01
半导体制造与良率基础
半导体制造工艺流程 · 良率定义与分类 · 良率对成本的影响 · 挑战与机遇
基础工艺
02
良率数据采集与预处理
EES/APC系统 · 数据清洗与缺失值 · 标准化归一化 · 特征工程
数据预处理
03
探索性数据分析与可视化
单/多变量分析 · 相关性 · Matplotlib/Seaborn可视化
EDA可视化
04
机器学习基础与良率建模
监督/无监督 · 回归/分类 · 评估指标 · 过拟合与欠拟合
ML基础建模
05
线性回归与良率预测
一元/多元线性回归 · L1/L2正则化 · 实战：工艺参数预测良率
回归预测
06
逻辑回归与良率分类
逻辑回归原理 · Sigmoid · 决策边界 · 晶圆良品/次品分类
分类逻辑回归
07
决策树与随机森林
信息增益/基尼系数 · 随机森林 · 特征重要性 · 关键参数筛选
树模型集成
08
支持向量机 (SVM)
SVM原理 · 核函数(线性/RBF) · 高维工艺数据分类
SVM分类
09
K近邻与聚类分析
KNN原理 · K值选择 · K-Means · 晶圆缺陷模式聚类
聚类KNN
10
神经网络入门
感知机 · MLP · 激活函数(ReLU/Sigmoid/Tanh) · 损失函数
深度学习基础
11
深度学习框架实战 (PyTorch/TF)
环境搭建 · 张量操作 · 自动求导 · 构建简单神经网络
PyTorchTensorFlow
12
CNN与晶圆图缺陷检测
卷积/池化/全连接 · LeNet/ResNet · 晶圆图缺陷分类
CNN缺陷检测
13
RNN与时间序列良率分析
RNN/LSTM/GRU · 设备传感器数据 · 良率趋势预测
RNN时间序列
14
自编码器与异常检测
自编码器 · 降噪自编码器 · VAE · 晶圆制造异常检测
异常检测自编码器
15
生成对抗网络与数据增强
GAN原理 · 生成器/判别器 · 合成晶圆缺陷数据
GAN数据增强
16
迁移学习在良率分析中的应用
迁移学习概念 · 预训练微调 · 利用预训练CNN缺陷分类
迁移学习微调
17
强化学习在工艺优化中的应用
Q-Learning/DQN · 优化刻蚀工艺参数
强化学习工艺优化
18
可解释AI (XAI) 与良率分析
SHAP/LIME · 特征重要性解释 · 解释良率预测模型
XAI可解释性
19
贝叶斯优化与超参数调优
贝叶斯优化 · 高斯过程 · 自动调优ML模型
调优贝叶斯
20
集成学习方法
Bagging/Boosting(AdaBoost,XGBoost,LightGBM) · Stacking · 提升精度
集成Boosting
21
时间序列分析与预测
ARIMA · Prophet · 预测设备故障与良率下降
时间序列预测
22
图神经网络与芯片设计良率
GNN原理 · 图卷积网络(GCN) · 芯片布局与良率预测
GNN芯片设计
23
NLP在良率报告中的应用
文本分类 · 命名实体识别(NER) · 自动分析失效报告
NLP文本
24
大数据平台与良率分析
Spark/Hadoop基础 · 分布式数据处理 · 大规模良率ETL
大数据Spark
25
实时良率监控系统
流处理(Kafka/Flink) · 实时告警 · 构建实时良率看板
实时监控
26
MES与APC系统集成
MES数据接口 · APC先进过程控制 · APC与AI模型联动
MESAPC
27
项目实战(一)：数据理解与预处理
项目背景 · 数据加载探索 · 数据清洗与特征工程
实战预处理
28
项目实战(二)：模型构建与评估
多模型对比 · 超参数调优 · 模型选择与评估
实战建模
29
项目实战(三)：模型部署与监控
模型导出 · API部署 · 监控与漂移检测
部署监控
30
总结与展望
AI未来趋势 · 边缘AI · 数字孪生 · 持续学习
趋势总结