CIAO, tutti.
Grazie Voi per unirsi noi.
IL titolo Di Nostro parlare Oggi
è It's Otterly confuso! Short-C legge, Peloso-N osed, Smooth-C galleggiante, O Eurasiatico?
Appena chiedere Salve!
Questi quattro specie verificarsi In Stesso habitat In Asia, In Eurasia,
E IL domanda È, Come Fare Voi raccontare loro a parte?
Utilizzando Nostro Tecnica FIT, IL orma identificazione tecnica
sviluppato di WildTrack,
Noi Potere In realtà raccontare loro a parte.
IL presentazione Volere Essere di quattro persone:
Fred Kistner, Chi È A IL Karlsruhe Istituto di tecnologia in Germania
E Anche a membro Di IL WildTrack Specialista Gruppo;
Larissa Slaney, Chi È a Dottorato di ricerca candidato A Eredita- Watt Università,
Ghepardi FIT Ricerca Progetto
E Anche membro Di IL WildTrack Specialista Gruppo.
Zoe Gioiello E me stessa, Io sono Cielo Alibhai, facoltà A Duca Università
E fondatori Di WildTrack E sviluppatori Di IL orma identificazione tecnica
E Anche membri del WildTrack Specialista Gruppo.
Io sono andando A Fare a molto breve demo, un'introduzione molto, molto breve,
E Poi Malato mano Sopra A Nostro Prossimo altoparlante.
A parte da ultra specie Quello Noi lavoro SU,
WildTrack ha UN esteso numero di eminente specie Quello Noi lavoro SU
in diverse parti Di IL mondo, che vanno da IL Amur Tigre In Cina
A nero rinoceronte In Africa A giaguaro In Brasile.
Tutto Di loro utilizzando In uno modulo o un altro
Sono orma identificazione tecnologia.
Ora Che cosa fa orma identificazione tecnologia In realtà Fare?
Uno Di IL cose Di la tecnologia di identificazione delle impronte, FIT,
È Quello Esso opere COME UN componente aggiuntivo In JMP.
Suo progettato A classificare specie o sottospecie
di usando IL metrica da IL impronte,
classificare sesso, classificare età classe, E Anche classificare individui.
Ora quelli Sono Tutto elementi Quello Sono necessario A capire
IL popolazione dinamica Di Qualunque in via di estinzione specie,
IL essenziale fondazione elementi.
IL conservazione applicazioni di impronta identificazione tecnica,
IL linea di base dati SU numeri E distribuzione In modulo su:
dati- guidato scientifico conservazione strategie,
commercio In in via di estinzione specie,
umano/ animale conflitto mitigazione,
E Tutto questi In a modo Volere Essere mostrato
A rappresentare IL modo In Quale lontra conservazione funziona.
Ora Malato mano Voi Sopra A Larissa Slaney, Chi Volere inizio IL processo Di deconfusione.
Grazie Voi.
Giusto. Grazie Voi molto tanto, Cielo, per Questo Grande introduzione.
Grazie Voi A JMP, per permettendo noi A presente Nostro ricerca Qui.
Erano molto lieto Di Quello.
Grazie Voi COSÌ tanto per Tutto Di Voi A essere qui
E spettacolo Questo interesse In Nostro ricerca.
Ora Prima erano andando A salto, Anche destinato,
in spiegando Nostro dati analisi con JMP,
I volevo Piace A Dare Voi Alcuni sfondo A Questo ricerca.
Noi pensare Esso È Veramente importante A Aspetto A Questo In contesto
Perché suo non Appena Di Che cosa JMP può fare,
Ma Come Questo È applicato In IL mondo reale E Come Noi scienziati Potere utilizzo Esso A...
Esso dà noi IL opportunità A Fare cambiamenti per IL Meglio, fondamentalmente.
Nostro ricerca sembra A orma analisi COME Cielo Già Appena disse.
Noi Sono guardare A IL impronte Di asiatico lontra specie.
Ora Qui Voi Potere Vedere quattro diverso asiatico lontra specie
E loro sono Tutto classificato come vulnerabile o criticamente- in via di estinzione di IL IUCN,
E IL casa intervalli sovrapposto,
quindi è così- chiamato simpatrico lontra specie.
SU IL superiore Sinistra, Voi Potere Vedere IL liscio-c galleggiante lontra.
Superiore Giusto, Voi Potere Vedere IL asiatico corto O piccolo- artigliato lontra,
metter il fondo a Sinistra, IL peloso- dal naso lontra,
E al metter il fondo a Giusto, Voi Potere Vedere IL Eurasiatico lontra.
Ora, A Essere capace A monitorare IL specie diverse,
Noi Bisogno A raccogliere dati, Quale è difficile
con come molto sfuggente specie.
Voi difficilmente mai Vedere loro In IL selvaggio, Ma Voi Fare Vedere loro impronte.
Guardare A questi impronte per ogni specie,
Quando Voi Aspetto A loro Qui, Essi Aspetto molto simile, non Essi?
Ora, suo abbastanza trucchi A raccontare loro a parte.
Perciò, Noi impostato noi IL compito A scoprire se
Là È a modo per ADATTO A distinguere fra IL impronte
Di questi quattro lontra specie In a scientifico E affidabile modo.
Ora, Noi Fare Avere UN aggiunto problema Qui, Perché IL impronte anteriori
Di due Di IL specie Avere a misurare sovrapposizione
E IL impronta posteriore Di un altro specie
È morfologicamente molto simili,
E Anche misurare- saggio abbastanza simile A IL davanti piede Di un altro specie.
Noi abbiamo avuto a multiclasse classificazione problema Qui.
Ora Qui Voi Potere Vedere a mappa Quale mostra gli intervalli di distribuzione
Di IL diverso lontra specie.
IL blu zona Qui, questo è a Eurasiatico lontra.
Poi IL rosso zona è il liscio- rivestito lontra.
IL giallo giù Qui È IL piccolo- artigliato o tter,
E Poi IL rosa Sopra Qui è la lontra dal naso peloso.
Ma Voi Potere Vedere Esso, Sebbene Esso sembra Piace a grande zona,
c'è In realtà Appena a pochi punteggiato isole Là.
Che cosa È Veramente interessante Di Questo mappa, però,
Esso spettacoli Voi Dove loro casa intervalli sovrapposizione.
Là Sono sei aree Dove
A meno due, Se non Anche tre delle specie si sovrappongono.
Per ambientalisti, suo Veramente importante A Trovare fuori
dove il diverso specie vivere, A Che cosa estensione ,
Come grande IL popolazioni Sono, E Trovare fuori COME tanto COME possibile Di
IL diverso popolazioni
COSÌ Quello Noi Avere a Bene idea Di Come in via di estinzione Essi Sono.
Ora, Perché È conservazione delle lontre importante?
BENE, Primo Di Tutto, lontre Sono classificato come Keystone specie,
E Quello significa Quello Essi Avere UN effetto SU loro ambiente
sproporzionato A loro abbondanza.
Appena a pochi individui Potere Avere abbastanza a grande impatto.
Essi giocare a Veramente importante parte
In IL cibo catena E contribuire A IL ambientale equilibrio.
Loro sono Anche visto COME Ombrello specie,
Quale significa Quello Essi conferire protezione A a grande numero Di altro specie.
Fondamentalmente, Se qualcosa succede A IL lontre,
Quello Volere Avere UN impatto SU altro specie COME BENE.
Loro sono Anche UN Indicatore specie,
COSÌ Essi In realtà indicare IL salute Di loro ambiente.
Essi Volere non vivere In acque inquinate O In inquinato zone umide.
Lontra ritorno A UN zona È sempre un buon segno,
Perché Quello significa qualità dell'acqua E zona umida salute È migliorando.
Ora, minacce A lontre. Là Sono molti Di diverso minacce.
Inquinamento È IL uno abbiamo già menzionato Appena Ora.
Ma un altro problema È IL umano animali selvatici conflitto, habitat perdita.
Con Quello Anche viene perdita Di preda.
A n crescente problema, soprattutto in Asia,
È IL illegale commercio, IL illegale animali selvatici commercio.
Essi Sono particolarmente dopo la pelliccia, IL pelliccia commercio E Anche Dopo animali domestici.
Bambino lontre Sono preso fuori Di IL selvatici e usati come animali domestici,
Quale È non Bene per lontra conservazione A Tutto.
Ora
Come Fare Voi approccio a conservazione progetto Piace Questo?
BENE, Primo Di Tutto, Voi Bisogno A pensare
su come Fare Voi Volere A monitorare IL popolazione.
Che cosa Fare Voi Volere A Aspetto A?
Fare Voi Volere A Aspetto A specie distribuzione?
SÌ, Quasi Sempre.
Fare Voi Volere A Aspetto A individuale ID?
Fare Voi Volere A Trovare fuori Che cosa IL sesso rapporto entro a popolazione È?
IL Prossimo cosa Voi Bisogno A decidere È Fare Voi Volere A utilizzo invasivo metodi
Quello potenzialmente stress O Anche danneggiare gli animali?
O Fare Voi Volere A utilizzo non- invasivo tecnologie O metodi
A monitorare IL specie Quale Volere non stress E danno IL animali?
Noi, A WildTrack,
Noi messa a fuoco SU metodi non invasivi A monitorare specie.
In Questo particolare progetto,
Noi Sono completamente messa a fuoco SU orma identificazione.
Ora, una volta Voi Avere fatto quelli decisioni,
Voi Bisogno A ovviamente treno persone per aiutarti con IL dati collezione
Perché Voi non posso Essere ovunque e non puoi andare ovunque.
Durante volte Di pandemie, suo Anche Di più difficile.
COSÌ Voi Bisogno A treno tuo squadra Entrambi In- persona COME BENE COME da remoto
COSÌ Quello ha stato a morso Di a sfida.
Poi Voi Bisogno A Ottenere Tutto IL dati collezione,
E IL formazione E IL la raccolta dei dati può avvenire in situ,
Quale significa In IL campo O ex- situ, che significa negli zoo
E altro conservazione organizzazioni.
Una volta Voi Ottenere IL dati In, Quello È Quando Voi inizio IL dati analisi.
In Nostro caso, questo è Quando Noi inizio usando JMP.
Altro tipico problemi per Qualunque conservazione progetto È finanziamenti, Di corso, E Anche
provando A Ottenere conservazione politiche migliorate,
E gestione strategie per conservazione A Avere quelli migliorato.
Questo è fondamentalmente Nostro FINE obiettivo. Noi Sono collezionare Tutto IL dati.
Noi Sono analizzando Tutto IL dati affinché A IL FINE Di IL giorno,
Noi può fornire tali informazioni ai governi
O altro organizzazioni E Essi Potere prendere una decisione informata
E Fare Meglio conservazione politiche.
Permettere Me Appena andare Indietro uno Di più tempo.
SU IL Sinistra mano lato Qui, In realtà,
Voi Potere Vedere uno Di Nostro bello guardiani dello zoo collezionare impronte per noi.
SU IL Giusto mano lato, puoi vedere
a orma immagine Quello era inviato A noi da IL selvaggio.
Questo è a mistero orma.
Noi erano chiesto Se Noi Potevo Per favore Trovare fuori
Quale specie ha lasciato quell'impronta dietro.
Questo è Veramente Che cosa Noi Volere,
Quello ricercatori inizio A Inviare impronte degli Stati Uniti
E Noi Potere aiuto loro scoprire Quale specie vite In loro zona.
Fred Volere, fiduciosamente Dopo SU, aiuto ci rivelano
Quale specie Questo orma appartiene A.
Ora, noi abbiamo chiesto noi stessi tre domande di ricerca,
E A IL momento Noi Sono Ancora messa a fuoco SU uno.
Questo È UN in corso progetto.
A t IL momento, Noi Sono messa a fuoco SU specie classificazione.
Potere ADATTO, IL orma identificazione tecnologia,
identificare O distinguere
tra il quattro diverso specie Di lontra Noi Sono guardare A?
Quando noi abbiamo avuto Abbastanza dati E dati particolari sufficienti,
Dove Noi decisamente Sapere IL individui,
Noi Volere Aspetto A individuale classificazione E Anche A sesso classificazione.
Ma questo è andando A Essere un po' più avanti giù IL strada.
Finora abbiamo collaborato con nove zoo e lontra conservazione organizzazioni.
Noi abbiamo stato formazione loro A raccogliere impronte seguente il nostro FIT protocollo.
Questo ha stato, Ancora, durante il COVID, abbastanza stimolante.
Io ho non stato capace A Vedere tutti In persona,
COSÌ Alcuni persone Io ho ha dovuto allenarsi a distanza,
Ma loro hanno Tutto stato assolutamente fantastici, i nostri zoo e i nostri guardiani,
E Avere davvero all'altezza di questa sfida
E Avere iniziato A Veramente Inviare In a quantità Di immagini
COME Voi Potere Vedere Qui SU IL Sinistra.
Suo Ancora complessivamente tanto più piccolo campione misurare di Noi Volere A Avere.
COME I ha detto che è un progetto in corso, ma
È Abbastanza A Dare noi
IL capacità A Ora A condividere alcuni risultati preliminari con te
COSÌ Noi Potere disegno Alcuni conclusioni.
Noi abbiamo incluso tre lontra specie In Questo COSÌ lontano.
Noi abbiamo soltanto Appena iniziato A inizio A ottenere h arioso- dal naso lontra stampe.
C'è soltanto uno h lontra dal naso arioso incattività In IL Totale Largo mondo.
Il suo O suo, Io sono non certo, le stampe stanno appena iniziando ad arrivare,
E Noi Volere aggiornamento A a Dopo tempo
IL risultati con Questo quarto specie In Esso.
Ma per Ora, erano andando A Aspetto A tre lontra specie.
SÌ, COSÌ I pensare suo tempo A Avere a più vicino Aspetto A Come Noi Fare IL dati analisi
Sopra A Fred.
Grazie Voi, Larissa, E andiamo salto Dritto in azione.
Come Cielo menzionato precedentemente,
FIT ha stato sviluppato per a Largo numero Di specie.
Quando suo completamente sviluppato
o dopo in partenza produzione, suo UN componente aggiuntivo in JMP.
Oggi, Io sono andando A dimostrare alcune parti Di IL dati analisi
E Alcuni parti dello sviluppo Prima Esso viene in produzione.
Che cosa I Sono andando A Dire È, In generale, I Appena ricercato A Dare Voi
a poco morso Di a sfondo di come questo sviluppo È Generalmente Fatto.
Nostro ingresso dati È raccolto
con pochissima attrezzatura E molto semplice attrezzatura.
Questo è uno Di IL principale vantaggi Di ADATTO,
Quello Esso Potere Essere ampiamente applicato con molto poco attrezzatura.
Voi soltanto Bisogno a smartphone E a governate.
Se Voi Volere A sviluppare ADATTO modelli per certo specie,
Voi inizio con UN immagine banca dati che di solito è raccolto
Di conosciuto individui COME Larissa menzionato.
Noi Perciò cooperare con zoo E altro animali selvatici centri.
Questi immagini Sono Poi elaborato all'interno di JMP A estrarre geometrico profili
Quello estrarre a quantità Di misurazioni, angoli, distanze.
Questo dati Potere Poi Essere usato A sviluppare ADATTO modelli.
IL generale produzione È Quello Voi Volere A Aspetto A specie, sesso, individui.
Se tu sei capace A modifica per individui, Voi Volere A disegno conclusioni
Di popolazione misurare.
Una volta Voi sviluppare IL metodo,
Voi decisamente Volere A prova questo SU sconosciuto individui.
Ancora, Voi Aspetto A immagini E Ottenere a previsione Di IL modelli.
Vantaggi Di ADATTO basato SU biometrico, suo non invasivo.
Suo a standardizzato E costo efficace modo per monitorare la fauna selvatica sfuggente
Quello non può Essere monitorato di diretto osservazione.
Esso Potere Essere implementato per Quasi qualsiasi specie Quello foglie a orma.
Esso Potere Essere combinato con altri non- invasivo metodi
E attraverso- convalidato modelli generalmente Avere a alto precisione.
Come A costruire questi modelli è qualcosa Quello I volevo Piace A dimostrazione.
Che cosa Io sono andando A dimostrazione Oggi tecnicamente sembra
A diverso impronte.
Voi Vedere SU IL superiore Sinistra, Voi Vedere a piede posteriore
Di UN asiatico artigli piccoli lontra.
SU IL superiore Giusto, Voi Vedere a Sinistra di fronte a una lontra dal pelo liscio,
SU IL metter il fondo a Sinistra, a Sinistra davanti Di a Eurasiatico lontra,
E SU IL Giusto mano lato, Voi Vedere a impronta del piede destro
da UN sconosciuto lontra da Nepal.
Che cosa Noi Sono andando A Fare Oggi È Noi processo questi immagini.
Poi Io sono andando A spettacolo Voi Come A sviluppare rapidamente
a classificazione modello entro JMP.
Poi Malato Vedere Che cosa IL previsioni
Di questi velocemente sviluppare metodi Sono andando A Essere.
Esso Tutto inizia
con immagine analisi.
Questo è basato su script implementazione entro ADATTO.
In IL Primo fare un passo, Voi Generalmente regolare IL misurare Di UN immagine
COSÌ Quello IL orma È chiaramente visibile E IL dominante parte Di IL campo.
In ordine A Essere replicabile,
suo importante Quello impronte Sono allineato seguente definito rotazione punti.
Per lontre, questi Sono rotazione punti sotto IL secondo E IL quarto vicino.
Poi Voi impostato a definito impostato Di punto di riferimento punti.
Ancora, per lontre, Questo È specie- specifico.
Ma per altri, Io ho scelto 11 punti di riferimento.
Loro sono In IL centro.
Scusa, dimenticato uno fare un passo.
Di corso, Voi Bisogno A definire a scala Primo.
Qui Noi avuto 10 centimetri. Questo È quassù.
Voi Potere aggiungere Alcuni aggiuntivo informazioni.
Appena A Mantenere Esso semplice, I Volere nome il è sciopero asiatico artigli corti lontra.
Poi Voi impostato 11 punto di riferimento punti.
Voi Potevo, per esempio, usare un costo aria funzione
Se Voi Volere A Fare Questo COME preciso il più possibile, ovviamente,
Ma per tempo motivo, Malato Appena velocemente correre Attraverso loro.
Dopo collocamento 11 punti di riferimento, Voi derivare aggiuntivo punti,
che stanno aiutando punti Quello Sono Anche usato
A estrarre biometrico informazioni.
Una volta tu hai Fatto Quello,
tu lo farai Appena inizio a nuovo tavolo E Voi andare per a penna disegno.
Malato Appena velocemente correre Attraverso tre Di più immagini.
Ancora, Voi Bisogno A ridimensionare loro.
Ora, con Questo immagine, Voi Potere Vedere suo lato positivo giù.
Che cosa I Piace Di JMP È Quello
IL immagine finestra Potere In realtà Fare Alcuni immagine pre- elaborazione.
Ora, suo Giusto davanti. Scusa, I Bisogno A capovolgere Questo uno Di più tempo.
Potere Fare Alcuni immagine elaborazione entro JMP E COSÌ Voi non Avere A modifica
In tra software.
Questo è qualcosa Quello I Veramente Piace Quello I Potere Fare Tutto Mio lavoro
entro uno software altro che cambiare In fra parecchi software.
Ancora, I disse 11 punto di riferimento punti.
Questo tempo, Malato Appena andare Sopra loro veloce e sporco,
E Speranza Quello IL previsione Volere Essere accurato Abbastanza
questo è a Lontra eurasiatica.
Ancora, I andare aggiungere
Appena due Di più volte, uno per IL a rivestimento liscio lontra.
Ancora, I Volere impostato IL 11 punti di riferimento,
E Che cosa IL punti di riferimento Sono usato per, Malato spettacolo Voi In a secondo.
Derivare punti, aggiungi riga.
Uno scorso tempo, IL mistero impronta che Larissa ha menzionato
Quello era inviato A noi da a progetto In Nepal,
Quello È, A Mio conoscenza, facendo Alcuni lontra monitoraggio Là.
Uno Di IL specie ha non è stato visto per A meno 30 anni.
1, 2, 3, 4, 5, 6 .
Cosa c'è diverso In Qui è quello Voi Avere a diverso scala.
Quello scala fattore È qualcosa Quello I Bisogno A regolare entro Qui.
Ancora, Malato velocemente clic Attraverso IL immagini.
Questo È normalmente Fatto a poco morso più noioso,
Ma per dimostrazione scopo, Ci proverò clic Attraverso loro velocemente.
E Questo È UN sconosciuto
specie.
Che cosa Voi FINE su con questo era IL a rivestimento liscio.
Che cosa Voi FINE su È
a grande dati tavolo .
Questi Sono punti per
valutazione IL qualità Di IL punto di riferimento, Quale I fatto non andare in entro Qui.
Voi Ottenere X E Y coordinate per ogni punto di riferimento.
Questi X E Y coordinate Sono derivato
A calcolare a grande numero Di misurazioni.
C'è Di più di 100 distanze derivato, Alcuni angoli E Alcuni aree.
C'è abbastanza a quantità Di informazioni estratto fuori Di a separare orma.
Se Voi ripetere Questo fare un passo Quello Io ho appena mostrato più volte,
tu lo farai FINE su con a dati tavolo Piace Questo.
Questo È IL dati tavolo Quello Vado A dimostrazione IL previsione modello SU.
Se Voi Avere a Aspetto Che cosa Noi Avere Qui,
Se Voi Aspetto A IL distribuzioni o specie O bersaglio variabile,
Voi Vedere Quello I Avere 405 elaborato immagini Di Eurasiatico lontre,
278 asiatico artigli corti lontre, E 127 a rivestimento liscio lontre.
Suo non perfettamente ugualmente- gruppi distribuiti,
Ma A meno ogni gruppo ha una dimensione del campione piuttosto significativa,
Quale Volere fiduciosamente lavoro per modellazione.
Ogni volta Voi Volere A Fare qualsiasi tipo di supervisionato modellazione,
suo a Bene idea A diviso i tuoi dati in formazione E test dati.
Questo Potere Essere molto facilmente Fatto In JMP.
Voi Avere A Fare convalida colonna entro IL predittivo modellazione piattaforma.
Che cosa Io ho Fatto È I a caso divido i miei dati in dati di addestramento all'80%
E 20 percento test dati,
dove farò il test IL modelli Quello erano andando A costruire SU
E Vedere Come Essi eseguire.
Tutto Giusto, COSÌ Io ho precedentemente Fatto Questo.
Che cosa Malato Fare Ora È Malato Appena seleziona i miei dati di allenamento,
Quale Sono 648 righe,
E I Volere Appena Avere a Aspetto in a dati visualizzazione.
Questo È 648 osservazioni.
Malato velocemente salva Questo COME Mio formazione impostato.
Ancora, Se Voi Avere a Aspetto A la distribuzione,
Voi Potevo Vedere Quello Noi Avere,
100 a rivestimento liscio lontra stampe, 324 Eurasiatico lontra stampe, E 223 ASC.
Suo IL Stesso distribuzione percentuali COME con IL precedente dati impostato.
In IL Prossimo fare un passo,
I Volere saltare fuori a grande parte quando viene A predittivo modellazione,
Quello È a variabile selezione.
I assumere Quello I Avere NO precedente conoscenza, COSÌ Appena aggiungere in Tutto variabili
Quello Sono disponibile.
I Avere NO idea Quale modello È andando A lavoro migliore.
Che cosa Io sono andando A Fare Qui È Malato utilizzare la piattaforma di screening del modello
Quello confronta parecchi diverso macchina apprendimento modelli
Quello Sono implementato In JMP e basta confrontare fare un passo prestazione SU Questo
specifico compito.
Ancora, Mio bersaglio variabile È IL specie.
Questo È IL uno Quello I volevo Piace A predire.
In totale, I Avere 209 misurazioni
estratto da Mio dati sull'impronta E questi Sono Mio X variabili.
Questi Sono Tutto fattori Quello Potere potenzialmente Essere usato.
Che cosa Voi Vedere giù Qui È Voi Potere scegliere IL metodo Quello Voi vorrei correre
E Voi Potere fondamentalmente scegliere Attraverso Tutto IL previsione metodi.
Ma per argomenti scopo E per tempo di esecuzione,
Malato soltanto correre metodi Quello I Sapere Quello Volere correre Attraverso velocemente.
Voi Potere Ancora Fare Esso riproducibile di collocamento a casuale seme.
Cosa c'è Anche Bene Di a piattaforma di screening dei modelli
È Voi Potere aggiungere UN interno convalida fare un passo.
Noi Già diviso Nostro dati in formazione E test impostato.
Ma In ordine A Avere UN convalida interna SU questi modelli
Quello Io sono che si svilupperà,
Malato aggiungere k-piega convalida incrociata.
Malato Appena Mettere a tic tac In Qui COSÌ Quello Là Sono parecchi modelli
sono valutati usando la piega k convalida incrociata metodo.
Va bene, Se I Appena clic velocemente, andare SU correre.
Malato Avere a riepilogo veduta.
Malato Vedere Quello quattro Di Mio modelli
Avere stato valutato.
Tu lo farai Ottenere piazza d'aria,
tu lo farai Ottenere metriche di performance per quei diversi modelli,
E Voi Potere Appena Dire Quale uno È IL migliore.
Voi Appena selezionare IL dominante uno.
Voi Potere Aspetto in IL formazione o nel set di test
Quale Volere Anche Dare Voi a classificazione errata valutare.
Voi Potere Vedere Quello classificazione errata valutare per Foresta di Bootstrap era abbastanza impressionante.
Suo Quasi 95 percento Di IL dati è stato classificato correttamente
In IL convalida impostato.
Per argomenti scopo, andiamo Dire, Quello IL Foresta di Bootstrap,
IL Albero decisionale, E IL Analisi discriminante
erano IL tre migliore modelli E Io sono non Sicuro Quale uno È IL migliore.
I Potere Appena correre quelli tre modelli come selezionato.
Loro lo faranno pop su In loro rispettivo piattaforma.
Che cosa I Potere Fare È Malato Appena
salva IL previsione formula in Mio Deposito di formule.
Malato Fare Questo per IL Modello ad albero decisionale, COSÌ I Potere vicino Questo.
Malato Fare Questo
per IL Analisi discriminante, che viene eseguita qui.
Scorso Ma non meno, I Potere fai questo per IL Foresta di Bootstrap modello
Qui.
Che cosa I Avere Ora È...
Qualcuno I Potere vicino, Io sono Scusa.
I Avere tre modelli In Mio Deposito di formule.
I Ora Volere A valutare Come questi modelli eseguire SU nuovo dati.
Ancora, I andare in Mio tabella dati iniziale
E I selezionare Mio test impostato,
COSÌ Tutto IL variabili Quello Avere ho scelto a caso
COME a convalida impostato.
Malato Appena velocemente salva Questo COME Test Impostato.
In IL Prossimo fare un passo, I Potere tecnicamente
aprire Mio Deposito di formule E I Potere correre tutti quelli modelli In IL nuovo dati tavolo.
I Volere correre loro SU IL test impostato.
I Volere A correre Tutto tre Di IL modelli.
I Potere Fare a modello confronto
dove corro tutto IL tre modelli SU IL test impostato.
Questo è In realtà Che cosa I ricercato A spettacolo.
Tu lo farai Vedere giù Qui, I Speranza Voi Potere Vedere Questo.
Tentativo A ingrandire In a poco morso Quello
IL classificazione errata tariffe di questi modelli erano In realtà abbastanza Basso.
Set di prova È nuovo dati Quello ha non è stato visto sui modelli
E Là era a classificazione errata valutare
per IL Albero decisionale modello Di 16 percento, Mentre IL Analisi discriminante
E IL Foresta di Bootstrap
soltanto avevo a classificazione errata valutare Di 12 percento.
Voi Avere IL più alto aria piazza valore per IL Foresta di Bootstrap,
E Là Sono parecchi altro metrica Quello Voi Volere A Aspetto A.
Per noi, IL maggior parte importante metrico È IL previsione, Giusto O sbagliato.
I Generalmente Aspetto a quantità A IL classificazione errata valutare.
Ma ovviamente, Tutto IL altro metrica
può essere utilizzato A valutare E generare Bene modelli.
Scorso Ma non meno,
Noi Volere A Avere a Aspetto Di Come questi modelli
In realtà eseguire SU IL impronte Quello erano Appena precedentemente elaborato.
Ancora, Noi andare Indietro in il nostro... Ora, dov'è?
In Nostro Deposito di formule E BENE correre Questo
A quattro immagini Quello Noi precedentemente
elaborato.
Se Noi aprire Questo dati tavolo,
Voi Potere Avere a Aspetto A IL previsione.
Che cosa Noi Potere Vedere Qui. Io farò Esso a poco morso Di più ovviamente.
COSÌ Questo era
IL originale dati,
E Se I Appena Aspetto in IL specie per IL Primo modello,
qualunque cosa era previsto correttamente.
IL Primo modello era IL Albero decisionale Quello previsto ASC per ASC,
Eurasiatico lontra per Eurasiatico lontra, a rivestimento liscio per a rivestimento liscio,
E Stesso con IL Analisi discriminante E Stesso con IL Bootstrap Foresta.
Tutti e tre modelli In realtà previsto la specie giusta A IL immagini
che abbiamo elaborato, E Tutto modelli erano Anche coerente
Di loro previsione Quando Esso viene A IL Eurasiatico lontra.
Io sono facendo Mio Dottorato di ricerca principalmente SU IL Eurasiatico lontra specie.
Questo era Anche qualcosa Quello I volevo Avere indovinato COME UN esperto
SU Questo particolare specie orma.
COSÌ suo abbastanza coerente E Esso opere Veramente BENE.
Ovviamente, Voi Potere aggiungere Di più passi e puoi Bene melodia
tuo classificazione valuta ancora di più Se Voi Aspetto Di più in caratteristica selezione.
Ma I pensare Che cosa I ricercato A spettacolo Voi con Questo dimostrazione È Come facilmente a domanda
di cosa specie Esso È Potere Essere risposto usando JMP.
I Speranza Questo era abbastanza intuitivo.
Permettere Me disegno Alcuni conclusioni SU Quello, Alcuni risultati.
Che cosa I Veramente Piace Di JMP È a Grande Tutto- In- uno soluzione.
I Potere estrarre biometrico dati da immagini entro IL ADATTO componente aggiuntivo.
I non Avere A interruttore software A Fare IL dati analisi.
Direttamente, Mio estratto biometrico dati Potere Essere analizzato.
E non soltanto analizzato In a descrittivo modo,
I Potere costruire classificazione modelli.
C'è stato- Di- IL arte macchina apprendimento modelli implementato in Quello,
E COSÌ suo a uno- E- Tutto soluzione.
C'è ovviamente altro modi A fai anche quello,
Ma I Appena Piace IL praticità.
Per Nostro particolare ricerca domanda,
COSÌ Nostro lontra specie specifico classificazione modelli A Questo palcoscenico,
Come tanto dati Noi Avere, Essi Avere eseguito molto BENE.
Loro sono capace A proteggere IL specie
Di separare sconosciuto lontra impronte con alto classificazione valutare.
Per esempio, Qui
neurale netto, Quale I fatto non correre In Questo esempio
Perché IL tempo di esecuzione È a un po' più a lungo,
avevo a classificazione errata valutare Di soltanto 10 percento SU IL Stesso test impostato.
Esso Potevo Anche aumento IL classificazione precisione Di un altro due per cento.
Se Voi tuffo In più profondo, Voi Potere Anche aumento Questo a poco morso Di più.
Uno cosa Quello Nostro esperienza da lavorando con impronte In IL campo
aumenta IL accuratezza della classificazione di abbastanza a quantità
è piuttosto di lavorando con impronte singole
È A lavoro con sentieri.
UN animale, a seconda SU Dove Voi Sono, a seconda SU IL substrato,
non lo fa soltanto Partire a separare orma.
Senza andando pure tanto in dettaglio, a orma Potere Essere a abbastanza complesso questione
Perché Esso varia a quantità con IL substrato Quello UN animale
si sta muovendo Attraverso con IL velocità Di UN animale con IL cancello.
Là Potere Essere abbastanza a morso Di rumore E sfondo variazione.
Se tu lavoro con multiplo impronte E Prendere UN media Di a previsione
Invece Di separare impronte,
Voi Potere indirizzo Questo variazione abbastanza a morso Di più.
Questo viene particolarmente importante Quando Voi Volere A Aspetto A individuale identificazione.
Scorso Ma non meno,
JMP È Anche Grande A guadagno approfondimenti SU IL importanza Di variabili.
C'è parecchi modi entro JMP
Quello Voi Potere Aspetto in Quale Sono in realtà le variabili
Quello Sono contribuendo IL maggior parte A previsioni.
Voi Potere O Aspetto A albero- basato metodi,
Dove Voi Aspetto A IL alberi di classificazione E Dove IL spaccature Sono Fatto.
Voi Potere Aspetto in colonna contributi Ancora per albero- basato metodi,
Se Voi lavoro con Bootstrap F Oreste, O XGBoost, O qualcosa Piace Quello.
Voi Potere Vedere Quale colonne stanno effettivamente scegliendo Come molti volte.
Voi Potevo Aspetto in IL previsione profilatore
Se Voi utilizzo IL normale modellazione piattaforma entro JMP.
Voi Potere tecnicamente Avere a Aspetto di ciò che il previsione Di tuo modello,
Come suo andando A modifica se tu modifica certo valori.
O Voi Potere Fare qualcosa Piace a Analisi discriminante,
Dove Voi Appena seguire
IL Rapporti F Di Come variabili Sono selezionato.
Questo Volere Poi, Ancora, Dare Voi a molte intuizioni
Perché Esso Veramente dipende SU tuo domanda.
Fare Voi Volere A Avere a previsione di un consulente esterno
Di Che cosa specie tu sei guardare A?
O Fare Voi Volere A Dare a guida per lavorare sul campo
Di Quale misurazioni Sono Di valore guardare in
Quando tu sei in campo,
Quando Voi Volere A Fare IL classificazione sull'argomento,
Piace Appena SU esperto conoscenza?
Sì, COSÌ questo è fondamentalmente Esso da Mio lato.
I volevo Piace A Grazie Tutto IL contribuendo zoo E animali selvatici parchi Chi consentito noi
A lavoro con loro bellissimi animali E condividere dati con noi.
Particolarmente, I volevo Piace A Grazie Adornare Yoxon da IL IOSF,
IL lontra sopravvivenza ditta Chi avuto noi in contatto con molti Di loro,
KHYS, Nostro Casa di Karlsruhe di giovani scienziati
Chi ha effettivamente finanziato questo studio,
E maggior parte soprattutto, Giuseppe Morgan da JMP,
che è molto utile quando si tratta di modellazione E ADATTO.
Poi Lui ha stato dare Me consiglio
Di più di una volta Quando I Ottenere Qualunque JSL sceneggiatura problemi.
Sì, questo è bello tanto Esso da Mio lato.
Grazie Voi molto tanto per ascolto COSÌ lontano, tutti.
I Appena Veramente Volere A girare su Qui.
I pensa che Cielo, E Larissa, E Fred hanno delineato magnificamente
IL sfide stiamo affrontando In identificazione questi diverse specie di lontra
in giro IL mondo E IL modo In Quale JMP Potere aiuto noi
classificare loro E Portare un po' di chiarezza A Questo immagine.
Dove Sono Essi E Come molti Sono Là?
Id Piace A Appena velocemente parlare Di cosa c'è Prossimo.
Come Sono Noi edificio SU Questo?
Uno Di IL cose erano facendo È edificio
artificiale intelligenza in Questo immagine COSÌ Quello Esso Volere permettere noi A
filtro E ordinare a tanto maggiore volume Di dati COME Esso viene In.
COME Entrambi Fred E Larissa Avere disse, Noi Bisogno Di più dati.
Artificiale intelligenza ha IL potenziale,
Quale noi abbiamo Già esposto in alcuni primi formazione
E test E campo dati
COME Voi Potere Vedere A IL metter il fondo a Di questa schermata.
Erano ottenere ragionevolmente buona precisione In Nostro iniziale prove con IA.
Noi pensare Quello Esso Volere Mai Dare noi abbastanza IL risoluzione Quello JMP Volere Dare noi.
Che cosa erano mirando A Fare È Avere UN piattaforma di intelligenza artificiale
Quale Volere Essere facile per scienziati cittadini A foraggio dati in.
BENE Avere JMP COME IL classificatore di livello superiore SU Quello piattaforma di integrando Esso.
Ma IL chiave Qui Veramente È Quello questa prova criptica sul terreno
Sinistra dietro di lontre E Tutto IL altro specie
è lì per noi A decodificare se noi Potere Trovare a modo A Fare Esso.
Esso Veramente È trasformativo In conservazione
A Essere capace A Avere a tecnica economica e veloce
A Sapere Dove questi in via di estinzione specie Sono.
Erano molto ottimista che usando un linea di base intelligenza artificiale classificatore
con JMP COME a finale classificatore, BENE Essere capace A Fare Quello tecnica
non solo consegnare IL dati Noi Bisogno, Ma integrare persone Tutto in tutto il mondo
COME cittadino scienziati A Essere parte Di Quello.
Erano Veramente grato A IL Comunità JMP per supporto noi
Attraverso Questo Totale viaggio.
Erano costantemente fabbricazione nuovo passi.
Noi Sapere Quello c'è interesse In questa comunità,
E Noi Speranza Quello Essi Volere unisciti a noi
Quando Nostro nuovo mobile applicazione viene fuori A Anche inizio collezionare dati loro stessi
E spingendo Questo inoltrare dove vogliamo che vada Essere,
Quale È a classificatore
per Tutto in via di estinzione specie Tutto Sopra IL mondo.
Ecco A molti E molti Di punti SU IL mappa,
E Grazie Voi Tutto per ascolto.
