這 是 [聽不清楚 00:00:00]， 和 I 將要 展示 你 如何 a 跳轉 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 很多學習 能 幫助 你 . 使用 跳轉， 是 嘗試 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 I 將要 展示 你 如何 到 做 那 使用 JMP， I 只是 想 到 介紹 這 關鍵策略 那 I 工作 和 專利 智力 在米其林，我們就可以去了。 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 ，例如天然橡膠， 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 . 案件 學習 的 哪個 我們 將要 演講 關於 今天 是 關於 生產 回收 苯乙烯，因為苯乙烯 是 用過的 合成橡膠 .
到 回收 苯乙烯，w 有 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] 火波。 全部 流程 是 作曲 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 一個 工業的 微波 . 這 微波 是 不是 這 種類 那 你 有 在 你的 廚房 . I 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 [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] o f 這 蒸餾， 我們 獲得 回收 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 苯乙烯 到 生產 任何 種類 的 目的 包含 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 鑑定專利 拿 a 很多 的 時間 和 僅有的 a 少數專利 是 [聽不清楚 00:04:18]。 這 第二 問題 是 那 我們 強烈 依賴 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 跳轉 . I 轉變 到 跳轉 . I 將要 展示 你 如何 到 做 那。 這裡 是 a 桌子 那 I 進口 從 [聽不清楚 00:05:22]。 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 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 該專利 s 是否重要。 這 桌子 有 二 部分。 專利 擁有手動專家， 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 探索者。 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 身分證號碼在這裡， 出版編號。 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 詞幹擷取 . I 將要 告訴 你 什麼 是 詞幹 晚的。 這裡 我們 將要 使用 基本的 字 。 不 , I 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 有紅色 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 告訴 , 為了 例子 , 為了 材料 . 如果 I 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 , 如果你選擇 短語 那 沒有 到過 , 哪個 是 有趣的 和 能 說 , 「好的， 痕跡 “
現在我們所做的 考慮 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 右鍵單擊 說 , 「好的 , 這 是 a 停止 單字 “ I 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 只需將其放入用戶即可。
I 做 不是 有 到 排除 那 一 . 每個 時間 I 將要 使用文字瀏覽器 . I 能 也 出口 和 進口 全部 停用詞 秒， 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 . I 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，我點擊“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 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 [聽不清楚 00:10:50]。
如果 I 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 建造 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 I 點選 在 它 , I 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 .
T 這裡 是 一些 專利 那 是 實際上 不是 批判的 , 但 這 模型 , 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 . I 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 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，它只是 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 . W 當它是紅色的時候，它看起來 a 很多 的 時間 . 這裡 在 藍色的 ， 你 有 批判的 專利 . 如果 I 點選 在 全部 這 批判的 按鈕 ， 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 是的數據 [聽不清楚 00:14:06]。 I 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 搜尋 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 相反地 比例 的 這 數位 的 時間 專利 作為 批判的 或者 不是 . 然後 這 第二 某件事 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 [聽不清楚 00:15:06] 驗證 放 .
現在， 我們 能 學習 機器 學習 模型 . I 將要 使用 第一的 這 神經 網路 . 什麼是 這 第一的 事物 那 I 想 是 到 預測 如果 這 專利 是 [聽不清楚 00:15:23]。 I 將要 使用 全部 那些 因素，DTM . I 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 , I 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，模型已經擬合完畢。 我們 會 只是 等待 [聽不清楚 00:15:58] 到 有 模型 。 這裡 我們 是。 這就是 [聽不清楚 00:16:08] . 如果 你 記住 皇家學會 方塊 那 我們 有 在 這 第一列， 它 曾是 這 0.5 . 現在 , 和 這 神經 網路 , 我們 有 0.94 作為 R 平方。 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 預測 作為 實際。對於驗證方， 仍然是 相同的 . A 現在 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 . I 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 包括所有 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 網路。 這裡 是 什麼 我們 是。 藍色，是 專利 那 我們 有 讀 和 [聽不清楚 00:18:01] 這些專利 實際上 至關重要。我 n 橘色 專利 那 我們 沒有 讀 但 [聽不清楚 00:18:15 ] 有 工作 為了 我們 .
作為 你 能 看 , 這 可能性 到 是 批判的 預測 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] 銀 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 I 不 知道 .
或許 這個， 它 是 回收 , 它是 苯乙烯單體。 那是 我們的專利 非常 重要的 對我們來說。 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 這個詞 曾是 用過的 為了 這 為了 del 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 I 做過 .
I 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 . I 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 更小 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 數據 從 全部 這 智力 . 我們 已轉換 進入 文字 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 已清理 向上 和 進口 一些 數據 進入 跳轉。 然後 我們 已轉換 這 文字 數據 進入 矩陣。 我們 創建 驗證集。我們平衡所有數據 使用 頻率 場地。 然後我們還機器 學習 模型 這樣的 作為 拉索，N 歐洲 網絡，增強T 再。 我們 做過 一起 模型 . 它 覆蓋 全部 這 監督 機器 學習 模型 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 正在轉換。 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 按鈕 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- 消費 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 加時賽 . 這 病理 是 非常 有用 申請專利 和 可以 是 大概 應用 到 許多 種類 的 文字 數據。 使用 JMP Pro，是 或者 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 像那樣學習。
什麼 我們 能 說 是 這 機器學習 模型 只是 模仿 我們的 選擇。 I 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 .
I 完成的 這 推介會 和 I 希望 你 享受 它 . I 希望 它 將要 給 靈感 為了 未來 工作 , 或許 在 專利 或者 任何 文字 [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 .
