Ⅰ. 서론 - 특허분쟁 건수 크게 증가 - 소송비용 규모 증가 - 특허 보유에 따른 비용 > 특허로 인한 이익 - 특허분쟁 예상 기업이 가입하는 역선택 발생 Ⅱ. 선행연구 - 특허소송 확률 ∝ 보상의 크기 - 특허 분쟁리스크 결정요인 : 청구항 수 多, 기술범위 小 >> 소송가능성이 높음 - 피인용 수 多 >> 소송 가능성 높음 - 인용하는 건수 小 >> 새로운 분야 출원 >> 소송 확률 증가 - 특허 소송의 원인 : 특허기술 간 불분명한 경계문제 - 특허 포트폴리오 특성(평균 청구항 수, 평균 IPC 수, 특허집중도 등) 연구는 부족 Ⅲ. 연구방법 3.1 분석대상 및 자료수집 - 2000~2015년 기간 , 심판(권리범위확인, 무효)이 청구된 특허 대상 *특허 침해 소송의 경우 전체의 94%는 소송 전..

데이터 # tensorflow import tensorflow as tf # keras from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense, Activation from keras.utils import np_utils path = "C:\\Users\\student\\Desktop\\DY\\★ 데이터\\105. deep-learning-dataset\\" data = pd.read_csv(path+"data-02-stock_daily.csv", header=1) data # 데이터 시각화 import matplotlib.pyplot as plt %matplotlib inline..

케라스 모델 생성 기본 구조 1. 데이터 셋 생성 훈련을 위한 데이터 검증을 위한 데이터 테스트를 위한 데이터 2. 모델 구성 시퀀스 모델 생성한 다음 레이어를 추가( 간단한 모델 ) 복잡한 모델은 케라스 함수API를 사용. 3. 모델 학습과정 설정 Cost 함수 정의, 최적화 방법 정의 Compile 함수 사용 4. 모델 학습 트레이닝 데이터로 모델 학습 Fit 함수 사용됌 5. 훈련 셋, 검증 셋의 COST 측정, 정확도 측정 6. 모델 평가 테스트 데이터셋으로 평가 Evaluate 함수가 사용됌 7. 모델 사용 입력 -> 모델 -> 출력 (예측 .. ) Predict 함수가 사용됌 코드 import tensorflow as tf from keras.datasets import mnist from k..

★설치 환경 pip install tensorflow==1.15.0 tensorboard 2.0.2 tensorflow 1.15.0 tensorflow-estimator 2.0.1 버젼 tensorboard 1.15.0 tensorflow 1.15.0 tensorflow-estimator 1.15.1 Python 3.7.4 텐서플러우로 예측분석 데이터 코드 # 데이터 읽기 path = "C:\\Users\\student\\Desktop\\DY\\★ 데이터\\306. carsdata" cars=pd.read_csv(path + "\\cars.csv") # 사용할 데이터 칼럼 및 xtrain , ytrain data=cars[[' cylinders',' hp']] xtrain = list(data[' cyl..

경험적 베이즈 방법은 사고 빈도에 대해서는 분포를 가정하지만, 모수의 분포는 사전에 정의하지 않고 오직 경험으로 얻은 데이터에 의해서 분포를 추정해보는 방식을 의미한다. 잘 이해해보기 위해서 엑셀로 예제들을 작성해보았다. 먼저 Example 57A를 봐보면, 사전에 얻은 데이터 정보는 각 클레임수를 청구한 보험계약자의 수 정보만 있다. 이를 활용하여 다음해에 얼마나 클레임을 청구할지 뷸만 신뢰도를 이용하여 예측해볼 수 있다. 단위기간을 1년동안 관찰하였다고 하면 $EPV= 0* {461 \over 500} + 1* {30 \over 500} + 2* { 7 \over 500} +3 * {2 \over 500} $ 이며, 이 사고 빈도가 포아송 분포이기 때문에, $EPV = \mu$ 이다. $VHM$은 사..

보호되어 있는 글입니다.