Kernel-SVM-Baseline für die Qualitätskontrolle in der Halbleiterfertigung
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen anonymisierten Wafer-Messwert-Datensatz (rund 90.000 Wafer mit 140 Messpunkten und einem binären Qualitäts-Label aus der End-of-Line-Prüfung). Trainiere eine Kernel-SVM mit RBF-Kernel und tunst Bandbreite plus Regularisierung über eine geschachtelte Kreuzvalidierung. Reportiere ROC-AUC, Precision-Recall-AUC und Calibration (z. B. Brier-Score) und vergleiche fair mit dem bestehenden Random-Forest. Liefere die Pipeline, eine 3-seitige technische Notiz und ein 1-seitiges Memo für die Qualitätsleitung mit konkretem Roll-out-Vorschlag.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere eine Kernel-SVM auf Wafer-Messwerten, vergleiche fair gegen Random Forest und liefere eine roll-out-fähige Empfehlung für das Qualitäts-Engineering.
Earning criteria — what you'll demonstrate
- Kernel-SVM theoretisch begründet auf einem realen Industrie-Datensatz anwenden
- Geschachtelte Kreuzvalidierung als korrektes Tuning-Verfahren einsetzen
- Modell-Kalibrierung als eigenständige Qualitäts-Dimension messen
- Methoden-Wahl fair gegen eine reife Baseline verteidigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Klassische statistische Lernmethoden sauber anzuwenden und gegen Baselines fair zu vergleichen, ist Tagesarbeit für Data Scientists in Industrie-Qualitätskontroll-Settings.
Dieses Projekt schärft
- statistical-learning
- kernel-methods
- cross-validation
Maschinelles-Lernen-Ingenieur:in
Eine reproduzierbare Pipeline mit Kalibrierungs-Analyse und Roll-out-Vorschlag ist MLE-Tagesgeschäft in produktionsnahen Engineering-Teams.
Dieses Projekt schärft
- svm
- model-calibration
- python
Angewandte:r KI-Wissenschaftler:in
Modell-Empfehlungen für ein Engineering-Team verständlich aufzubereiten ist Brückenarbeit zwischen Forschung und Produkt, die angewandte KI-Wissenschaftler:innen leisten.
Dieses Projekt schärft
- statistical-learning
- model-calibration
- cross-validation
Noch eine Sache