这 是 [听不清 00:00:00]， 和 I 将要 展示 你 如何 a 跳转 专业版 能 帮助 你 为了 专利 智力 . 专利 智力 是 非常 战略 为了 这 发展 的 新的 流程 和 新的 产品 . 但 这 任务 是 经常 a 乏味 工作 因为 阅读 专利 是 非常 难的 工作 . 为了 那些 WHO 有 已经 读一个 专利 ， 他们 知道 如何 极好的 a 专利是 .
这 较少的 你 读 专利 , 这 更好的 它 是 为了 你 . 这 是 确切地 在哪里 a 很多学习 能 帮助 你 . 使用 跳转， 是 尝试 到 模仿 Netflix . Netflix , 基于 在 哪个 我们 有 已经 见过 , 建议 你 哪个 一 你 将要 喜欢 . 为了 专利 智力， 它是 相当 这 相同的 事物 . 基于 在 哪个 专利 你 已经 读 , 我们 将要 尝试 到 预测 哪个 专利 你 有 到 读 .
前 I 将要 展示 你 如何 到 做 那 使用 JMP， I 只是 想 到 介绍 这 关键策略 那 I 工作 和 专利 智力 在米其林，我们就可以去了。 米其林 是 a 知名 胎 制造商 那 目标 在 生产 最好的- 在- 班级 表现 胎 . 但 现在 这 新的 [听不清 00:01:25] 使命 是 到 生产 这 最好的 表现 胎， 但 这 时间 和 很多 可持续的 材料 仅有的 . 这 胎 是 制成 的 足够 的 类型 的 材料 ，例如天然橡胶， 增塑剂 , 收费， 合成橡胶， 和 所以 在 .
为了 现在 , 几乎 没有任何 的 这 生的 材料 是 可持续的 . 他们 全部 来 从 [听不清 00:01:56] 资源 . 我们的 使命 是 到 生产 新的 化学 流程 那 将要 生产 这些 新的 可持续的 材料 , 哪个 方法 新的 流程 方法 专利 智力 . 案件 学习 的 哪个 我们 将要 讲话 关于 今天 是 关于 生产 回收 苯乙烯，因为苯乙烯 是 用过的 合成橡胶 .
到 回收 苯乙烯，w 有 我们 做 是 到 收集 苯乙烯 浪费。 然后 我们 有 到 前提 的 苯乙烯 到 消除 全部 这 [听不清 00:02:42]。 然后 我们 去 通过 这 过程 , 哪个 是 发达 和 [听不清 00:02:48] 火波。 全部 流程 是 作曲 的 三 主要的 部分 . 这 第一的 是 这 液化 的 这 苯乙烯 和 这 移动 的 这 [听不清 00:03:02]。 然后 我们 放 这 苯乙烯 一个 工业的 微波 . 这 微波 是 不是 这 种类 那 你 有 在 你的 厨房 . I 意思是 , 这是一个 巨大的 微波。 这 微波 将要 切 这 聚合物 链 进入 苯乙烯单体。
但 在 这 出口 的 这 反应器中，苯乙烯单体不 [听不清 00:03:28] . 它 包含 a 很多 的 [听不清 00:03:33] 材料。 我们 有 到 固化 它。 我们 做 那 经过 蒸馏。 [听不清 00:03:37] o f 这 蒸馏， 我们 获得 回收 苯乙烯 , 哪个 有 这 相同的 特性 作为 [听不清 00:03:47] 苯乙烯。 我们 能 使用 这 回收 苯乙烯 到 生产 任何 种类 的 目的 包含 聚苯乙烯 和 尤其 轮胎。
这 是 a 非常 创新的 过程 和 我们 需要 大量专利情报 . 但 专利 智力 的 二 问题 . 这 第一的 是 鉴定专利 拿 a 很多 的 时间 和 仅有的 a 少数专利 是 [听不清 00:04:18]。 这 第二 问题 是 那 我们 强烈 依赖 在 这 搜索 引擎 和 关键词 . 意思是，我们 想 到 搜索 为了 专利 在 或者 过程 . 我们 会 类型 一些 关键词 在 谷歌 专利 或者 [听不清 00:04:40] , 任何。 什么 我们 会 读 是 仅有的 这 第一的 页 的 这 搜索 引擎 和 非常 很少 这 第二 页 , 但 那 是 当然 那 我们 惯于 读 全部 这 专利 那 出现 后 这 第二 页面 .
那里 是 a 高的 风险 的 丢失的 a 非常 重要的 专利 , 这样的 作为 为什么 我们 需要 a 工具 那 将要 读 为了 我们 a 高的 数量 的 专利。 那是 什么 我们 将要 做 现在 和 跳转 . I 转变 到 跳转 . I 将要 展示 你 如何 到 做 那。 这里 是 a 桌子 那 I 进口 从 [听不清 00:05:22]。 这里我们有专利号。 我们可以识别 每个 专利， 我们 有 受让人 这里 . 我们 有 这里 这 标题 的 这 专利 , 这 抽象的 . 但 描述 什么 包含 专利 和 这 索赔。
为了 全部 这 专利 那 我们 有 读 , 我们 绑 这 专利 如果 它是 批判的 或者 不是 . 这 主意 是 现在 到 尝试 到 放 向上 a 匹配 学习 模型 那 将要 预测我 f 该专利 s 是否重要。 这 桌子 有 二 部分。 专利 拥有手动专家， 专利 那 我们 读 和 一些 专利 那 我们 没有 读。 我们 将要 使用 这 第二 部分 . 这 第二 部分 的 这 推介会 . 为了 现在 , 我们 将要 建造 向上 这 模型 . 我们 将要 排除 这 数据 那 我们 没有 读 .
这 第一的 事物 到 做 是 到 使用 这 文本 探索者。 我们 将要 重点 在 这 抽象的 仅有的 为了 这 推介会。 的 课程， 我们 能 使用 索赔 和 标题 和 任何 . 我们 将要 使用 这 身份证号在这里， 出版编号。 这里 我们 说 , 好的 , 只是 使用 设置， 英语。 我们 说 这 最低限度 特点 每个字 是 三 . 我们 将要 使用 词干提取 . I 将要 告诉 你 什么 是 词干 晚的。 这里 我们 将要 使用 基本的 字 。 不 , I 只是 有 到 发射 到 [听不清 00:07:14]。
这里 是 什么 我们 有 . 在 这 左边 部分 的 这 屏幕， 你 有 a 列表 的 这 条款 . JMP Pro 有红色 在 这 抽象的 角落 。 这里 是 这 频率 的 每个 他们 出现 在 这 [听不清 00:07:33]。 这里 你 能 注意 什么 是 告诉 , 为了 例子 , 为了 材料 . 如果 I 只是 说 , 好的 , 材料 和 材料 是 这 相同的 意义。 我们 团体 全部 这 单词 经过 这 根 的 这 世界 .
在 这 正确的 部分 的 这 屏幕 ， 什么 我们 有 是 短语。 短语 二 或者 三 或者 四 字 那 能 有 意义 . 为了 例子 , 热解 油 有 a 意义 和 这 意义 是 不同的 . 如果 我们 分离 热解 在 油 , 所以 什么 我们 做 , 如果你选择 短语 那 没有 到过 , 哪个 是 有趣的 和 能 说 , “好的， 痕迹 “
现在我们所做的 考虑 a 短语 作为 a 学期 . 为了 例子 , 这 一， 碳氢化合物 [听不清 00:08:32] 是 现在 经过考虑的 作为 a 学期 . 我们 能 做 一些 更多的 打扫 , 为了 例子 , 到 提供 . 提供 做 不是 给 你 信息 在 什么 [听不清 00:08:46] 专利 .
什么 我们 能 做 是 右键单击 说 , “好的 , 这 是 a 停止 单词 “ I 不 想 到 拿 , 提供 , 提供或 任何 在 [听不清 00:08:56]。 我们 已删除 它 . 和 JMP专业版 , 你 能 管理 全部 这 停止 单词 在 全部 这 短语 这里 . 作为 你 能 看 , 全部 这 停止 字 存储在这里 在 当地的 . 但 如果 你 想 到 学习 经过 默认 , 我们 能 只需将其放入用户即可。
I 做 不是 有 到 排除 那 一 . 每个 时间 I 将要 使用文本浏览器 . I 能 还 出口 和 进口 全部 停用词 秒， 短语 和记录 . 现在， 这 第一的 工具 那 我们 将要 使用 到 分析 专利 和 尝试 到 预测 如果专利 是 批判的 是 术语选择。 什么 我们 想 是 到 预测 如果 这 专利 是 批判的 或者 不是 . I 想要专利 批判的 . 这里 是 一些 设置 , 和 这 仅有的 设置 那 我们 将要 改变 这里 是 到 使用 低的 频率 的 学期 反而 的 [听不清 00:10:03]。现在，我点击“运行” .
这里， 我们 有 这 第一的 模型 . 现在，这里 是 a 结果 的 这 模型 是 这里。 什么 我们 能 做 看 是 R方 是 不是 那 坏的 因为 它是 几乎 超过五。你得到了 错误分类 速度 是 还 非常 出色地 . 我是 在 较少的 比 1% 专利 是 错误分类 . 所以这非常好。 这里 我们 有 全部 这 学期 那 这 模型 用过的 到 预测 专利 是 批判的 或者 不是 . 我们 能 种类 它 经过 这 最多 重要的 术语 [听不清 00:10:50]。
如果 I 点击 在 聚苯乙烯 , 哪个 是 不是 奇怪 ， 你 能 看 全部 这 专利 在哪里 这 单词 聚苯乙烯 出现 和 非常 有用 [听不清 00:11:04] 如何 这 模型 构建 是 建造 在 这 左边 桌子 . 什么 我们 有 是 这 预言 的 这 模型 . 这里 , 我们 能 种类 经过 这 最大限度 可能性 的 存在 批判的 . 然后 如果 I 点击 在 它 , I 能 读 为什么 专利 是 批判的 为了 我们 或者 不是 和 然后 能 比较 如果 它是 实际上 批判的 为了 那些 那 有 a 可能性 到 是 批判的 经过 [听不清 00:11:34] 是 高的 . A 事实上， 它 是 批判的 .
T 这里 是 一些 专利 那 是 实际上 不是 批判的 , 但 这 模型 , 他们 或许 可以 是 批判的。 我们 应该 读 它 因为 或许 我们 是 错误的 什么时候 我们 读 这 第一的 时间 . 经过 重读 这 专利 , 我们 能 寻找 一些 误解 那 我们 不 这 第一的 时间。 这 第一的 二 那 我们 能 做 为了 专利 , 分类 和 预言 . 但 从 我的 观点 的 看法 , 这 是 不是 足够的 因为 我们 是 不是 自信的 如果 这 模型 将要 预测 出色地 和 那 [听不清 00:12:18] 如果 专利 将要 是 批判的 或者 不是 .
到 做 那 和 到 提升 还 这 R方， 我们 将要 使用 其他 机器学习模型。 到 使用 机器 学习 模型 , 什么 我们 将要 做 是 到 出口 这 文档 学期 M 矩阵 哪个 包含 全部 这 数值 数据 和 进入 这 DTM. 每项专利 是 代表 经过 全部 这 频率 的 期限 . I 已经 做过 那 前 . 我们 将要 只是 有 a 看 在 这 细节 的 这 抽象的。 [听不清 00:13:04]， 哪个 有 某物 喜欢 400 列 .
我们 可以 使用 a 细胞图 到 更好的 可视化 什么 它 看起来 就像DTM一样。嗯，它只是 需要 这 20 最多 常用术语 和 这里 当它是绿色的时候 , 它 方法 t 他的任期 做 不是 出现 在 这 专利 . W 当它是红色的时候，它看起来 a 很多 的 时间 . 这里 在 蓝色的 ， 你 有 批判的 专利 . 如果 I 点击 在 全部 这 批判的 按钮 ， 这 目标 的 这 机器 学习 模型 将要 是 到 理解 哪个 专利 线索 到 批判的 专利。 前 使用 机器学习模型， 我们 将要 有 到 做 二 事物 哪个 是 非常 重要的 .
这 第一的 事物 是的数据 [听不清 00:14:06]。 I 意思是 , 这 数字 的 批判的 专利 是 非常 小的 比较的 到 这 数字 的 专利 那 我们 有。 它是 喜欢 搜索 为了 a 针 在 a 草垛。 我们 有 到 重新平衡 全部 的 这 数据 . 到 做 那 ， 什么 我们 做过 是 到 使用 a 频率 批判的。 这 频率关键 有 a 公式 哪个 是 相反地 比例 的 这 数字 的 时间 专利 作为 批判的 或者 不是 . 然后 这 第二 某事 我们将 做 是 到 使用 验证步骤。使用 验证 WHO 将要 有 更好的 信心 在 这 可预测性 的 这 模型 . A 伊索 , 我们 放 a 频率 在 验证 . 现在 我们 有 漂亮的 好的 数据 . 我们 选择 [听不清 00:15:06] 验证 放 .
现在， 我们 能 学习 机器 学习 模型 . I 将要 使用 第一的 这 神经 网络 . 什么是 这 第一的 事物 那 I 想 是 到 预测 如果 这 专利 是 [听不清 00:15:23]。 I 将要 使用 全部 那些 因素，DTM . I 做 不是 忘记 到 使用 这 频率 到 平衡 这 数据和 验证 柱子 到 是 当然 那 这 模型 是 可预测 或者 不是。 让我们 去 .
现在 , I 将要 只是 配置 一些 参数 和 我们 将要 使用 [听不清 00:15:50]。就这样。 现在，模型已经拟合完毕。 我们 会 只是 等待 [听不清 00:15:58] 到 有 模型 。 这里 我们 是。 这就是 [听不清 00:16:08] . 如果 你 记住 皇家学会 正方形 那 我们 有 在 这 第一列， 它 曾是 这 0.5 . 现在 , 和 这 神经 网络 , 我们 有 0.94 作为 R 平方。 为了 这 验证端， 我们是0.86。 所以 大的 改进。
这 分类 速度 是 必需的 相同 但 我们 有 重新平衡 这 数据。 现在，我 t 是 漂亮的 温暖的 . 这里 我们 的 这 困惑 矩阵 和 你 能 看 那 实际的 专利 是 预测 作为 实际。对于验证方， 仍然是 相同的 . A 现在 a [听不清 00:16:56]。 现在 什么 我们 能 做 是 到 节省 这 公式 的 这 模型 . I 有 已经 完毕 那 . 这里 是 这 问题 . 然后 这 公式 预测 这 可能性 到 是 批判的 或者 不是 批判的 .
我们 能 现在 r 包括所有 这 数据 e 排除 到 申请 这 公式 模型 , 和 专利 那 我们 没有 读。 我们 只是 等待 为了 他们 到 计算 可能性 . 这里 我们 是 . 这 预言 的 这 神经 网络。 这里 是 什么 我们 是。 蓝色，是 专利 那 我们 有 读 和 [听不清 00:18:01] 这些专利 实际上 至关重要。我 n 橙色 专利 那 我们 没有 读 但 [听不清 00:18:15 ] 有 工作 为了 我们 .
作为 你 能 看 , 这 可能性 到 是 批判的 预测 经过 这 模型 为了 全部 这 批判的 专利 是 漂亮的 难的 [听不清 00:18:27] 银 好 工作 . 现在 , 如果 我们 想 到 知道 哪个 专利 到 读 , 我们 只是 有 到 选择 那些 专利和 拿 a 子集 的 它。 这里 我们 有 a 短的 列表 的 非常 重要的 模型。 这里 , 如果 你 看 哪个 种类 的 专利 我们 有 , 我们 有 a 很多 的 专利 那 是 重要的 为了 我们 . 他们 [听不清 00:19:03] 因为 苯乙烯 纯化 或者 I 不 知道 .
或许 这个， 它 是 回收 , 它是 苯乙烯单体。 那是 我们的专利 非常 重要的 对我们来说。 什么时候 你 读 全部 的 这 专利 , 在 事实 , 我们 有 a 非常 好的 惊喜。 许多 的 那些 专利是 [听不清 00:19:29] 为了 我们 现在 . 但 有时 它 可以 发生 和 模型 是 [听不清 00:19:36] 因为 这 这个词 曾是 用过的 为了 这 为了 del 不是 精确的 . 或许 a 好的 事物 是 到 放 a 不同的 种类 的 模型。 那是 什么 I 做过 .
I 放 a 模型 喜欢 套索， 提升树或 神经网络 那 拿 进入 帐户 不是 仅有的 这 抽象的 但 还 [听不清 00:20:07]。 我们 能 还 包括 目镜 . I 做过 一个 合奏 模型 , 哪个 是 一个 图像 的 全部 那些 专利。 现在 这 选择 是 更多的 精确的。 我们 能 还 看 什么 专利 我们 有 在 只是 a 子集 . 现在 有 a 机会 到 是 非常 批判的 是 非常 重要的 . 这 数字 的 批判的 专利 那 我们 有 到 读 是 更小 比 和 仅有的 一 模型。 我们 增加 这 表现 的 这 机器学习 模型 .
现在 让我们 去 后退 到 这 推介会。 什么 我们 做过 是 我们 进口 数据 从 全部 这 智力 . 我们 已转换 进入 文本 数据 和 我们 放 a 匹配 模型 . 这里 是 a 方法 那 我们 使用 [听不清 00:21:08] 方法。 我们 做过 手动的 排行 的 专利 在 这 小的 语料库 经过 手。 我们 已清理 向上 和 进口 一些 数据 进入 跳转。 然后 我们 已转换 这 文本 数据 进入 矩阵。 我们 创建 验证集。我们平衡所有数据 使用 频率 场地。 然后我们还机器 学习 模型 这样的 作为 拉索，N 欧洲 网络，增强T 再。 我们 做过 一起 模型 . 它 覆盖 全部 这 监督 机器 学习 模型 那 我们 放 向上。 那 曾是 这 第一的 步。
这 第二 步 曾是 这 生产 . 我们 使用 那 模型 在 a 宽的 语料库 的 专利 那 我们 有 在 [听不清 00:21:56]。 我们 能 进口 全部 的 这 专利 这 相同的 方式 作为 这 第一的 步 在 正在转换。 我们 做 一些 预言 . 现在 我们 是 有能力的 到 选择 仅有的 a 很少 专利 那是 大概 批判的 。 这 数字 的 按钮 那 我们 将要 读 是 相当 小的 , 和 我们 有 高的 机会 到 读 仅有的 批判的 专利 和 到 花费 时间 在 这 好的 专利 .
这 结论 的 这 工作 是 机器学习可以自动化 时间- 消费 任务 . 这是一个工具 将要 帮助 你 , 但 在下面 不 情况 它 将要 抑 人类 加时赛 . 这 病理 是 非常 有用 申请专利 和 可以 是 大概 应用 到 许多 种类 的 文本 数据。 使用 JMP Pro，是 或者 将要 看 那 你 有 见过 那 它是 非常 简单的 到 做 那 和 JMP Pro 是 非常 强大的 程序f 或者 环境 向上 机器 像那样学习。
什么 我们 能 说 是 这 机器学习 模型 只是 模仿 我们的 选择。 I f 我们 想 到 去 更远 或者 如果 我们包括 新专利 那 是 批判的 任何一个 我们 将要 需要 到 重建 a 新的 模型 或者 尝试 其他 方法 哪个 是 基于 在 部署 在 任何 .
I 完成的 这 推介会 和 I 希望 你 享受 它 . I 希望 它 将要 给 灵感 为了 未来 工作 , 或许 在 专利 或者 任何 文本 [听不清 00:23:48]。 不要犹豫 到 接触 我 在 这 工作 社区 或者 到 邮政 一些评论。
感谢 你 为了 观看 . 再见- 再见 .
