Selbstüberwachtes Pretraining für Defekterkennung in der Halbleiterfertigung
Übersicht
Worum es bei diesem Projekt geht.
Trainiere selbstüberwacht einen Encoder auf Wafer-Patches und schlage die ResNet-Baseline um 8 F1-Punkte. Du erhältst ein verifizierbares Zertifikat.
Das Szenario
Die Fertigung produziert etwa 80.000 Wafer pro Monat; jeder übersehene Defekt kostet im Schnitt 1.200 EUR Nacharbeit, und die Annotation eines Defektbildes kostet rund 4 Minuten Expertenzeit.
Das Briefing
Was Du tust und was Du zeigst.
Zeige, ob selbstüberwachtes Vortraining auf ungelabelten Wafer-Bildern die Defekt-Klassifikation in einem datenarmen Regime sinnvoll verbessert.
Earning criteria — what you'll demonstrate
- Selbstüberwachte Verfahren (kontrastive Methoden, DINO-Familie) konzeptionell und praktisch beherrschen
- Repräsentationslernen anhand von Linear-Probing und Few-Shot-Fine-Tuning bewerten
- Den datenarmen Vorteil von SSL quantitativ gegen eine starke überwachte Baseline messen
- Forschungsergebnisse als geschäftliche Investitionsempfehlung formulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Advanced Deep Learning
Master · Deep Learning
Strong alignment
This challenge maps to Advanced Deep Learning at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Self Supervised Learning
Apply self supervised learning to solve real industry problems and demonstrate production-level capability.
- Representation Learning
Apply representation learning to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Vision Transformers
Apply vision transformers to solve real industry problems and demonstrate production-level capability.
- Transfer Learning
Apply transfer learning to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
ML Researcher
Eine SSL-Methode zu implementieren, sauber gegen eine Baseline zu vergleichen und die Datenkurve zu zeigen ist genau die Arbeit, die ML Researcher in industrieller Forschung jede Woche liefern.
Dieses Projekt schärft
- self-supervised-learning
- representation-learning
- model-evaluation
Applied AI Scientist
Forschungsmethoden auf ein konkretes Datenproblem in der Fertigung anwenden und das Ergebnis ehrlich quantifizieren ist Kerngebiet der angewandten KI.
Dieses Projekt schärft
- self-supervised-learning
- transfer-learning
- model-evaluation
Machine Learning Engineer
Saubere Trainings-Pipelines mit Hyperparameter-Tracking und reproduzierbaren Experimenten sind das Handwerk, das jeder ML Engineer in einem produktnahen Team beherrschen muss.
Dieses Projekt schärft
- pytorch
- vision-transformers
- transfer-learning
Noch eine Sache