Exploration de données pour un ensemble de données asymétriques sous la malédiction de la dimensionnalité
Trouver dans un ensemble de données volumineuses et bruyantes lele plus influentprédicteurs de rendement dans un semi-conducteurFab
Introduction:
La fabrication de semi-conducteurs est l'un des procédés les plus complexes et les plus technologiques. En raison du nombre élevé d'étapes et de capteurs, ce secteur est confronté à un flux massif de données. Outre ce volume important de données de production, le déséquilibre entre les composants conformes et les composants défectueux rend cet ensemble de données difficile à analyser.
Avec un nombre de données aussi élevé, la technique standard d'une variable à la fois pourrait échouer en raison de l'influence d'un grand nombre de variables de fabrication.
Les données en elles-mêmes ne sont pas utiles. Pour être utiles, elles doivent être converties en informations exploitables afin d'améliorer le rendement et la qualité des produits.
Voici le Machine Learning (ML).
Afin d'éviter le surajustement du modèle, il est également nécessaire de réduire la dimensionnalité de l'échantillon. Autrement dit, pour améliorer le rapport signal/bruit des données disponibles, il est nécessaire de réduire le nombre de caractéristiques avant d'appliquer un modèle d'apprentissage automatique. Une fois les tendances intéressantes extraites de la base de données, elles seront validées par l'expérience de l'ingénieur.
L'ensemble du processus a été réalisé à l'aide des fonctionnalités JMP13 JSL
