📢 오늘의 목표🚩실전 프로젝트를 진행하면서 데이터 분석 역량을 기른다.📅 TIL❇️데이터 인사이트 도출오늘은 반도체 웨이퍼 공정 데이터(EV, OES, RFM)를 이용한 비지도 학습 기반 이상 탐지 파이프라인 전체를 처음부터 끝까지 구축했습니다. 시작은 데이터 전처리였습니다. 세 가지 센서 데이터는 각기 다른 특성을 가지고 있었는데, EV는 웨이퍼당 100행, OES는 38행, RFM은 28행으로 행 수가 달랐습니다. MPCA에 3D 텐서를 입력하려면 웨이퍼 간 행 수가 동일해야 하기 때문에, 초과 시에는 균등 다운샘플링, 부족 시에는 선형 보간으로 통일했습니다. 이상치는 제거가 아닌 IQR k=3 기준 Winsorizing으로 처리했는데, 시계열 연속성을 깨지 않기 위해서입니다. 데이터 구조상 c..

📢 오늘의 목표🚩실전 프로젝트를 진행하면서 데이터 분석 역량을 기른다.📅 TIL❇️데이터 인사이트 도출반도체 제조 공정에서 발생하는 이상(Fault)을 식별하고 이해하기 위해 EV(Etch Chamber Vision), RFM(Radio Frequency Match), OES(Optical Emission Spectroscopy) 세 가지 센서 데이터를 활용하여 분석을 수행하였다. 주요 분석 과정과 결과는 다음과 같다.1. 데이터 로드 및 기초 탐색EV, RFM, OES 데이터셋을 불러온 후 데이터 구조와 특성을 확인하였다.각 데이터셋의 변수 구성과 기본 통계 정보를 검토하여 분석 방향을 설정하였다.2. EV 데이터 분석 (웨이퍼별 및 정상/이상 비교)웨이퍼별 정상(Calibration) 데이터 분..

📅 TIL❇️인사이트 도출반도체 공정 데이터를 활용하여 공정 이상(Fault)을 탐지하고 분석하는 과정을 다각도로 수행했다. 주요 분석 단계와 결과는 다음과 같다. 데이터 로딩 및 초기 탐색: EV, RFM, OES 세 가지 유형의 공정 데이터를 불러와 head() 함수를 통해 각 데이터셋의 기본 구조를 확인했다. EV 데이터셋 정상 데이터 분석 (Wafer별): fault_name이 'calibration'인 정상 데이터를 웨이퍼별(29, 31, 33)로 분류하고, 각 웨이퍼의 데이터 분포를 히스토그램으로 시각화하여 주요 센서 변수들의 특성을 파악했다. Kruskal-Wallis H-검정: 각 웨이퍼 간 수치형 변수의 분포 차이를 통계적으로 검정하여 16개의 변수에서 유의미한 차이가 있음을 확인했..

📢 오늘의 목표🚩실전 프로젝트를 진행하면서 데이터 분석 역량을 기른다.📅 TIL❇️과제 기획서 작성프로젝트 제목금속 에칭 데이터를 이용한 반도체 공정 데이터셋 이상탐지 AI 분석 프로젝트팀 구성팀명*:* First Class박승환, 김한이, 유지수, 이승재, 박정운 프로젝트 목표대시보드의 주요 기능 및 목표를 설정하세요.ev_data, oes_data, rfm_data 3종 데이터셋을 통합 분석하여 플라즈마 에칭 공정의 정상/이상 패턴을 머신러닝으로 분류하고, Tableau 기반 인터랙티브 FDC 대시보드로 실시간 모니터링 체계를 구축한다.반도체 결함 분석 대시보드주요 기능3개 데이터셋(ev_data / oes_data / rfm_data) 통합 이상탐지 모니터링공정 변수별 실시간 이상 패턴 시각화..

오늘은 공부를 못했다... 내일부터 심기 일전해서 다시 시작!

📢 오늘의 목표🚩품질 경영 기사를 공부하면서 품질 역량을 키운다. 🚩시계열 데이터를 공부하면서 시계열 데이터 분석 역량을 키운다. 🚩태블로 강의를 수강하면서 데이터 시각화 역량을 기른다. 🚩대시보드 강의를 수강하면서 데이터 시각화 역량을 기른다.📅 TIL❇️ 시계열 강의 복습⚡시계열 데이터란?일정한 시간 간격으로 순차적으로 기록된 데이터 기존 데이터 분석이 현상을 분석했다면 시계열 데이터는 맥락을 분⚡시계열 데이터의 조건