CIAO, Mio nome È Ryan Parker, E Io sono eccitato A Essere Qui Oggi
con Argilla Barker A condividere con Voi Alcuni nuovo utensili Quello noi abbiamo aggiunto A aiuto Voi
analizzare spettrale dati con IL Funzionale Dati Esploratore In JMP Pro 17.
COSÌ Che cosa Fare Noi Significare di spettrale dati?
Noi Avere a quantità Di applicazioni
da chemiometria Quello Avere motivato a quantità Di Questo lavoro.
Ma I volevo Appena inizio spento di detto
erano Veramente preoccupato Di dati Quello Avere affilato picchi.
Questo Maggio non necessariamente Essere spettrale dati, Ma questi Sono IL tipo Di dati
che abbiamo avuto a difficile tempo modellazione In FE su A Questo punto.
E COSÌ Noi Veramente ricercato A messa a fuoco SU provando
A aprire su questi applicazioni E Fare Esso a quantità Più facile A maniglia questi affilato picchi.
Forse potenziale discontinuità.
Appena questi grande, ondulato caratteristiche Di dati.
Dove In Questo specifico esempio, con spettroscopia dati,
erano pensiero Di composizione Di materiali,
E questi picchi Potere rappresentare questi composizioni,
E Noi Volere A Essere capace A Tentativo A quantificare quelli.
COSÌ un altro applicazione proviene dalla spettrometria di massa,
E Qui Voi Potere Vedere questi molto affilato picchi.
loro sono Tutto Sopra IL posto In questi diverso funzioni.
Ma questi picchi Sono rappresentando proteine da questi spettri,
E Essi Potere aiuto Voi, per esempio,
confrontare differenze fra cose da a paziente con cancro
E pazienti senza cancro A capire differenze.
Voglio dire, ancora una volta,
suo Veramente importante Quello Noi Tentativo A modello questi picchi BENE
COSÌ Quello Noi Potere quantificare questi differenze.
UN esempio Quello Argilla È andando A spettacolo viene da cromatografia.
Questo È Dove erano provando A ...
In Questo caso,
Noi Volere A Aspetto A quantificare IL differenza fra UN oliva olio
contro altro verdura oli.
E COSÌ IL componenti Di questi cose rappresentato di Tutto Di questi picchi,
Noi Bisogno A, Ancora, Tentativo A modello questi BENE.
IL Primo cosa I Volere A copertina Sono quattro nuovo utensili A preelaborare tuo dati,
spettrale dati Prima Voi Ottenere A IL modellazione palcoscenico.
IL Primo uno È IL Standard Normale Varietà.
COSÌ con IL Standard Normale Varietà, erano pensiero Di
standardizzazione ogni funzione di loro individuale Significare E varianza.
COSÌ erano andando A Prendere ogni funzione uno A a tempo,
sottrarre spento IL Significare, dividere di IL varianza,
COSÌ Quello Essi Tutto Avere Significare zero E varianza uno.
Questo È UN alternativa A IL esistente attrezzo Noi Avere standardizzato,
Quale È Appena guardare A a globale Significare In varianza
COSÌ Quello IL dati loro stessi Avere stato ridimensionato,
Ma certo aspetti, Piace significa, Sono Ancora Là,
mentre con IL Standard Normale Varietà, Noi Volere A rimuovere Quello per ogni funzione.
IL Prossimo utensili Moltiplicativo S gatto Correzione.
Esso È simile A Standard Normale Varietà,
IL risultati FINE su essendo IL Stesso, simile.
Ma In Questo caso, erano pensiero Di dati Dove Noi Avere leggero spargere.
COSÌ Alcuni Di questi spettrale dati Venire Dove Noi Avere A preoccupazione Di
Nostro leggero spargere da Tutto IL individuale funzioni essendo diverso
da a riferimento funzione Quello erano interessato In.
Generalmente Questo È IL Significare.
COSÌ Che cosa BENE Fare È Noi Volere impostato a semplice modello
fra IL individuale funzioni A Questo Significare funzione.
Sai, otterremo i coefficienti
Quello Noi Potere sottrarre spento Questo Significare caratteristica,
dividere di IL pendenza caratteristica,
Ottenere noi A Quello simile standardizzazione IL dati,
E In Questo caso, concentrato SU Questo leggero spargere.
Va bene, COSÌ A Questo punto,
erano pensiero Di Che cosa Se Noi Avere rumore In Nostro dati?
Che cosa Se Noi Bisogno A liscio Esso?
COSÌ IL modelli Quello Noi Volere A adatto, per spettrale dati,
questi ondette, Essi non liscio IL dati per Voi.
COSÌ Se Voi Avere rumoroso dati, Voi Veramente Volere A Tentativo A maniglia Quello Primo,
E quello è Dove IL Savitzky-Golay Filtro viene In.
Che cosa Questo È andando A Fare È adatto N- grado polinomi
Sopra uno specificato larghezza di banda
A Tentativo A Trovare IL migliore modello Quello Volere liscio tuo dati.
COSÌ Noi ricerca Sopra a griglia per Voi,
scegliere IL migliore uno, E Poi presente IL risultati A Voi.
E I Fare Volere A nota Quello IL dati Sono necessario A Essere SU a regolare griglia,
Ma Se Voi non Avere uno, FDE Volere creare uno per Voi.
Noi Avere a ridurre opzione
Quello Voi Potere utilizzo Se Voi Volere Alcuni più fine controllare Sopra Questo,
Ma di predefinito,
Noi Sono andando A Aspetto A IL più lungo funzione,
scegliere Quello COME Nostro numero Di griglia punti,
E creare a regolare griglia da Quello per Voi.
Ma IL Carino cosa Di IL S Filtro di Avitzky-Golay
È Perché Di IL costruzione con questi polinomi,
Noi Avere facile accesso A IL Primo O secondo derivato.
Anche Se Voi non Avere spettrale dati E Voi Volere A accedere alle funzioni derivate
Questo Volere Essere tuo percorso A Fare Quello.
E Se Voi Fare richiesta, Dire, IL secondo derivato,
Nostro ricerca ottiene costretto A soltanto polinomi
che ci permetterà di Dare Voi a secondo derivato, per esempio.
Ma Questo volevo Essere IL modo A accesso che,
Anche Se Voi non erano Anche preoccupato Di levigatura.
Voi Potere Ora Ottenere A derivati.
IL scorso pre-elaborazione attrezzo Malato copertina È Linea di base Correzione.
COSÌ In Linea di base Correzione,
Voi Sono preoccupato Di avendo Alcuni caratteristica Di tuo dati
Quello Voi volevo Appena considerare a linea di base Quello Voi Volere A rimuovere
Prima Voi modello tuo dati.
COSÌ IL idea Qui È Noi Volere A adatto a linea di base modello.
Noi Avere lineare, quadratico, opzioni esponenziali per te,
COSÌ Noi Volere A adatto Questo A Nostro dati E Poi sottrarre Esso spento.
Ma Noi Sapere Là Sono importante caratteristiche,
tipicamente questi picchi,
COSÌ Noi Volere A non utilizzo quelli parti Di IL dati
Quando Noi In realtà adatto questi linea di base modelli.
COSÌ Noi Avere IL opzione Qui per correzione regione.
I pensare per IL maggior parte parte Voi volevo probabile utilizzo intero funzione.
COSÌ Che cosa Questo Appena significa È, Che cosa parte Sono Noi andando A sottrarre spento?
COSÌ Se Voi selezionare entro regioni
solo cose entro questi blu linee Sono andando A Essere sottratto.
Ma Io ho Già aggiunto quattro Qui.
Ogni tempo Voi clic aggiungere SU regioni di base,
tu sei andando A Ottenere a paio Di questi blu linee E Voi Potere lagna loro intorno
A IL importante parti Di tuo dati, E Che cosa Questo Volere Fare È,
Quando Voi Tentativo A adatto, Dire, a lineare linea di base modello,
suo andando A ignorare IL dati punti Quello Sono entro questi due blu linee.
COSÌ, funzione uno, Noi impostato a lineare modello,
Ma Noi escludere Tutto questi affilato picchi Quello Noi Veramente Volere,
Quello erano interessato In.
E COSÌ Poi Noi Prendere IL risultato da questo modello lineare
E sottrarre Esso spento da IL Totale funzione.
IL alternativa A Quello È UN Ancorare Punto,
E quello è Se Voi Dire, I Veramente volevo Piace
per questo punto specifico A Essere incluso In IL linea di base modello.
Generalmente Questo È Se Voi Avere più piccolo dati
E Voi Sapere, Va bene, I Volere questi pochi punti.
Questi Sono chiave. Questi rappresentare IL linea di base.
Se I erano capace A in forma, sai, dire un modello quadratico a questi punti,
quello è Che cosa I Volere A sottrarre spento.
COSÌ suo UN alternativa.
Quando Voi clic quelli, loro lo faranno spettacolo su COME rosso COME UN alternativa A Questo blu.
Ma Questo Volere permettere Voi A corretto i tuoi dati
rimuovere IL linea di base Prima procedere.
COSÌ Quello ottiene noi A Come Noi modello spettrale dati Ora In JMP Pro 17,
E erano usando piccole onde.
IL Carino cosa Di ondette È Noi Avere a varietà Di opzioni A scegliere da.
COSÌ questi grafici rappresentare Che cosa Sono chiamato madre ondette
E Essi Sono usato A costruire
IL base Quello Noi utilizzo, Quello modelli IL dati.
COSÌ IL più semplice È questi capelli onda piccola, Quale È Veramente Appena fare un passo funzioni,
Forse difficile A Vedere Quello Qui, Ma questi Sono Appena fare un passo funzioni.
Ma Questo biortogonale, Esso ha a quantità Di poco salti
E Voi Potere inizio A immaginare,
Va bene, I Potere Vedere Perché questi Fare Esso a quantità Più facile
A catturare picchi In Mio dati
altro di IL Suo piccola onda.
Tutto questi Avere parametri Quello Sono cambiare IL forma E IL misurare Di questi,
COSÌ Io ho Appena selezionato a coppia Qui A Appena spettacolo Voi IL differenze.
Ma Voi Potere Veramente Vedere Dove,
Va bene, Se I Mettere a quantità Di questi insieme,
I Potere capire Perché Questo È
probabilmente a quantità Meglio A modello Tutto questi picchi Di Mio dati.
E quindi ecco qui UN esempio A illustrare Quello
con uno Di Nostro nuovo campione dati,
una risonanza magnetica nucleare progetto Di esperimenti.
COSÌ Questo È Appena da uno funzione Dove andiamo inizio con B-Spline.
Questo È ordinare Di IL andare A per maggior parte dati posto A inizio In FDE.
Ma Noi Potere Vedere Quello suo Veramente avendo a difficile tempo
raccolta su SU questi picchi.
Ora, ci sono, Noi Avere fornito Voi utensili
A modifica Dove i nodi sono a In questi linea bestiale modelli.
COSÌ Voi Potevo Fare Alcuni personalizzazione.
Probabilmente adatto Questo a quantità Meglio di IL predefinito.
Ma IL idea È Quello Ora tu hai avevo A andare E mossa cose intorno
E Forse Esso lavori per Alcuni funzioni, Ma non altri,
E Voi Bisogno a Di più automatizzato modo.
COSÌ quello è uno alternativa A Quello È P-Sp linee.
Quello È facendo Quello a poco morso per Voi,
Ma suo Ancora non abbastanza cattura IL picchi Forse COME BENE COME piccole onde.
Suo probabilmente facendo IL migliore per questi dati.
parente A ondette E Quasi a modello -gratuito approccio
Dove Noi modello IL dati Appena direttamente SU Nostro forma componenti,
Questo diretto funzionale APC.
Suo Forse a ponte fra P-Spline E B-Spline
Dove suo non abbastanza COME Bene COME P -Spline Ma suo Meglio di B -Spline
Ma Questo È Appena a presto esempio A evidenziare
Come ondette Potere Veramente Essere a quantità più veloce E potente.
Che cosa Sono Noi facendo In FDE?
Noi costruire a varietà Di tipi wavelet
E loro associato parametri E adatto loro per Voi.
COSÌ simile A IL S Filtro di Avitzky-Golay,
Noi Fare richiedere Quello IL dati Sono SU a regolare griglia.
E Bene notizia, BENE creare uno per Voi.
Ma Di corso Voi Potere andare A ridurre IL controllare Quello Se Voi volevo Piace.
Ma Ora IL Carino cosa Di una volta i dati sono SU IL griglia,
Noi Potere utilizzo a trasformazione quello è super veloce.
COSÌ P -Spline volevo Anche, per questi dati,
Essere Che cosa Voi volevo Veramente Volere A Avere A utilizzo,
ma possono richiedere molto tempo per adattarsi,
particolarmente Se Voi Avere a quantità Di funzioni
E Voi Avere a quantità Di dati punti per funzione.
Ma Nostro wavelet modelli Sono andando A essenzialmente scorso
COSÌ Tutto Di IL diverso base funzioni
Quello costruire Questo particolare wavelet tipo con parametro
E Che cosa quello è andando A permettere noi A Fare È Appena Veramente forza
a quantità Di quelli coefficienti Quello non Veramente Significare nulla A zero
A aiuto creare a sparso rappresentazione per IL modello.
COSÌ quelli cinque diverso wavelet tipi Quello I ha mostrato Prima,
quelli Sono disponibile, E una volta Noi adatto loro Tutto,
erano andando A costruire modello selezione criteri
E scegliere IL migliore per Voi di predefinito.
Voi Potere clic Attraverso questi COME opzioni A Vedere altro si adatta.
E a quantità Di volte questi Primo pochi Sono andando A Aspetto molto simile
E suo Veramente Appena a questione Di,
Là Sono certo applicazioni Dove Essi Sapere,
"Va bene, io Veramente Volere Questo tipo wavelet,"
COSÌ loro lo faranno scegliere IL migliore uno Di Quello tipo In IL fine dell'uso.
COSÌ IL Carino cosa Di questi modelli È Essi accadere SU a risoluzione.
loro sono modellazione diverso risoluzioni Di IL dati.
COSÌ Noi Avere questi coefficiente trame Dove A IL superiore loro sono mostrando
bassa frequenza, più grande scala tendenze, Piace UN complessivamente Significare,
E COME Voi andare giù In IL...
O I Indovinare Voi andare su In IL risoluzioni,
Ma giù In IL complotto,
tu sei andando A Aspetto A alto -frequenza elementi,
E questi Sono andando A Essere cose Quello Sono accadendo SU molto corto scale,
COSÌ Voi Potere Vedere Dove suo raccolta su a quantità Di diverso caratteristiche.
In Questo caso, sta prendendo...
A quantità Di questi Sono zero per IL più alto risoluzioni.
COSÌ suo raccolta su Alcuni scale Quello Sono A IL molto FINE Di Questo funzione.
Suo raccolta su Alcuni Di questi differenze Qui.
Ma Questo dà Voi a senso Di Tipo Di Dove cose Sono accadendo a
Entrambi posizione E Poi È Quello alta frequenza O bassa frequenza
parti Di IL dati.
COSÌ IL scorso cosa noi abbiamo aggiunto A completare IL wavelet modelli
quello è a poco morso diverso da Che cosa Noi Avere Ora È chiamato Ondine DOE.
COSÌ Se tu hai usato FDE Prima,
tu hai probabile provato funzionale progetto Di esperimenti
E Quello È andando A permettere Voi A Prendere funzionale principio punteggi dei componenti,
collegare progetto Di esperienza fattori A IL forma Di tuo funzioni.
Ma Ora, wavelet modelli In particolare,
loro sono coefficienti, Perché Essi Fare rappresentare risoluzioni E posizioni,
questi Potere Essere Di più interpretabile E Essi Avere Di più diretto impatto
A comprensione cosa c'è accadendo In IL dati,
Quello Maggio Essere a funzionale principio componente
non è COME facile A collegare con.
Noi Avere Questo energia funzione E suo standardizzato A spettacolo Voi,
"Va bene, Questo risoluzione A 3.5,"
Appena rappresentando Di più SU Questo FINE punto.
Ciò avrà...
Questo è Dove IL maggior parte differenze Sono In Tutto Di Nostro funzioni,
E suo rappresentando Di 12%.
COSÌ Voi Potere scorrere giù.
Noi andare su A Dove Noi Ottenere 90% Di Questo energia,
Quale È Appena IL quadrato coefficiente valori
Quello Noi Appena standardizzato Qui.
Ma energia È Appena Come grande sono questi coefficienti
parente A qualunque cosa altro?
Ma Questo, simile A Funzionale Dipartimento dell'Energia,
Voi Potere modifica IL fattori, Vedere Come IL forma cambiamenti,
E Noi Avere casi Dove Entrambi Ondine Dipartimento dell'Energia
E Funzionale Dipartimento dell'Energia funzionano bene.
A volte Wavelet DOE Appena Ottenere IL struttura Meglio.
Non lo fa permettere per Alcuni Forse negativo punti
Quello Funzionale Dipartimento dell'Energia Potrebbe permettere In Questo esempio.
COSÌ suo Appena loro sono Entrambi Là, loro sono Entrambi veloce.
Voglio dire, tu Potere utilizzo Entrambi Di loro A Tentativo A analizzare IL risultati Di wavelet modelli.
Ma quello è Mio presto panoramica.
COSÌ Ora I Appena Volere A giro Esso Sopra A Argilla A spettacolo Voi Alcuni esempi
dell'utilizzo di wavelet modelli con Alcuni esempio dati set.
Grazie, Ryan.
COSÌ, COME Ryan ha mostrato prima, Noi trovato UN esempio
Dove gente erano provando A utilizzo chemiometria metodi
A classificare diverso verdura oli.
COSÌ Io ho avuto IL dati impostato aperto su Qui.
Qui Noi Avere Nostro ogni riga Di IL dati impostato È a funzione,
COSÌ ogni riga In IL dati impostato rappresenta a particolare olio,
E COME Noi andare attraverso IL tavolo, quello è IL cromatogramma.
COSÌ Io ho aperto Questo su In FDE Appena A salva a pochi minuti.
IL wavelet montaggio È Veramente veloce,
Ma I capito noi avremmo Appena andare avanti E inizio con IL adatto aprire.
COSÌ ecco qui Che cosa Nostro dati impostato sembra Piace.
Voi Potere Vedere quelli rosso curve Sono oliva oli.
IL verde curve Sono non oliva oli.
COSÌ Noi Potere Vedere c'è decisamente Alcuni differenze
fra IL due diverso tipi Di oli E loro cromatogrammi.
COSÌ, COME Ryan disse, Noi Appena andare A IL menu triangolo rosso
E Noi chiedere per ondette E Esso Volere scegliere IL migliore wavelet per Voi.
Ma Piace I disse, Io ho Già Fatto Quello,
COSÌ Noi Potere scorrere giù E Aspetto A IL adatto.
Qui Noi Vedere IL migliore wavelet Quello Noi trovato era chiamato IL Simlet 20,
E noi abbiamo avuto grafici Di ogni adatto Qui riassunto per Voi.
COME Voi Potere Vedere, IL ondette Avere adatto questi dati Veramente BENE.
Ma In Questo caso,
erano non terribilmente interessato In montaggio IL individuale si adatta.
Noi Volere A Vedere Se Noi Potere utilizzo questi individuale cromatogrammi
A predire se O non UN olio È UN oliva olio O non UN oliva olio.
COSÌ Che cosa Noi Potere Fare È,
Noi Potere salva fuori questi wavelet coefficienti,
Quale noi abbiamo ottenuto a grande tavolo Qui, E c'è migliaia Di loro.
In fatto, c'è uno per ogni punto In Nostro funzione.
COSÌ Qui noi abbiamo avuto 4.000 punti In ogni funzione.
Questo tavolo È bello Enorme. C'è 4.000 wavelet coefficienti.
Ma COME Ryan era detto, Voi Potere Vedere Quello noi abbiamo azzerato Alcuni Di loro fuori.
COSÌ questi wavelet coefficienti gocciolare fuori Di IL funzione.
COSÌ quello è Come Noi Ottenere levigatura.
Noi adatto Nostro dati Veramente BENE,
Ma azzeramento fuori Alcuni Di quelli coefficienti È Che cosa leviga IL funzione fuori.
COSÌ Come Potere Noi utilizzo questi valori A predire se O non Noi Avere UN oliva olio?
BENE, Voi Potere Venire Qui A IL funzione riassunti E chiedere per salva riassunti.
COSÌ Che cosa suo Fatto È Esso salva fuori IL funzionale principale componenti.
Ma Qui A IL FINE Di IL tavolo, Esso Anche salva fuori questi wavelet coefficienti.
COSÌ questi Sono IL esatto Stesso valori
che abbiamo visto In Quello wavelet coefficiente tavolo In IL piattaforma.
COSÌ permettere Me vicino Questo uno.
Io ho avuto Mio Proprio in coda su Appena COSÌ Quello I non Avere nulla inaspettato accadere.
COSÌ ecco qui Mio versione Di Quello tavolo.
E Che cosa Noi Volere A Fare È Noi Volere A utilizzo
Tutto Di questi wavelet coefficienti A predire se
IL curva È da UN oliva olio O da a diverso tipo Di olio.
COSÌ Che cosa Io sono andando A Fare È,
Io sono andando A lancio IL generalizzato regressione piattaforma,
E Se tu hai mai usato Quello Prima,
suo IL posto Noi andare A costruire lineare modelli E generalizzare lineare modelli
utilizzando un varietà Di diverso variabile selezione tecniche.
COSÌ Qui Mio risposta È tipo.
I Volere A predire Che cosa tipo Di olio stiamo guardando
E I Volere A predire Esso usando Tutto Di quelli wavelet coefficienti.
COSÌ I premere correre.
In Questo caso, Io sono andando A utilizzo IL Rete elastica
Perché Quello succede A Essere Mio preferito variabile selezione metodo.
E Io sono andando A premere andare.
COSÌ Veramente velocemente, Noi preso Tutto quelli wavelet coefficienti
E Noi Avere trovato IL quelli Quello Veramente Fare a Bene lavoro Di differenziazione
fra oliva oli E non -oliva oli.
COSÌ In fatto, Se Noi Aspetto A IL confusione matrice,
Quale È, Questo È a modo A Aspetto A Come Spesso Noi predire correttamente, Giusto?
COSÌ per Tutto 49 altro oliva oli,
Noi correttamente identificato quelli COME non oliva oli.
E per Tutto 71 oliva oli, Noi correttamente identificato quelli COME oliva oli.
COSÌ Noi In realtà previsto questi perfettamente
E Noi soltanto necessario a bello piccolo sottoinsieme Di quelli wavelet coefficienti.
COSÌ I non l'ho fatto contare, Ma Quello sembra Piace Di a dozzina.
COSÌ Noi iniziato con migliaia Di wavelet coefficienti E Noi bollito Esso giù
solo al 12 O COSÌ Quello erano utile per predire Nostro risposta.
COSÌ Che cosa I pensare È Veramente Freddo È,
Noi Potere interpretare questi wavelet coefficienti A UN estensione, Giusto?
COSÌ Questo coefficiente Qui È risoluzione due A posizione 3001.
COSÌ Quello racconta noi c'è qualcosa andando SU In Quello parte Di IL curva
che ci aiuta a differenziare fra oliva oli E non oliva oli.
COSÌ Che cosa Io ho Fatto È,
Io ho Anche creato a grafico Di Nostro dati utilizzando...
BENE, tu sarai Vedere.
COSÌ Che cosa Io ho Fatto È Qui IL blu curva È IL oliva oli.
IL rosso curva È IL non -oliva oli,
E Questo È IL Significare cromatogramma.
COSÌ media Sopra Tutto Di Nostro campioni.
E questi tratteggiato linee Sono IL posizioni
Dove IL wavelet coefficienti Sono diverso da zero.
COSÌ questi Sono IL quelli Quello Sono utile per discriminante fra oli.
E COME Voi Potere Vedere, Alcuni Di questi non-zero coefficienti linea su con picchi
E IL dati Quello Veramente tendere A Fare senso, Giusto?
Quindi, ecco,
ecco qui uno Di IL non -zero coefficienti, E Voi Potere raccontare suo Giusto A a picco
Dove oliva olio È picco, Ma non oliva oli Sono non, Giusto?
COSÌ Quello Maggio Essere significativo A qualcuno
Quello studi cromatografia E oliva oli In particolare.
Ma COSÌ Noi Piace Questo esempio Perché
suo a Veramente Bene esempio Di Come ondette adatto questi cromatogrammi Veramente BENE.
E Poi Noi Potere utilizzo IL wavelet coefficienti A Fare qualcosa altro, Giusto?
COSÌ non soltanto Avere Noi adatto IL curve davvero bene,
Ma Poi noi abbiamo preso IL informazioni da quelli curve
E noi abbiamo Fatto a Veramente Bene lavoro Di discriminante fra diverso oli.
E COSÌ Io ho avuto uno Di più esempio.
Ryan E I Sono Entrambi grande fan Di Disney Mondo,
COSÌ Questo È non a cromatogramma.
Questo È non spettroscopia.
Ma Invece Noi trovato a dati impostato Quello sembra A Aspettare volte A Disney Mondo,
COSÌ Noi scaricato a sottoinsieme Di Aspettare volte
per a passeggiata chiamato Disney IL Sette Nani, Mente Treno.
E Se tu hai mai stato A Disney Mondo,
Voi Sapere suo a Veramente Freddo rullo montagne russe Giusto Là In paese delle meraviglie.
Ma Esso Anche tende A Avere Veramente lungo Aspettare volte, giusto?
Voi trascorrere a quantità Di tempo in attesa tuo giro.
COSÌ Noi ricercato A Vedere Se Noi Potevo utilizzo ondette A analizzare questi dati
e poi usa IL Ondina Dipartimento dell'Energia funzione A Vedere Se Noi Potere figura fuori
Se c'è giorni Di IL settimane O mesi O anni
Dove Aspettare volte Sono particolarmente alto O Basso.
COSÌ Noi Potere lancio FDE.
Qui tu Potere vedi, abbiamo
ogni giorno In Nostro dati impostato, Noi Avere IL Aspettare volte
dal momento in cui IL parco si apre, Qui,
A IL tempo Quello IL parco chiude Sopra Qui.
E A Fare Questo dimostrazione a poco morso Più facile,
noi abbiamo raffinato IL dati impostato A pulito Esso su Alcuni.
COSÌ Questo È non esattamente IL dati,
Ma I pensare Alcuni Di IL tendenze Quello erano andando A Vedere Sono Ancora VERO.
COSÌ Che cosa Io sono andando A Fare È Io sono andando A chiedere per ondette,
E lo farà Prendere a secondo A correre, Ma non pure lungo.
COSÌ Ora noi abbiamo trovato Quello a diverso base funzione È IL migliore.
Suo i Daubechies 20
E I scusa Se I non l'ho fatto pronunciare Quello Giusto.
Io ho stato evitando pronunciando Quello parola In pubblico,
Ma Ora quello è non IL caso più.
COSÌ noi abbiamo trovato quello è Nostro preferito wavelet E Che cosa erano andando A Fare
È erano andando A andare A IL Ondina Dipartimento dell'Energia analisi,
E suo andando A utilizzo questi supplementare variabili
Quello noi abbiamo specificato giorno Di IL settimana, anno E mese
per vedere se possiamo Trovare tendenze In Nostro curve usando quelli variabili.
COSÌ BENE chiedere per Ondine Dipartimento dell'Energia,
e cosa c'è accadendo In IL sfondo È erano modellazione quelli wavelet coefficienti
usando IL generalizzato regressione piattaforma, COSÌ quello è accadendo dietro IL scene,
E Poi Esso Volere Mettere Esso Tutto insieme In a Profilatore per noi.
COSÌ Qui noi abbiamo ho capito, sai, Questo È Nostro tempo Di giorno variabile.
Noi Potere Vedere Quello In IL Mattina.
IL Aspettare volte ordinare Di inizio, sai, in giro UN ora.
Esso ottiene più lungo per tutto IL giorno, Sai,
picco A Di 80 minuti, Quasi UN ora E a metà Aspettare.
E Poi, COME Voi volevo aspettarsi,
COME IL giorno va SU E bambini Ottenere Stanco E andare A letto,
Aspettare volte Ottenere a poco morso più corto Fino a IL FINE Di IL giorno.
Ora, Che cosa Noi Pensiero era interessante
sta guardando A Alcuni Di questi effetti, Piace anno E mese.
COSÌ Noi Potere Vedere In 2015, IL Aspettare volte ordinare Di gradualmente andato su, Giusto, Fino a 2020.
E Poi Che cosa accaduto In 2020? Essi aumentato In Febbraio,
e poi, sorprendentemente, Essi caduto abbastanza a morso In Marzo E Aprile.
E I pensare Noi Tutto Sapere Perché Quello Potrebbe Avere accaduto In 2020.
Perché Di COVID, meno persone erano andando A Disney Mondo.
In fatto, Esso era chiuso giù per a Mentre.
COSÌ Voi Potere molto chiaramente Vedere a COVID effetto SU Disney Mondo Aspettare volte
Veramente velocemente usando Ondina DOE.
Uno Di IL altro cose quello è interessante
È Noi Potere Aspetto A Che cosa tempo Di anno È migliore A andare.
Esso sembra Piace Aspettare volte tendere A Essere inferiore In Settembre,
E Da Disney Mondo È In La Florida, sai,
quello è picco uragano stagione, E bambini non tendere A Essere fuori Di scuola.
COSÌ suo Veramente Freddo A Vedere Quello Nostro modello scelto Quello su bello facilmente, vero?
Quindi, ma non inizio andando A Disney Mondo In Settembre.
Questo è Nostro tempo. Noi non Volere Esso ottenere affollato.
Ma Sì, COSÌ con Appena a pochi clic, Noi erano capace
A Imparare abbastanza a pochi cose Di Aspettare volte,
Sette Nani Mio Treno A Disney.
Ma Noi Veramente ricercato A evidenziare
che questi metodi erano concentrato SU cromatografia E spettrometria,
Ma c'è a quantità Di applicazioni Dove Voi Potere utilizzo Ondine,
E I pensare quello è Tutto Noi Avere.
COSÌ Grazie Voi. E grazie Voi, Ryan.
