VIP25
本课程属于：006-统计质量、DOE与六西格玛工程 测试测量质量可靠性工程 · 共 25 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

良率预测实战：基于SPC数据的良率趋势建模方法

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
良率预测在半导体制造中的重要性 · SPC数据基础概念 · 课程目标与学习路径
课程导论良率预测
02
SPC理论基础
统计过程控制原理 · 控制图（X-bar/R图 · P图
SPC理论基础
03
数据采集与清洗
从MES系统获取SPC数据 · 处理缺失值 · 异常值检测与处理（3σ原则
数据采集清洗
04
特征工程（上）
时间序列特征提取（滚动窗口统计量 · 滞后特征 · 差分特征）
特征工程时间序列特征提取
05
特征工程（下）
工艺参数特征（均值 · 方差 · CPK）
特征工程工艺参数特征
06
数据探索性分析（EDA）
良率分布可视化 · SPC参数与良率的相关性热力图 · 趋势图分析
EDA数据探索性分析
07
数据预处理
标准化（Z-score） · 归一化（Min-Max） · 处理类别特征（One-Hot Enc…
数据预处理Z-score
08
数据集划分
时间序列交叉验证（TimeSerie… · 避免数据泄露的策略
数据集划分TimeSerie
09
基线模型建立
线性回归（Linear Regres… · 模型评估指标（MAE · RMSE
基线模型建立Linear
10
时间序列模型（ARIMA）
ARIMA模型原理 · 差分平稳性检验（ADF检验） · ACF/PACF图定阶
ARIMA时间序列模型
11
机器学习模型（随机森林）
随机森林回归原理 · 特征重要性排序 · 超参数调优（GridSearchCV…
机器学习模型随机森林
12
机器学习模型（XGBoost）
XGBoost原理 · 早停法（Early Stopping… · 学习率与树深度调优
XGBoost机器学习模型
13
深度学习模型（LSTM）
LSTM网络结构 · 时间步长与滑动窗口构建 · Keras实现
LSTM深度学习模型
14
模型集成（Stacking）
基学习器选择 · 元学习器训练 · 集成策略与效果对比
Stacking模型集成
15
模型评估与对比
交叉验证结果对比 · 残差分析 · 预测区间计算
模型评估对比
16
超参数调优实战
贝叶斯优化（BayesianOpti… · Optuna框架使用
超参数调优实战BayesianOpti
17
特征选择
递归特征消除（RFE） · 基于模型的特征选择（SelectFr…
特征选择RFE
18
异常检测与良率
利用Isolation Forest… · 异常事件对良率的影响量化
异常检测良率
19
多步预测
递归多步预测 · 直接多步预测 · Seq2Seq模型简介
多步预测递归多步预测
20
不确定性量化
蒙特卡洛Dropout · 预测置信区间生成
不确定性量化Dropout
21
模型部署
Flask API搭建 · 模型序列化（Pickle/Jobli… · Docker容器化
模型部署Flask
22
实时监控与预警
SPC控制图实时更新 · 良率下降预警阈值设定
实时监控预警
23
案例实战（一）
晶圆良率预测——数据加载与预处理全流…
案例实战晶圆良率预测
24
案例实战（二）
晶圆良率预测——特征工程与模型训练
案例实战晶圆良率预测
25
案例实战（三）
晶圆良率预测——模型评估与结果可视化
案例实战晶圆良率预测
26
案例实战（四）
封装测试良率预测——多站点数据融合
案例实战封装测试良率预测
27
案例实战（五）
封装测试良率预测——迁移学习应用
案例实战封装测试良率预测
28
高级话题
因果推断在良率分析中的应用 · 反事实预测
高级话题因果推断
29
项目总结
常见陷阱与最佳实践 · 模型可解释性（SHAP值分析）
项目总结常见陷阱
30
未来展望
数字孪生与虚拟量测 · AI驱动的自适应工艺控制
未来展望数字孪生