AI-Enhanced Yield Management in Semiconductor Production - Plan Szkolenia
Sztuczna inteligencja przekształca zarządzanie wydajnością w produkcji półprzewodników, umożliwiając analizę danych w czasie rzeczywistym i wykorzystanie algorytmów uczenia maszynowego w celu zwiększenia wydajności i zminimalizowania kosztów produkcji.
To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych profesjonalistów, którzy chcą zastosować techniki sztucznej inteligencji w celu optymalizacji zarządzania wydajnością w produkcji półprzewodników.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Analizować dane produkcyjne w celu zidentyfikowania czynników wpływających na wskaźniki wydajności.
- Wdrożyć algorytmy AI w celu usprawnienia procesów zarządzania wydajnością.
- Optymalizować parametry produkcyjne w celu zmniejszenia liczby defektów i poprawy wydajności.
- Zintegrować zarządzanie wydajnością oparte na sztucznej inteligencji z istniejącymi przepływami pracy produkcyjnej.
Format kursu
- Interaktywny wykład i dyskusja.
- Wiele ćwiczeń i praktyki.
- Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.
Opcje dostosowywania kursu
- Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.
Plan Szkolenia
Wprowadzenie do wydajności Management w produkcji półprzewodników
- Przegląd koncepcji zarządzania wydajnością
- Wyzwania związane z optymalizacją wydajności
- Znaczenie zarządzania wydajnością w redukcji kosztów
Data Analysis dla Yield Management
- Zbieranie i analizowanie danych produkcyjnych
- Identyfikacja wzorców wpływających na wydajność
- Korzystanie z narzędzi statystycznych do optymalizacji wydajności
Techniki AI dla optymalizacji wydajności
- Wprowadzenie do modeli AI do zarządzania plonami
- Zastosowanie uczenia maszynowego do przewidywania wyników plonów
- Wykorzystanie sztucznej inteligencji do identyfikacji pierwotnych przyczyn utraty plonów
Wdrażanie rozwiązań dla plonów opartych na sztucznej inteligencji Management
- Integracja narzędzi AI z procesami zarządzania plonami
- Monitorowanie i dostosowywanie w czasie rzeczywistym w oparciu o prognozy AI
- Tworzenie pulpitów nawigacyjnych do wizualizacji zarządzania plonami
Studia przypadków i praktyczne zastosowania
- Analiza udanych wdrożeń zarządzania wydajnością opartych na sztucznej inteligencji
- Praktyczna praktyka z rzeczywistymi zestawami danych produkcyjnych
- Udoskonalanie modeli AI w celu ciągłej poprawy wydajności
Przyszłe trendy w sztucznej inteligencji dla wydajności Management
- Pojawiające się technologie AI w zarządzaniu wydajnością
- Przygotowanie do postępów w produkcji opartej na sztucznej inteligencji
- Odkrywanie przyszłych kierunków w optymalizacji zarządzania wydajnością
Podsumowanie i kolejne kroki
Wymagania
- Doświadczenie w procesach produkcji półprzewodników
- Podstawowe zrozumienie sztucznej inteligencji i uczenia maszynowego
- Znajomość metodologii kontroli jakości
Odbiorcy
- Inżynierowie kontroli jakości
- Kierownicy produkcji
- Inżynierowie procesów w produkcji półprzewodników
Szkolenia otwarte są realizowane w przypadku uzbierania się grupy szkoleniowej liczącej co najmniej 5 osób na dany termin.
AI-Enhanced Yield Management in Semiconductor Production - Plan Szkolenia - Booking
AI-Enhanced Yield Management in Semiconductor Production - Plan Szkolenia - Enquiry
Opinie uczestników (2)
ekosystem ML nie tylko MLFlow, ale także Optuna, hyperops, docker i docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Szkolenie - MLflow
Przetłumaczone przez sztuczną inteligencję
Uczestniczenie w szkoleniu Kubeflow, które odbyło się zdalnie, było dla mnie bardzo przyjemne. To szkolenie pozwoliło mi ugruntować moją wiedzę dotyczącą usług AWS, K8s oraz wszystkich narzędzi devOps związanych z Kubeflow, które są niezbędnymi podstawami do właściwego podejścia do tematu. Chciałbym podziękować Malawskiemu Marcinowi za jego cierpliwość i profesjonalizm w trakcie szkolenia oraz za rady dotyczące najlepszych praktyk. Malawski podejmuje temat z różnych perspektyw, różnych narzędzi wdrażania Ansible, EKS kubectl, Terraform. Teraz jestem zdecydowanie przekonany, że wybieram właściwy kierunek aplikacji.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Szkolenie - Kubeflow
Przetłumaczone przez sztuczną inteligencję
Propozycje terminów
Szkolenia Powiązane
AdaBoost Python for Machine Learning
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi i inżynierów oprogramowania, którzy chcą używać AdaBoost do tworzenia algorytmów wspomagających uczenie maszynowe z Python.
Pod koniec tego szkolenia uczestnicy będą mogli
- Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć budowanie modeli uczenia maszynowego z AdaBoost.
- Zrozumieć podejście do uczenia zespołowego i jak wdrożyć adaptacyjne wzmacnianie.
- Dowiedzieć się, jak budować modele AdaBoost w celu wzmocnienia algorytmów uczenia maszynowego w Python.
- Korzystać z dostrajania hiperparametrów w celu zwiększenia dokładności i wydajności modeli AdaBoost.
AutoML with Auto-Keras
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, a także osób mniej technicznych, które chcą używać Auto-Keras do automatyzacji procesu wyboru i optymalizacji modelu uczenia maszynowego.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zautomatyzować proces szkolenia wysoce wydajnych modeli uczenia maszynowego.
- Automatycznie wyszukiwać najlepsze parametry dla modeli głębokiego uczenia.
- Tworzyć bardzo dokładne modele uczenia maszynowego.
- Wykorzystywać możliwości uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych.
AutoML
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest skierowane do osób technicznych z doświadczeniem w uczeniu maszynowym, które chcą zoptymalizować modele uczenia maszynowego używane do wykrywania złożonych wzorców w dużych zbiorach danych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zainstalować i ocenić różne narzędzia open source AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA itp.)
- Trenuj wysokiej jakości modele uczenia maszynowego.
- Efektywne rozwiązywanie różnych typów nadzorowanych problemów uczenia maszynowego.
- Napisz tylko niezbędny kod, aby zainicjować proces automatycznego uczenia maszynowego.
Creating Custom Chatbots with Google AutoML
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla uczestników o różnym poziomie wiedzy, którzy chcą wykorzystać platformę Google AutoML do tworzenia niestandardowych chatbotów do różnych zastosowań.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Zrozumieć podstawy rozwoju chatbota.
- Poruszać się po platformie Google Cloud Platform i uzyskiwać dostęp do AutoML.
- Przygotowywać dane do trenowania modeli chatbotów.
- Trenować i oceniać niestandardowe modele chatbotów przy użyciu AutoML.
- Wdrażanie i integrowanie chatbotów z różnymi platformami i kanałami.
- Monitorowanie i optymalizacja wydajności chatbota w czasie.
Pattern Recognition
21 godzinThis instructor-led, live training in Polsce (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
- Apply core statistical methods to pattern recognition.
- Use key models like neural networks and kernel methods for data analysis.
- Implement advanced techniques for complex problem-solving.
- Improve prediction accuracy by combining different models.
DataRobot
7 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla analityków danych i analityków danych, którzy chcą zautomatyzować, oceniać i zarządzać modelami predykcyjnymi przy użyciu możliwości uczenia maszynowego DataRobot.
Pod koniec tego szkolenia uczestnicy będą mogli
- Ładować zbiory danych w DataRobot, aby analizować, oceniać i sprawdzać jakość danych.
- Budować i trenować modele w celu identyfikacji ważnych zmiennych i osiągnięcia celów predykcyjnych.
- Interpretować modele w celu tworzenia cennych spostrzeżeń przydatnych w podejmowaniu decyzji biznesowych.
- Monitorowanie i zarządzanie modelami w celu utrzymania zoptymalizowanej wydajności przewidywania.
Data Mining with Weka
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych analityków danych i naukowców zajmujących się danymi, którzy chcą używać Weka do wykonywania zadań eksploracji danych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zainstalować i skonfigurować Weka.
- Zrozumieć środowisko Weka i środowisko pracy.
- Wykonywać zadania eksploracji danych przy użyciu Weka.
Google Cloud AutoML
7 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, analityków danych i programistów, którzy chcą poznać AutoML produkty i funkcje do tworzenia i wdrażania niestandardowych modeli szkoleniowych ML przy minimalnym wysiłku.
Pod koniec tego szkolenia uczestnicy będą mogli
- Eksplorować linię produktów AutoML w celu wdrożenia różnych usług dla różnych typów danych.
- Przygotowywać i etykietować zestawy danych w celu tworzenia niestandardowych modeli ML.
- Trenować i zarządzać modelami w celu tworzenia dokładnych i uczciwych modeli uczenia maszynowego.
- Tworzyć prognozy przy użyciu wytrenowanych modeli, aby spełnić cele i potrzeby biznesowe.
Kubeflow
35 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów i naukowców zajmujących się danymi, którzy chcą budować, wdrażać i zarządzać przepływami pracy uczenia maszynowego w Kubernetes.
Po zakończeniu tego szkolenia uczestnicy będą mogli
- Zainstalować i skonfigurować Kubeflow na miejscu i w chmurze za pomocą AWS EKS (Elastic Kubernetes Service).
- Budować, wdrażać i zarządzać przepływami pracy ML w oparciu o kontenery Docker i Kubernetes.
- Uruchamianie całych potoków uczenia maszynowego w różnych architekturach i środowiskach chmurowych.
- Używanie Kubeflow do tworzenia i zarządzania notatnikami Jupyter.
- Tworzenie szkoleń ML, dostrajanie hiperparametrów i obsługiwanie obciążeń na wielu platformach.
MLflow
21 godzinTo prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wyjść poza budowanie modeli ML i zoptymalizować proces tworzenia, śledzenia i wdrażania modeli ML.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zainstalować i skonfigurować MLflow oraz powiązane biblioteki i frameworki ML.
- Docenić znaczenie możliwości śledzenia, odtwarzania i wdrażania modelu ML.
- Wdrażać modele ML na różnych chmurach publicznych, platformach lub serwerach lokalnych.
- Skalowanie procesu wdrażania uczenia maszynowego, aby pomieścić wielu użytkowników współpracujących nad projektem.
- Skonfigurowanie centralnego rejestru w celu eksperymentowania, odtwarzania i wdrażania modeli uczenia maszynowego.
Machine Learning for Mobile Apps using Google’s ML Kit
14 godzinSzkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów, którzy chcą używać Google's ML Kit do tworzenia modeli uczenia maszynowego zoptymalizowanych do przetwarzania na urządzeniach mobilnych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć opracowywanie funkcji uczenia maszynowego dla aplikacji mobilnych.
- Zintegrować nowe technologie uczenia maszynowego z aplikacjami Android i iOS przy użyciu interfejsów API ML Kit.
- Ulepszyć i zoptymalizować istniejące aplikacje za pomocą ML Kit SDK do przetwarzania i wdrażania na urządzeniu.
Pattern Matching
14 godzinPattern Matching to technika używana do lokalizowania określonych wzorców na obrazie. Może być używana do określenia istnienia określonych cech w przechwyconym obrazie, na przykład oczekiwanej etykiety na wadliwym produkcie w linii produkcyjnej lub określonych wymiarów komponentu. Różni się od "Pattern Recognition" (który rozpoznaje ogólne wzorce w oparciu o większe zbiory powiązanych próbek) tym, że konkretnie określa, czego szukamy, a następnie mówi nam, czy oczekiwany wzorzec istnieje, czy nie.
Format kursu
- Kurs ten wprowadza podejścia, technologie i algorytmy stosowane w dziedzinie dopasowywania wzorców w odniesieniu do Machine Vision.
Machine Learning with Random Forest
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi i inżynierów oprogramowania, którzy chcą używać Random Forest do tworzenia algorytmów uczenia maszynowego dla dużych zbiorów danych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Skonfigurować niezbędne środowisko programistyczne, aby rozpocząć budowanie modeli uczenia maszynowego za pomocą Random forest.
- Zrozumieć zalety Random Forest i jak go wdrożyć w celu rozwiązania problemów związanych z klasyfikacją i regresją.
- Dowiedzieć się, jak radzić sobie z dużymi zbiorami danych i interpretować wiele drzew decyzyjnych w Random Forest.
- Ocena i optymalizacja wydajności modelu uczenia maszynowego poprzez dostrajanie hiperparametrów.
Advanced Analytics with RapidMiner
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla średnio zaawansowanych analityków danych, którzy chcą dowiedzieć się, jak używać RapidMiner do szacowania i prognozowania wartości oraz wykorzystywania narzędzi analitycznych do prognozowania szeregów czasowych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Nauczyć się stosować metodologię CRISP-DM, wybierać odpowiednie algorytmy uczenia maszynowego oraz ulepszać konstrukcję i wydajność modelu.
- Używać RapidMiner do szacowania i prognozowania wartości oraz wykorzystywać narzędzia analityczne do prognozowania szeregów czasowych.
RapidMiner for Machine Learning and Predictive Analytics
14 godzinRapidMiner to platforma oprogramowania do nauki o danych typu open source do szybkiego prototypowania i rozwoju aplikacji. Obejmuje zintegrowane środowisko do przygotowywania danych, uczenia maszynowego, głębokiego uczenia, eksploracji tekstu i analizy predykcyjnej.
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak korzystać z RapidMiner Studio do przygotowywania danych, uczenia maszynowego i wdrażania modeli predykcyjnych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zainstalować i skonfigurować RapidMiner
- Przygotowywać i wizualizować dane za pomocą RapidMiner
- Walidować modele uczenia maszynowego
- Mashup danych i tworzenie modeli predykcyjnych
- Operacjonalizować analitykę predykcyjną w ramach procesu biznesowego
- Rozwiązywanie problemów i optymalizacja RapidMiner
Odbiorcy
- Naukowcy zajmujący się danymi
- Inżynierowie
- Programiści
Format kursu
- Wykład częściowy, dyskusja częściowa, ćwiczenia i ciężka praktyka praktyczna
Uwaga
- Aby poprosić o niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.