這是[聽不清楚 00:00:00],和我將要展示你如何A聯合管理計劃專業版能幫助你為了專利智力。 專利智力是非常策略為了這發展的新的流程和新的產品。 但這任務是常A乏味工作因為閱讀專利是非常難的工作。為了那些世界衛生組織有已經讀一個專利， 他們知道如何極佳的A專利是。
這較少的你讀專利,這更好的它是為了你。這是確切地在哪裡A學到很多東西能幫助你。 使用傑普,是試到模仿Netflix 。 Netflix ,基於在哪個我們有已經見過,建議你哪個一你將要喜歡。 為了專利智力，它是相當這相同的事物。 基於在哪個專利你已經讀,我們將要嘗試到預測哪個專利你有到讀。
前我將要展示你如何到做那與 JMP 合作，我只是想到介紹這關鍵策略那我工作和專利智力在米其林，我們可以走了。米其林是A知名胎製造商那目標在生產最好的-在-班級表現胎。但現在這新的[聽不清楚 00:01:25]使命是到生產這最好的表現胎，但這時間和很多可持續的材料僅有的。這胎是製成的足夠的類型的材料，如天然橡膠，增塑劑,收費，合成橡膠，和所以在。
為了現在,幾乎沒有任何的這生的材料是可持續的。 他們全部來從[聽不清楚 00:01:56]資源。 我們的使命是到生產新的化學流程那將要生產這些新的可持續的材料,哪個方法新的流程方法專利智力。 案子學習的哪個我們將要演講關於今天是關於生產回收的苯乙烯 因為苯乙烯是用過的在合成橡膠中。
到回收苯乙烯，w帽子我們做是到收集苯乙烯浪費。然後我們有到前提的苯乙烯到消除全部這[聽不清楚 00:02:42]。 然後我們去透過這過程,哪個是發達和[聽不清楚 00:02:48]熱波。 全部流程是組成的的三主要的部分。 這第一的是這液化的這苯乙烯和這移動的這[聽不清楚 00:03:02]。然後我們放這苯乙烯在一個工業的微波。 這微波是不是這種類那你有在你的廚房。我意思是,這是一個巨大的微波。這微波將要切這聚合物鏈進入苯乙烯單體。
但在這出口的這反應器中，苯乙烯單體不是[聽不清楚 00:03:28] 。 它包含A很多的[聽不清楚 00:03:33]材料。 我們有到固化它。我們做那經過蒸餾。[聽不清楚 00:03:37]哦F這蒸餾,我們獲得回收的苯乙烯,哪個有這相同的特性作為[聽不清楚 00:03:47]苯乙烯。 我們能使用這回收的苯乙烯到生產任何種類的目的含有聚苯乙烯和尤其輪胎。
這是A非常創新的過程和我們需要大量專利情報。 但專利智力的二問題。 這第一的是專業專利拿A很多的時間和僅有的A專利很少是[聽不清楚 00:04:18]。 這第二問題是那我們強烈地依靠在這搜尋引擎和關鍵字。 意思是，我們想到搜尋為了專利在或者過程。 我們會類型一些關鍵字在Google專利或者[聽不清楚 00:04:40] ,任何。什麼我們會讀是僅有的這第一的頁的這搜尋引擎和非常很少這第二頁,但那是當然那我們慣於讀全部這專利那出現後這第二頁面。
那裡是A高的風險的遺失的A非常重要的專利,這樣的作為為什麼我們需要A工具那將要讀為了我們A高的數量的專利。 那是什麼我們將要做現在和聯合管理計劃。 我轉變到聯合管理計劃。 我將要展示你如何到做那。 這裡是A桌子那我進口的從[聽不清楚 00:05:22]。 在這裡，我們有專利號。 我們可以識別每個專利，我們有受讓人這裡。 我們有這裡這標題的這專利,這抽象的。 但描述什麼包含專利和這索賠。
為了全部這專利那我們有讀,我們捆綁這專利如果它是批判的或者不是。 這主意是現在到嘗試到放向上A匹配學習模型那將要預測我F專利我s是否重要。 這桌子有二部分。專利具手動專業知識，專利那我們讀和一些專利那我們沒有讀。我們將要使用這第二部分。 這第二部分的這推介會。 為了現在,我們將要建造向上這模型。我們將要排除這數據那我們沒有讀。
這第一的事物到做是到使用這文字探險家。 我們將要重點在這抽象的僅有的為了這推介會。的課程，我們能使用索賠和標題和任何。 我們將要使用這身分證在這裡，出版號。 這裡我們說,好的,只是使用設定,英語。我們說這最低限度特點每個字是三。 我們將要使用詞幹。 我將要告訴你什麼是剛剛阻止晚的。這裡我們將要使用基本的字。不,我只是有到發射到[聽不清楚 00:07:14]。
這裡是什麼我們有。 在這左邊部分的這螢幕,你有A清單的這條款。 JMP Pro 為紅色在這抽象的角落。這裡是這頻率的每個他們出現在這[聽不清楚 00:07:33]。這裡你能注意什麼是講述,為了例子,為了材料。 如果我只是說,好的,材料和材料是這相同的意義。 我們團體全部這單字經過這根的這世界。
在這正確的部分的這螢幕， 什麼我們有是短語。短語二或者三或者四字那能有意義。 為了例子,熱解油有A意義和這意義是不同的。 如果我們分離熱解在油,所以什麼我們做,如果您選擇短語那沒有到過,哪個是有趣的和能說, 「好吧，一個痕跡」。
現在我們做了什麼c旁觀者A短語作為A學期。 為了例子,這一，碳氫化合物[聽不清楚 00:08:32]是現在經過考慮的作為A學期。 我們能做一些更多的打掃,為了例子,到提供。 提供做不是給你資訊在什麼[聽不清楚 00:08:46]專利。
什麼我們能做是右鍵點擊說, 「好的,這是A停止單字」。我不想到拿,提供,提供或任何在[聽不清楚 00:08:56]。我們已刪除它。 和JMP專業版,你能管理全部這停止單字在全部這短語這裡。 作為你能看,全部這停止字儲存在這裡在當地的。 但如果你想到學習經過預設,我們能只需將其放入用戶中即可。
我做不是有到排除那一。 每個時間我將要使用文字瀏覽器。 我能也出口和進口全部停用詞s,短語和記錄。 現在，這第一的工具那我們將要使用到分析專利和嘗試到預測如果專利是批判的是術語選擇。 什麼我們想是到預測如果這專利是批判的或者不是。 我想要專利批判的。 這裡是一些設定,和這僅有的設定那我們將要改變這裡是到使用低的頻率的學期反而的[聽不清楚 00:10:03]。現在，我單擊“運行” 。
這裡，我們有這第一的模型。 現在，這裡是A結果的這模型是這裡。什麼我們能做看是R方是不是那壞的因為它是幾乎超過五。你得到了錯誤分類速度是也非常出色地。 我是在較少的比1%專利數是錯誤分類。 所以這非常好。這裡我們有全部這學期那這模型用過的到預測專利是批判的或者不是。 我們能種類它經過這最多重要的術語至[聽不清楚 00:10:50]。
如果我點選在聚苯乙烯,哪個是不是奇怪， 你能看全部這專利在哪裡這單字聚苯乙烯出現和非常有用[聽不清楚 00:11:04]如何這模型建構是建成在這左邊桌子。 什麼我們有是這預言的這模型。 這裡,我們能種類經過這最大限度可能性的存在批判的。 然後如果我點選在它,我能讀為什麼專利是批判的為了我們或者不是和然後能比較如果它是實際上批判的為了那些那有A可能性到是批判的經過[聽不清楚 00:11:34]是高的。 A事實上，它是批判的。
時間這裡是一些專利那是實際上不是批判的,但這楷模,他們或許可以是批判的。 我們應該讀它因為或許我們是錯誤的什麼時候我們讀這第一的時間。 經過重讀這專利,我們能尋找一些誤解那我們不這第一的時間。 這第一的二那我們能做為了專利,分類和預言。 但從我的觀點的看法,這是不是足夠的因為我們是不是自信的如果這模型將要預測出色地和那[聽不清楚 00:12:18]如果專利將要是批判的或者不是。
到做那和到提升也這R方，我們將要使用其他機器學習模型。 到使用機器學習模型,什麼我們將要做是到出口這文件學期 M矩陣哪個包含全部這數值數據和進入這DTM。每項專利是代表經過全部這頻率的期限。 我已經做過那前。 我們將要只是有A看在這細節的這抽象的。 [聽不清楚 00:13:04],哪個有某物喜歡400列。
我們可以只是使用A細胞圖到更好的視覺化什麼它看起來就像 DTM 一樣。嗯，僅此而已需要這20最多常用術語和這裡當它是綠色的時候,它方法t他的任期做不是出現在這專利。 瓦當它變成紅色時，它就會出現A很多的時間。 這裡在藍色的， 你有批判的專利。 如果我點選在全部這批判的羈扣， 這目標的這機器學習模型將要是到理解哪個專利線索到批判的專利。前使用機器學習模型，我們將要有到做二事物哪個是非常重要的。
這第一的事物是數據[聽不清楚 00:14:06]。我意思是,這數位的批判的專利是非常小的比較的到這數位的專利那我們有。 它是喜歡尋找為了A針在A草垛。 我們有到重新平衡全部的這數據。 到做那， 什麼我們做過是到使用A頻率批判的。這頻率關鍵有A公式哪個是反之成比例的的這數位的時間專利作為批判的或者不是。 然後這第二事情那我們將做是到使用驗證步驟。使用驗證世界衛生組織將要有更好的信心在這可預測性的這模型。 A伊索,我們放A頻率在驗證。 現在我們有漂亮的好的數據。 我們選擇了[聽不清楚 00:15:06]驗證放。
現在，我們能學習加工學習模型。 我將要使用第一的這神經的網路。 什麼是這第一的事物那我想是到預測如果這專利是[聽不清楚 00:15:23]。 我將要使用全部那些因素，DTM 。我做不是忘記到使用這頻率到平衡這數據和驗證柱子到是當然那這模型是可預測或者不是。 讓我們去。
現在,我將要只是配置一些參數和我們將要使用[聽不清楚 00:15:50]。就這樣。現在，模型已經合適了。 我們會只是等待[聽不清楚 00:15:58]到有模型。這裡我們是。 就這樣了[聽不清楚 00:16:08] 。 如果你記住RS誇雷斯那我們有在這第一欄，它曾是這0.5 。現在,和這神經的網路,我們有0.94作為R方。 為了這驗證端，我們是0.86。所以大的改進。
這分類速度是必需的相同但我們有重新平衡這數據。 現在我t是漂亮的溫暖的。 這裡我們的這錯亂矩陣和你能看那實際的專利是預料到的作為實際的。對於驗證方面，仍然是相同的。 A幾乎A [聽不清楚 00:16:56]。 現在什麼我們能做是到節省這公式的這模型。 我有已經完畢那。 這裡是這問題。 然後這公式預測這可能性到是批判的或者不是批判的。
我們能現在r e包括全部這數據e排除到申請這公式模型,和專利那我們沒有讀。 我們只是等待為了他們到計算可能性。 這裡我們是。 這預言的這神經的網路。 這裡是什麼我們是。 藍色，就是那個專利那我們有讀和[聽不清楚 00:18:01] 的專利實際上批判的。我n橘色,專利那我們沒有讀但[聽不清楚 00:18:15 ]有工作過為了我們。
作為你能看,這可能性到是批判的預料到的經過這模型為了全部這批判的專利是漂亮的難的[聽不清楚 00:18:27] 確實一個g好工作。 現在,如果我們想到知道哪個專利到讀,我們只是有到選擇那些專利和拿A子集的它。這裡我們有A短的清單的非常重要的模型。 這裡,如果你看哪個種類的專利我們有,我們有A很多的專利那是重要的為了我們。 他們[聽不清楚 00:19:03] 因為苯乙烯純化或者我不知道。
或許這個，它是回收的,它是苯乙烯單體。 那是專利我們的非常重要的為了我們。 什麼時候你讀全部的這專利,在事實,我們有A非常好的驚喜。 許多的那些專利是[聽不清楚 00:19:29]為了我們現在。 但有時它可以發生和模型是[聽不清楚 00:19:36]因為這那個詞曾是用過的為了這莫德爾不是精確的。 或許A好的事物是到放A不同的種類的模型。 那是什麼我做過。
我放A模型喜歡套索，提升樹或神經網路那拿進入帳戶不是僅有的這抽象的但也[聽不清楚 00:20:07]。 我們能也包括目鏡。 我做過一個合奏模型,哪個是一個影像的全部那些專利。 現在這選擇是更多的精確的。 我們能也看什麼專利我們有在只是A子集。 現在有A機會到是非常批判的是非常重要的。這數位的批判的專利那我們有到讀是較小比和僅有的一模型。我們增加這表現的這機器學習模型。
現在讓我們去後退到這推介會。什麼我們做過是我們進口的數據從全部這智力。 我們轉換的進入文本的數據和我們放A匹配模型。 這裡是A方法那我們使用[聽不清楚 00:21:08] 方法。 我們做過手動的排行的專利在這小的語料庫經過手。 我們清潔過的向上和進口一些數據進入JMP。 然後我們轉換的這文本的數據進入矩陣。 我們已創建驗證集。我們平衡所有數據使用頻率場地。然後我們還要加工學習楷模這樣的作為套索，N歐洲的網絡，增強型 T稀土。 我們做過一個合奏團模型。 它覆蓋全部這監督的機器學習楷模那我們放向上。 那曾是這第一的步。
這第二步曾是這生產。 我們使用那模型在A寬的語料庫的專利那我們有在[聽不清楚 00:21:56]。 我們能進口全部的這專利這相同的方式作為這第一的步在轉換。 我們做一些預言。 現在我們是有能力的到選擇僅有的A很少專利那是大概批判的。這數位的羈扣那我們將要讀是相當小的,和我們有高的機會到讀僅有的批判的專利和到花費時間在這好的專利。
這結論的這工作是機器學習可以自動化時間-消耗任務。 這是一個工具將要幫助你,但在下面不情況它將要抑人類額外的時間。 這病理是非常有用已申請專利和可以是大概應用到許多種類的文本的數據。 使用JMP Pro，y歐將要看那你有見過那它是非常簡單的到做那和JMP Pro 是非常強大的程式f或者環境向上機器就這樣學習。
什麼我們能說是這機器學習模型只是模仿我們的選擇。 我F我們想到去更遠或者如果我們包括新專利那是批判的任何一個我們將要需要到重建A新的模型或者嘗試其他方法哪個是基於在部署在任何。
我完成的這推介會和我希望你很享受它。 我希望它將要給靈感為了未來工作,或許在專利或者任何文本的[聽不清楚 00:23:48]。 不要猶豫到接觸我在這工作社群或者到郵政一些評論。
感謝你為了觀看。 再見-再見。
