new york中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

應用機器學習演算法建立預測模型改善 PCB 製程常見問題

為了解決new york中文的問題，作者何應 這樣論述：

隨著電子產品性能日益精進，電子產品輕量化已成趨勢，市場及客戶對於印刷電路板 (printed circuit board, PCB) 各方面之要求也隨之升高，轉型為人工智慧 (artificial intelligent, AI) 的製造工廠，已是近期世界上各電子產業客戶與工廠合作的共識與方向。利用大數據資料庫結合各種 AI 演算法的分析與決策，有效改善各種良率問題及改善品管檢查運作效率，是本次研究之主要目的。本論文探討如何以機器學習 (machine learning) 方法，解決印刷電路板生產過程中之問題。第一個案例是探討以適當的預測變數，利用隨機森林 (random forest, R

F) 和支援向量迴歸 (support vector regression, SVR) 等機器學習演算法，建立預測模型，以便能預先針對生產參數調整，或藉由前站成品指標水準，預估當站異常缺點發生可能性，先一步對當站之製作參數調整，讓產品得到更好良率結果。本研究所提出之方法，已具有80% 以上準確率，能有效消除重大報廢批發生。第二個案例是探討如何提升自動光學檢測機 (automatic optical inspection, AOI) 之檢驗能力，主要是利用卷積神經網路 (convolutional neural network, CNN) 及遷移學習 (transfer learning)，建立

一個智慧型缺點判定機制，取代傳統人工複判時間。過往每人每天要複判至少 7200 張缺點圖片，平均每 5 秒需完成判定，並註記圖片為何種類型缺點，本研究提出之方法，可取代人工目檢複判，並針對缺點進行分類，能更快速有效的偵測出缺點型態，降低人工檢驗時間負荷，每人每天只需複判至多 1000 張缺點圖片，並同時也將改善前人員目檢之型 I 誤差 0.81% 及型 II 誤差 0.53%，降低為改善後人工智慧方法檢驗之型 I 誤差 0.54% 及型 II 誤差 0.09%，進而也提升了出貨的產品良率。