是， 他們 需要 碳 來源， 他們 需要 氮 來源， 他們 需要 次要的 鹽， 主要的 鹽， pH 價值觀， 和 其他 事物。
它 是 常 重要的 哪個 種類 的 媒體 一 有。 什麼時候 它 來 到 媒體 作品， 那裡 是 二 大的 分支 哪個 能 是 見過。 一 是 這 分支 的 合成的 媒體， 所以 全部 成分 是 已知 在 這 精確的 數量 和 作品。 這 其他 方式 是 複雜的 媒體， 為了 例子， 擁有 a 酵母菌 提煉 或者 a 蛋白質 提煉 或者 任何， 在哪裡 它是 a 複雜的 混合物 的 不同的 基材， 不同的 化學 物質。 這 第三 方法 會 是 a 混合物 的 兩個都。
一 的 這 邊 效果 的 這些 複雜的 媒體 是 那 它是 相當 簡單的 到 交易 和 他們。 但 在 這 其他 手， 那裡 能 是 憲法 變化 超過 時間， 作為 一些 供應商 傾向 到 最佳化 他們的 流程， 他們的 產品， 到 任何 地區， 到 任何 目標。 一些 顧客 得到 抓住 的 那些 變化， 一些 不。
其他 問題 可能 是 這 可用性 f 它是 a 自然的 產品 喜歡 [聽不清楚 00:04:38] 或者 任何。 你 可能 知道 一些 原料， 你 將要 一定 不是 知道 全部 原料 和 那裡 可能 是 推廣 或者 抑制 物質 之內 那些 混合物。
在 這 開始 的 a 過程 發展， 這 媒體 是 的 主要的 重要性。 所以 I 嘗試過 到 看 在 碳 來源， 氮 來源， 鹽， 痕跡 元素， 和 所以 在， 存在 我的 不同的 生的 材料。 儘管 生長 這 生物體， 一 有 到 拿 關心 的 不同的 溫度， 攪拌速度 到 得到 氧 進入 這 液體， 栽培 時間， 和 那裡 是 a 很多 的 未知 變數 到 得到 一個 主意 什麼 這 影響 可能 是 到 這 細胞 乾燥 重量， 為了 例子， 或者 到 這 不同的 目標 化合物 一 有 在 頭腦。
為了 這 設定, I 用過的 然後 這 確定的 篩檢 設計。 作為 這 最多 的 你 知道， 他們 是 相當 均衡 和 有 a 特別的 形狀 哪個 是 反映 在 這些 三- 維度 陰謀。 你 能 看 確定的 篩檢 設計 是 不知何故 行人徒步區 大約 肯定 邊緣 和 擁有 a 中心 觀點。 到期的 到 這 建造 的 這 確定的 篩檢 設計， 一 能 估計 互動 和 方塊 效果。 這些 互動 是 不是 困惑 和 這 主要的 因素 和 這 主要的 因素 本身 是 也 不是 困惑 和 每個 其他。 這 是 a 非常 好的 特徵 的 這 確定的 篩檢 設計 和 所以 他們 是 非常 高效率的 什麼時候 它 來 到 這 工作量 比較的 到 以前 已知 篩檢 設計。
一些 缺點 是 也 那裡。 一 大的 劣勢 是 如果 你 有 關於 50% 的 這 因素 那 是 在職的 那 有 a 高的 影響 或者 甚至 更多的， 你 有 a 重要的 影響， 重要的 令人困惑的是， 哪個 你 有 到 拿 關心 的。 在 這 特別的 案件， 雖然 它是 這 最瘦 可能的 設計 I 成立， 這 實際的 工作量 會 要求 五 到 六 個月 只是 為了 篩選。 這 是 遠的 也 長的 什麼時候 它 來 到 a 掌握 論文。
這 選擇 曾是 然後 到 建造 其他 設計 或者 到 建造 其他 過程。 I 曾是 所以 受到啟發 在 哥本哈根 2019 經過 a 貢獻 從 帳單 在哪裡 他 談論 關於 紅外線的 光譜學 和 I 想法 為什麼 那 可能 是 a 好的 主意， 使用 這 化學 資訊 隱 在 a 近紅外線 光譜 到 描述 這 化學 作品 的 這 混合物。
所以 I 已確立的 這 工作流程。 第一的， 這 媒體 準備 曾是 完畢 的 全部 這 65 混合物。 然後 這 靠近- 紅外線的 光譜 曾是 測量， 一些 化學計量學 治療 是 首選 和 然後， 這 空間 的 變化 可以 是 握住 持續的 在 a 最大限度， 但 這 數位 的 這 實驗 可以 是 減少 相當 顯著地。
到 展示 你 如何 這 工作流程 是， I 開始， 作為 I 說， 和 光譜 資訊. 一 的 這 第一的 原則 一 有 到 做 是 到 製作 a 標準化 的 這 光譜 到 避免 基線 輪班 和 事物 喜歡 那。 這 是 一 方式 到 製作 它。 介紹 a 新的 公式 到 標準化， 或者 什麼 I 做過， I 用過的 一個 外掛 到 預處理 和 計算 這 標準 普通的 種類， 哪個 是 什麼時候 它 來 到 這 數字， 這 相同的 作為 這 標準化， 作為 我們 看 這裡。
和 這 標準化 光譜， 取決於 在 每個 測量， I 持續 然後 和 已編譯 第一的 全部 這些 光譜。 什麼 你 看 這裡 在 這 頂部 是 這 吸收 的 每一個 樣本。 我們 有 一個 水性 系統 所以 我們 拿了 水 作為 a 參考。 A 之後 大樓 這 不同之處 之間 這 吸收 和 這 水， 我們 然後 得到 更深 和 鋸 差異 之內 這 光譜。
一 的 這 大的 問題 曾是 做 I 計算 第一的 這 不同之處 之間 這 吸收 的 這 樣本 和 這 水 和 計算 然後 這 標準 普通的 種類？ 或者 做 I 第一的 計算 這 標準化 和 然後 使用 這些 標準化 價值觀 從 這 水 背景？
一 可以 思考 這 程式 是 這 相同的， 但 這 結果 是 不同的。 作為 你 看 這裡， 在 這 正確的- 手 邊 的 這 儀表板， I 放大 進入 這 區域 和 在 這 降低 部分， 這 曲線 有 a 不同的 形狀， a 不同的 距離 從 每個 其他 比 在 這 上 部分。 T 他的 可能 有 然後 一個 影響 在 這 隨後的 回歸 分析。 所以， I 已選擇 第一的 到 製作 這 標準化 和 然後 這 不同之處 計算。
後 I 做過 這些 第一的 步驟， 然後 來了 這 化學計量學 部分， 那 是 平滑 和 這 過濾和 到 計算 這 衍生品。 這 是 a 標準 程式 使用 一個 外掛 哪個 是 可用的。 你 能 想像 那 這 訊號 可能 有 一些 噪音。 這 是 見過 這裡 在 這 降低 部分， 這 紅色的 區域 是 這 真實的 數據， 和 這 藍色的 曲線 是 這 光滑的 數據。 在 這 左邊 上 邊， 你 看 這 第一的 衍生物。 在 這 正確的 上 邊， 這 第二 衍生物 的 這些 功能。 如果 它 來 到 多項式 適合， 它是 取決於 在 這 程式, 什麼 你 是 配件， 什麼是 這 多項式 命令， 和 如何 廣闊 你的 區域 是， 在哪裡 你 製作 這 計算 在。
如果 我們 拿 這裡 僅有的 a 第二- 命令 多項式， 你 看 那 它 可能 改變。 現在， 這 是 不是 a 二， 這 應該 到 是 a 20. 然後 這 曲線 平滑 出去。 雖然 它是 光滑的， 你 能 看 差異 在 高度， 在 形狀。 到 得到 抓住 的 那些 數據， 一 有 到 節省 這 光滑的 數據 到 數據 表格， 分離 數據 表。 然後 I 嘗試過 不同的 設定 為了 這 平滑 過程， 因為 I 做過 不是 知道 從 這 開始 哪個 過程 是 這 最好的 到 合身 我的 期望 結果 的 這 實驗 在 這 結尾。
後 相當 a 很多 的 平滑 表格， 哪個 是 然後 手動 完畢， 和 I 然後 串聯 這 表。 這些 是 全部 這 表 我們 只是 製成。 我是 去 到 這 第一的 一 和 說， 請 連接 全部 的 這 其他的。 這 好的 事物 是 那 你 然後 有 在 這 結尾， 這些 不同的 距離 未來 從 這 平滑 影響。 I 有 a 第二 多項式 命令。 A 第三 多項式 命令 是 20 點 到 這 左邊 和 到 這 正確的 為了 這 平滑 過程 和 三十 和 所以 在。
這 是 只是 a 小的 例子 到 展示 你 這 程式. I 做過 相當 更多的。 什麼 I 做過 曾是 這 數量 的 治療。 I 有 [聽不清楚 00:15:01] 為了 a 第二， 第三， 或者 第五 多項式 命令 和 10，20， 或者 30. 現在 來了 這 大的 部分 到 決定 哪個 特別的 程式 代表 我的 空間 在 最好的。 這， 所以， I 製成 a 主要的 成分 分析 的 全部 我的 治療 I 做過。
這 是 a 一般的 概述。 這 數位 代表 每個 實驗 經過 它是 自己的 那 你 能 跟隨 他們 在 這 不同的 分數 和 載入中 斑點。 這 載入中 陰謀 是… 那是 a 常規的 圖片 的 a 載入中 陰謀 什麼時候 它 來 到 光譜 數據。 如果 你 拿 進入 帳戶 那 我們 是 未來 從 a 設計， 這 價值 的 24% 解釋 變化 在 這 開始 為了 這 第一的 成分 是 非常 高的。
為什麼？ 因為 這 因素 的 這 確定的 篩檢 設計 是 正交 到 每個 其他 和 獨立的 從 每個 其他。 一 會 預計 降低 價值觀 為了 這 主要的 成分。 後 這 治療， 這 第一的 衍生物 和 第二 命令 多項式 和 10 點 到 這 左邊 和 到 這 正確的 為了 這 平滑， 它 看起來 非常 均勻地 分佈式。 你 可能 思考 的 a 簇 這裡 在 頂部 或者 以下。
I 去了 透過 全部 的 這些 特別的 流程 和 已選擇 然後 a 受青睞 一， 在哪裡 I 鋸 那 這 第一的 主要的 成分 有 a 非常 慢的 描述 力量 為了 這 變化。 那是 然後 這 方式 I 進行。
後 選擇 這 特別的 預 已處理 數據， I 仍然 有 我的 65 樣品。 但 作為 我們 聽到 在 這 開始， 65 是 遠的 也 很多 為了 a 工作量。 如果 你 問 你自己， 為什麼 是 那裡 132 樣品？ 那 是 因為 I 複製 貼上 這 設計 以下， 這 原來的 設計 為了 這 光譜 治療 I 用過的 然後。
如果 你 想 然後 到 選擇 你的 運行 你 是 有能力的 到 製作 到期的 到 時間 原因 或者 到期的 到 成本 原因 或者 任何， 這 是 一 過程 你 能 製作 使用 這 覆蓋範圍 和 這 主要的 成分。 然後 這 是 這 設計 空間 哪個 是 可用的 處理 為了 這 全部 變化 哪個 是 裡面。 但 作為 你 看， 我們 會 需要 到 製作 132 實驗。 如果 我們 然後 去 只是 選擇 全部 這 主要的 成分 和 說 請 製作 僅有的 這 一 哪個 是 可能的， 然後 你 有 這 能力 到 類型 在 每一個 數位 你 想 到。
在 這 階段， I 已選擇 一些 更小 或者 大 設計 和 鋸 如何 遠的 能 I 去 向下 到 抵達 在 至少 a 好的 描述 力量。 I 製成 這些 二十五 實驗， 讓 跳轉 選擇 他們。 這 好的 事物 是 和 這 程式, 如果 你 是 未來 後退 到 你的 數據 桌子， 他們 是 選擇。 但 這 程式 I 沒有 做 正確的 在 這 開始。 在 這 開始， I 製成 a 手動的 選擇。
如何 做過 I 做 那？ I 拿了 這 得分圖 的 這 特別的 治療 和 然後 已選擇 手動 這 外 點 作為 好的 作為 可能的。 不是 僅有的 在 這 圖片 的 這 第一的 和 第二 主要的 成分， 但 I 去了 更深。 這， 為了 例子， 是 這 比較 的 a 選擇 方法 I 只是 顯示 你 和 這 美國能源部 這 約束 因素 和 和 這 手動的 選擇， 只是 為了 顯示 你 或許 一些 差異。
如果 你 製作 這 DOE選擇 一些 次， 不 是 使困惑 到 得到 不是 總是 這 相同的 數字， 這 相同的 實驗， 哪個 可能 是 重要的。 和 這 方法， I 然後 減少 這 工作量 從 64 實驗 到 二十五 實驗。 在 全部 的 這些 實驗， 全部 我的 生的 材料 I 有 從 這 開始 是 裡面。 I 沒有 離開 任何 生的 材料 出去， 和 那 曾是 非常 好的 到 看， 那 I 可以 保持 這 空間 的 這 變化。
後 這 栽培 在 二 塊， 哪個 拿了 a 框架 星期 的 三 週 為了 每個 堵塞， 我們 然而 然後 分析 我們的 代謝組 和 這 上清液 和 決定 我們的 細胞 駕駛 大量的。 為了 時間的 清酒， I 展示 你 僅有的 這 結果 和 這 程式 為了 這 細胞 乾燥 大量的。 其他 分子 可能 是 這 相同的 程式 到 是 完畢 然後。
這 下一個 問題 I 有 曾是 那 那裡 是 a 令人困惑。 I 有 到 預計 這 令人困惑 因為 I 有 僅有的 二十五 實驗 為了 二十七 混合物 未來 出去 的 a 設計 在哪裡 I 知道 在哪裡 I 假定 到 有 互動 和 二次函數 效果。 這些 互動 是 沒有什麼 新的 什麼時候 它 來 到 媒體 作品。 二次函數 效果 是 好的 到 是 見過。
然後 來了 這 下一個 好的 事物， 哪個 曾是 介紹 經過 皮特 赫什 和 菲爾 K. 它是 這 一切 過程， 這 自V 已核實 合奏 模型。 在 這 草圖， 你 看 這 工作流程 和 我們 將要 去 透過 那 在 跳轉。 這 第一的 事物 曾是 到 看 在 這 分配 的 我的 目標 價值。 後 製作 a 紀錄 轉型， I 然後 鋸 那 它是 通常情況下 分佈式。 所以 我們 有 a 紀錄- 普通的 分配。 那是 好的 到 知道。
這 第一的 事物 曾是 到 下載 這 添加- 在， 汽車 驗證 設定, 和 打 這 跑步 按鈕。 我們 然後 得到 a 新的 桌子。 這 新的 桌子 有 50 列 反而 的 二十五 列 從 我們的 原來的 桌子。 為什麼 是 那 所以？ 這 原因 為了 那 是 儘管 擊中 這 按鈕， 這 數據 桌子 獲取 複製- 貼上 以下 和 我們 得到 a 分化 進入 這 驗證 放 和 進入 這 訓練 放， 作為 你 看 這裡。 這 好的 特徵 的 這 汽車 驗證 桌子 是 那 你 能， 到期的 到 a 模擬， 尋找 出去 哪個 參數， 哪個 因素 有 一個 影響。
這 發生 經過 這 倖免於難 分數地 加權 引導程式 重量。 如果 你 看 為了 例子， 這 第二 實驗 有 a 價值 的 1.8 在 這 訓練 放 和 這 相同的 樣本 有 a 價值 的 0.17 在 這 驗證 放。 這 然後 給出 一 這 能力 到 有 a 大 重量 為了 一些 樣品 在 這 訓練 放 和 副 反之亦然 在 這 驗證 放。 儘管 他們 有 a 大 價值， 更大的 重量 在 這 訓練 放， 他們 有 a 降低 重量 在 這 驗證 放。
到 分析 這， 它是 必要的 到 有 這 贊成 版本 到 製作 a 廣義的 回歸。 作為 我們 拿了 這 紀錄 價值 的 我們的 細胞 乾重， I 能 然後 製作 a 普通的 分配 和 然後 它是 受到推崇的 到 製作 a 套索 回歸。 從 這 第一的 套索 回歸， 我們 得到 a 桌子 為了 這 估計， 和 現在 來 這 好的 部分。 我們 製作 模擬 改變 這 配對 重量 引導程式 重量 的 每個 因素。
為了 時間的 清酒， 我是 只是 製作 50 模擬。 從 這些 50 模擬， 我們 得到 然後 這 部分 為了 每個 因素 我們 有 在 這 設計 在哪裡 它 輸入 這 回歸 方程， 或者 沒有 進入 這 回歸 方程式。 這 圖案 來 到期的 到 這 隨機化 過程 的 這 引導程式 森林 方法。 從 這 分配 我們 去 到 這 概括 統計數據， 客製化 他們， 我們 是 只是 僅有的 有興趣的 在 這 部分 非零。 這 部分 非零 是 最後 這 數量 的 這 50 模擬。 如何 常 這 特別的 多變的 去了 進入 這 回歸 方程式。
從 這， 我們 製作 a 合併 數據 桌子 和 有 a 看 在 這 百分比 的 每個 多變的 存在 在 a 模型 或者 存在 不是 在 a 模型。 這 看起來 a 小的 位元 令人困惑。 如果 我們 是 訂購 它 經過 這 柱子 二 下降， 我們 然後 看 a 好的 圖案。
現在 你 能 想像 為什麼 I 介紹 在 這 開始 這 無效的 因素 或者 這些 隨機的 制服 因素。 T 他 制服 因素 是 手動 介紹。 這 無效的 因素 曾是 介紹 經過 擊中 這 汽車- 驗證 放。 什麼 做這些 點 意思是？ 這些 點 意思是 那 直到 這 無效的 因素， 這些 變數 有 a 高的 潛在的 因為 他們 是 相當 常 之內 這 模型- 大樓 流程。 這些 在 這 底部 是 相當 很少 之內 這 模型- 大樓 流程 所以 這 能力 到 減少 你的 複雜 是 給定 經過 只是 丟棄 這些。 這裡 在 這 中間 一 有 到 決定 什麼 到 做。
後 擁有 這 萃取， 不是 失敗 資訊, 和 不是 失敗 變化， 一 能 然後 思考 的 不同的 回歸 流程 製作 回覆 表面 模型 或者 步 明智的 回歸 或者 任何 回歸 你 有 在 頭腦。 它是 明智的 到 比較 不同的 回歸 模型 尋找 什麼是 可行的， 什麼是 有意義。 那 曾是 這 程式 I 用過的 在 跳轉 16。 儘管 未來 現在 到 皮特 和 帳單， 他們 將要 描述 你 某物 別的。
感謝 你， 停留。 那 曾是 a 偉大的 例子 的 一個 概述 的 你的 工作流程。 感謝 你。 什麼是 新的 在 JMP 17 那 可能 有 幫助 停留 a 小的 位元 和 這 工具 他 曾是 在職的 和？ 我是 去 到 開始 離開 和 a 小的 位元 的 a 滑動 展示 這裡。 我是 去 到 是 說 關於 功能數據探索器。 那是 在 JMP專業版 和 說 關於 這 預 加工 和 小波 造型 那 是 建造 進入 函數資料探索器 現在。
全部 正確的， 所以 讓 我 滑動 這 向上 a 小的 位元 所以 你 能 看。 什麼是 新的 在 跳轉 17？ 我們 額外 一些 工具 那 允許 為了 a 更好的 化學計量學 分析 的 光譜 數據。 真的 任何 多變數 數據 那 你 可能 有 那 你 能 思考 的， 這些 工具 是 那裡 到 幫助。 第一的 是 添加 這 預處理 方法 那 是 建造 進入 頻域擴展 現在。
我們 得到 標準 普通的 變體， 哪個 停留 顯示 你。 我們 得到 乘法 分散 更正， 哪個 是 a 小的 位元 更多的 強大的 比 這 標準 普通的 變體。 兩個都 的 這些 將要 不是 擾亂 這 特點 的 你的 光譜。 那是 不是 這 故事 和 薩維茨基-戈萊。 它 做 改變 這 光譜， 哪個 將要 然後 製作 a 小的 位元 更難 到 解釋 這 數據。 這 鑰匙 事物 是 它 仍然 有幫助。 然後 我們 有 某物 稱為 多項式 基線 更正， 哪個 是 其他 額外 工具 如果 你 需要 那。
這 下一個 步 會 是 然後 到 節省 那 預處理 數據 為了 更遠 分析， 喜歡 主要的 成分 分析， 部分 正方形， 所以 在 和 所以 第四， 所以 你 能 做 一些 分析 那裡。
這 小波 造型 是 a 方式 到 看 在 這 化學計量學 數據 相似的 到 主要的 成分 分析。 是 配件 a 模型 到 這 數據 到 決定 哪個 是 這 最好的 全面的 合身 為了， 在 這 案件， 二十五 光譜。 那是 這 目標 這裡。 它是 一個 選擇 到 樣條線 模型。 它是 通常 更好的 比 樣條線 模型， 但 不是 總是。 你 得到 到 模型 這 所有的 光譜， 不是 這 觀點- 經過- 觀點， 哪個 你 會 做 和 其他 分析 類型。
然後 你 得到 到 辨別 這些 事物 稱為 形狀 函數 那 製作 向上 這 曲線。 這些 形狀 函數 是， 再次， 相似的 到 主要的 成分 分析 在 那 他們 是 幫助 和 方面 減少。 然後， 作為 I 說 前， 這些 是 出色的 工具 為了 光譜 和 色譜法 數據， 但 幾乎 任何 多變數 數據 是 公平的 遊戲。
這些 是 只是 一個 例子 的 這 小波 函數 那 是 建造 在。 I 可以 嘗試 和 發音 一些 的 這些 名字， 但 患病的 混亂 他們 向上， 但 知道 那 這些 是 在 那裡。 那裡 是 a 地點 這裡 那 你 能 看 向上 什麼 這些 小波 是 全部 關於。 I 得到 這 滑動 從 瑞安 帕克 所以 感謝 你， 瑞安。
幾乎 最後的 但 不是 至少， 什麼 是 正在做 和 這 功能 主要的 成分 分析 是 是 嘗試 到 決定， 再次， 什麼是 這 最好的 全面的 合身 為了 這些 數據 和 然後 比較 這 曲線 作為 需要。 什麼 來 出去 的 這 小波 造型 是 a 小波 美國能源部， 和 我們 決定 哪個 波長 有 這 最高 活力 為了 任何 給定 光譜 或者 任何 是 尋找 在。
這些 小波 係數 能 然後 是 用過的 到 建造 a 分類 或者 量化 模型。 那是 向上 到 你。 它 取決於 在 這 數據 和 什麼 補充 變數 你 有 建造 在。 在 這 案件， 這 是 a 不同的 例子 在哪裡 I 曾是 尋找 在 百分比 積極的 基於 在 一些 靠近 和 光譜。
讓我們 得到 進入 a 快的 例子。 全部 正確的。 這 是 埃貢的 數據。 我已經 採取 這 數據 那 曾是 在 這 原來的 桌子， 這 吸收 減 這 水 光譜， 和 我已經 轉置 那 進入 a 新的 數據 桌子 在哪裡 我已經 跑步 功能數據探索器。 我是 只是 去 到 打開 向上 這 分析 這裡。 它 做 拿 a 小的 位元 到 跑步， 但 這 是 這 例子 那 通緝 到 展示。
我們 完畢 這 預 加工 預先。 我們 採取 這 乘法 分散 在 這 案件 和 然後 這 標準 普通的 各種各樣的， 和 然後 建造 這 模型 離開 的 那。 後 這 功能 或者 這些 預 加工 工具 哪個 是 成立 超過 這裡， 我是 去 到 說 那 數據 出去， 和 然後 那 數據 是 去 到 是 用過的 為了 更遠 分析 作為 需要。
到 建造 在 這 故事 這裡， 我們已經 得到 這 分析 完畢。 我們 建造 這 小波 模型。 後 我們已經 得到 這 意思是 功能 和 這 標準 偏差 為了 全部 的 我們的 模型， 我們 建造 那 小波 模型 和 我們 得到 這 合身 那 你 看 這裡。 什麼 這 是 告訴 我們 是 那 這 她 小波 是 這 最好的 全面的 基於 在 這 最低 貝葉斯訊息 標準 分數 . 現在 我們 能 來 向下 這裡 和 看 在 這 全面的 小波 函數， 這 形狀 函數， 和 得到 一個 主意 的 哪個 小波 有 這 最高 活力， 哪個 形狀 函數 是 解釋 這 最多 變化 那 你是 看到 之間 曲線， 和 然後 你 能 也 減少 這 模型 或者 增加 這 模型 和 你的 選擇 這裡 和 這 數位 的 成分 那 你 選擇。
一 事物 那 來 出去 的 這 是 a 得分圖 哪個 允許 你 到 看 分組 的 不同的 在 這 案件， 光譜。 一 那 你是 去 到 看 向下 這裡 是 這個。這個 可以 是 a 潛在的 異常值。 它是 不同的 比 這 休息。 如果 你 徘徊 超過 這 數據 觀點， 你 能 實際上 看 那 光譜。 你 能 別針 它 到 這 圖形， 拉 那 出去， 和 然後 讓我們 說 讓我們 只是 挑選 其他 藍色的 一 這裡 和 出色地 看 如果 我們 能 看 在哪裡 這 差異 是。
它 看起來 喜歡 它 可能 是 在 這 開始 . 如果 我們 看 在 這 正確的 這裡， 那是 a 大的 不同之處， 然後 或許 那 只是 沒有 得到 減去 出去 或者 預 已處理 這 相同的 方式 在 這 二 光譜。 I 不 有 一個 例子 的 這 小波 DOE 這 放 向上， 但 只是 知道 那 它是 那裡。 如果 你是 有興趣的 在 這 -這 有 到過 a 相當 快的 概述- 但 如果 你是 有興趣的 在 這， 請 接觸 我們， 和 我們 將要 尋找 a 方式 到 幫助 你 更好的 理解 什麼是 去 在 和 小波 DOE 和 預處理 建造 進入 JMP專業版。 皮特， I 將要 轉動 它 超過 到 你。
全部 正確的。 出色地， 謝謝， 帳單 和 停留。 只是 喜歡 帳單， I 是 去 到 去 超過 如何 自我驗證整合模型 改變 在 跳轉 17。 帳單 顯示 如何 你 可以 做 什麼 停留 做過 在 16 在17 很多 更輕鬆 使用 功能數據探索器。 為了 我， 我是 去 到 拿 那 最後的 位元 那 停留 顯示 和 和 這 添加- 在， 創造 這是我的套裝 向上。 使用 那些 部分 加權 引導程式 列 和 然後 也 製作 那 驗證 和 這 無效的 因素。 我是 去 到 只是 展示 如何 那是 完畢 現在 在 JMP® 17。 所以 這 是 很多 更輕鬆 到 做 在 跳轉 17。 只是 喜歡 那， 光譜 數據 加工 和 FDE， 這 是 完畢 在 跳轉 17。
如果 你 記住， 停留 有 走了 通過， 他 看起來 在 全部 那些 光譜， 他 提取 出去 這 有意義的 區域， 尋找 在 平滑劑， 這 標準 普通的 變體， 和 做過 a 束 的 不同的 預處理 步驟。 然後 他 拿了 那些 預處理 步驟 和 他 已選擇 a 子集 的 那些 運行 到 實際上 跑步， 和 他 有 來 向上 和 25. 這裡 是 那些 二十五 運行。 從 這 步， 什麼 他 做過 是 那 自驗證整合模型 或者你自己。
在 16， 這 拿了 a 小的 位元 的 正在做。 你 有 到 製作 那 模型， 然後 你 有 到 模擬， 然後 你 有 到 拿 那些 模擬， 和 跑步 a 分配 在 每個 一 的 他們， 和 然後 得到 這 概括 統計數據， 和 然後 提煉 那 出去 到 a 合併 數據 桌子， 和 然後 圖形 那 或者 製表 那 和 看 哪個 一 發生 這 最多 經常。
那 曾是 a 很多 的 步驟 和 a 很多 的 點選 到 做， 和 停留 有 清楚地 完畢 這 a 束 的 次 因為 他 做過 它 漂亮的 迅速地 和 順利， 但 它 拿了 a 小的 位元 的 正在做 到 學習。 黏土 巴克 製成 這 很多 更輕鬆 在 跳轉 17。 相同的 二十五 樣品 這裡， 和 反而 的 跑步 那 汽車 驗證 放- 向上 添加- 在 那 停留 顯示， 是 去 到 只是 去 前方 和 去 到 分析 和 合身 模型。
出色地 放 向上 我們的 模型。 I f 你 記住， 是 服用 這 紀錄 的 這 乾燥 重量 這裡。 是 去 到 添加 a 夫妻 的 隨機的 變數 沿著 和 全部 的 我們的 因素 進入 這 模型， 和 然後 是 去 到 製作 當然 那 我們已經 已選擇 廣義的 回歸。 這 是 這 放 向上 為了 我們的 模型， 是 去 到 去 前方 和 跑步 它， 和 在 JMP 17， 我們 有 二 新的 估計 方法。
這些 是 兩個都 自驗證整合模型 方法。 這 第一的 一 是 a 向前 選擇。 我是 去 到 去 前方 和 使用 全部套索 因為 那是 什麼 停留 用過的 在 他的 部分， 和 這裡 你 只是 放 在 如何 許多 樣品 你 想。 他 有 已選擇 50. 我是 去 到 只是 去 和 這 預設 的 200. 打 去， 和 你 能 看 現在 它是 跑步 全部 的 那 在後面 這 場景 在哪裡 你 會 有 模擬， 重新計算 那些 比例 重量， 和 然後 在 這 結尾 這裡， 我們 只是 有 這 好的 桌子 那 節目 我們 什麼 是 進入 我們的 模型 最多 常 向上 這裡。
然後 什麼時候 我們 打 某物 喜歡 a 隨機的 多變的。 只是 出去 的 隨機性， 某物 那是 進入 那 模型 是 進入 或許 關於 一半 這 時間。 事物 那 是 進入 更多的 常 比 a 隨機的 多變的， 我們 有 漂亮的 高的 信心 那 那些 是 大概 變數 我們 想 到 看 在。 然後 我們 會 去 從 這裡 和 發射 這 分析器。 我已經 已經 完畢 那 超過 這裡， 所以 我們 不 有 到 等待 為了 它 到 發射 或者 評估 多變的 重要性。
但 這裡， 這 節目 我們 哪個 的 這些 因素 是 積極的。 我們 能 看 這 最多 積極的 因素， 和 儘管 它是 不是 製作 a 極佳的 準確的 模型， 因為 再次 如果 你 記住， 我們 是 服用 二十五 運行 到 嘗試 到 估計 二十七 不同的 因素。 如果 你 拿 a 看 這裡 在 這 最多 流行 個， 這 能 在 至少 給 你 一個 主意 的 這 影響 的 每個 一 的 這些 因素。 全部 正確的， 所以 那 基本上 總和 向上 什麼 停留 有 完畢。 它 只是 使 這 很多 更輕鬆 在 JMP 17， 和 我們 是 繼續 到 提升 這些 事物 和 希望 那 這 工作流程 獲取 更輕鬆 和 每個 發布 的 跳轉。 感謝 你 為了 你的 注意力 和 希望 你 成立 這 演講 資訊豐富。
