이미 소장하고 있다면 판매해 보세요.
|
저자 소개
제조AI빅데이터 분석기법(코딩편)을 읽는 분들께 챕터별 실습 제조AI데이터셋 Chapter 1. 제조AI 개관 1. 제조데이터 및 AI의 등장 2. 제조데이터 개관 2.1 제조데이터란? 2.2 제조AI데이터셋이란? 2.3 제조데이터 형태 2.4 제조데이터 품질 및 평가체계 2.5 제조데이터 표준 2.6 제조데이터 가격책정 3. 제조AI 개관 3.1 제조AI란? 3.2 지도학습과 비지도학습 3.3 제조AI 거버넌스 및 구성요소 3.4 제조AI 개발 및 적용의 과학적 수행절차 4. 제조데이터 및 AI 분석목적 4.1 기술적 제조데이터 및 AI 분석목적 4.2 경영 전략적 제조데이터 및 AI 분석목적 5. 제조데이터 및 AI 지능형 공장의 주요 성과지표 6. 빅블러 시대의 제조데이터 및 AI 싸이언티스트 - Quiz 확인문제 - 별첨 : 2023년 하노버 메세 한국팀 기사 - 인터뷰 : 스마트제조혁신추진단 안광현 단장 - 별첨 : KAMP 플랫폼 제조AI데이터셋 정리표 Chapter 2. 제조AI 개발환경 설정 1. 아나콘다(Anaconda) 설치 2. 주피터 노트북(Jupyter Notebook) 실행하기 3. 가상환경 만들기 4. 텐서플로우(TensorFlow) 설치하기 - Quiz 확인문제 Chapter 3. 제조AI 개발 맛보기 1. 화학물 제조공장 현장 문제 파악 2. 제조데이터 준비하기(KAMP 제조데이터 거래소) 2.1 양품 제조데이터 준비하기 2.2 불량 제조데이터 준비하기 3. 제조 AI 프로그램(K-최근접 이웃 알고리즘) 3.1 첫 제조AI 코딩 시작점 3.2 제조데이터 라벨링 3.3 훈련세트와 테스트세트 구축 3.4 제조AI 모델 생성, 예측 4. 전체 소스코드 - Quiz 확인문제 Chapter 4. 제조AI데이터 품질관리(전처리) 1. 제조AI데이터셋 품질관리 개요 2. 실습에 활용할 제조AI데이터셋 다운로드 3. ‘제조AI데이터셋 품질확보 방법론’ 실습 3.1 완전성 평가 및 확보 3.2 유효성 평가 및 확보 3.3 일관성 평가 및 확보 3.4 유일성 평가 및 확보 3.5 정확성 평가 및 확보 - Quiz 확인문제 Chapter 5. 숫자 제조데이터 기반 AI 개발 1. 사출성형 제조공장 현장 문제 파악 2. 사출성형 제조데이터 준비하기 3. 제조AI 프로그램(Random Forest) 3.1 제조데이터 불러오기 3.2 제조데이터 탐색하기(EDA, Exploratory Data Analysis) 3.3 제조데이터 전처리 3.4 제조AI 모델 생성 및 학습 3.5 정답(양품/불량) 예측하기 3.6 변수 중요도 확인하기 4. 전체 소스코드 - Quiz 확인문제 Chapter 6. 이미지 제조데이터 기반 AI 개발 1. 전기아연도금 제조공장 현장 문제 파악 2. 전기아연도금 제조데이터 준비하기 3. 제조AI 프로그램(CNN) 3.1 제조데이터 경로 지정 3.2 제조데이터 전처리 옵션 설정 3.3 제조데이터 불러오기 및 전처리 3.4 제조AI 모델 생성 및 평가 3.5 제조AI 모델 평가 3.6 제조AI 모델 테스트 4. 전체 소스코드 - Quiz 확인문제 Chapter 7. 소리 제조데이터 기반 AI 개발 1. 도금 제조공장 현장 문제 파악 2. 도금 열풍건조 소리 제조데이터 준비하기 3. 제조AI 프로그램(LSTM) 3.1 소리 제조데이터 살펴보기 3.2 제조데이터 불러오기 및 특징 추출 3.3 제조데이터 전처리 3.4 제조AI 모델 생성 3.5 제조AI 모델 평가 4. 전체 소스코드 - Quiz 확인문제 맺음말 〈부록〉 부록 A | 교재 실습, 유형별 제조AI데이터셋 정리표 부록 B | KAMP 플랫폼, 실습 제조데이터셋 다운로드 방법 부록 C | Quiz 확인문제 정답 및 해설 |
김일중의 다른 상품
|
“일상생활에서 사용하는 표준(standards)이란 단어는 사물이나 서비스의 일반적인 또는 평균적인 것을 말할 때 사용합니다. 이 평균적인 것을 가지고 일종의 약속을 만드는 것입니다. 표준의 목적은 일종의 약속을 정해놓고 사람들 사이에 발생할 수 있는 혼선을 미연에 방지하는 것입니다. 그러므로 표준은 신뢰가 있어야 합니다. 일상 속 표준의 예를 들면 A4용지는 국제표준화기구(ISO)가 정해놓은 210×297mm로 규격표준을 따릅니다. 이는 종이를 자를 때, 가로와 세로 비율을 유지하게 함으로써 기업들 간의 종이의 낭비를 줄이기 위함입니다.”
“텐서플로우(TensorFlow)란 구글이 머신러닝 모델을 보다 쉽게 구축할 수 있도록 제공하는 라이브러리입니다. 텐서플로우는 다음 그림과 같이 Python, C++, Java, Go 등 다양한 언어를 지원합니다. 특히, 제조현장에 빅데이터, AI 기술 적용을 위해 널리 활용되는 Python 기반의 다양한 라이브러리를 집중적으로 지원하기 때문에 제조AI 딥러닝 모델 개발 시 텐서플로우를 주로 활용합니다.” “제조AI 이진분류 알고리즘을 개발하기 위해서는 양품과 불량 제조데이터 모두가 준비되어야 합니다. 그러나 현실적으로, 제조현장에서 불량 제조데이터는 양품 제조데이터에 비해 획득하기가 매우 힘듭니다. 그러므로 제조AI 구축 시 대부분 현장에서 양품 제조데이터 대비 불량 제조데이터가 적은 Class imbalance(양품 | 불량 클래스 불균형) 현상이 나타나 제조AI 개발이 지연되는 어려움을 겪는 것이 다반사입니다.” “상관관계는 변수들 간의 선형적인 관계를 확인하기 위해 사용합니다. 한 변수가 변화했을 때 다른 변수가 함께 변화하는 경우 상관관계가 있다고 표현합니다. 상관의 정도를 상관계수(r)로 확인할 수 있으며, 상관계수는 -1부터 1까지의 값을 가질 수 있습니다. 상관계수가 0이면 상관관계가 없다고 해석하고 +1이나 -1에 가까운 큰 값일수록 상관관계가 강하다고 해석할 수 있습니다.” “랜덤 포레스트 알고리즘을 학습시킬 때 특성값과 라벨을 분리해서 입력해야 합니다. 라벨인 ‘불량 여부’와 학습에 사용하지 않을 ‘LOT NO.’의 두 컬럼을 제외한 나머지 특성값을 “X”에 저장하고, ‘불량 여부’ 컬럼은 ‘y’에 저장합니다. X는 대문자, y는 소문자를 사용하는 이유는 라벨값은 하나의 컬럼이지만 독립변수는 2개 이상인 경우가 많기 때문에 복수의 의미로 대문자를 사용합니다.” --- 「본문」 중에서 |
|
“가보지 않은 길이지만 도전을 해야 성장합니다.”
“도전하는 과정에서 잘못된 점을 발견하고 나아가야 할 방향을 찾을 수 있습니다.” 제조기업의 AI는 전 세계적으로 이제 와우팩터를 넘어 기업의 사활을 결정지을 수 있는 핵심 게임체인저로 자리 잡고 있습니다. 전통제조에 대한 계승과 기술 고도화를 위해서 체계적인 제조데이터 관리와 빅데이터, AI 기술의 도입은 이제 원하든 원하지 않던 점점 미래 제조업에 더 큰 영향을 미치며 제조현장의 핵심설비에 깊숙이 들어갈 것입니다. 현재 계속해서 새로운 제조AI 방법론들이 등장하고 적용되고 있습니다. 기존에 우리가 감과 수기에 의해 제조를 한 것에 비추어 보았을 때, 한 번도 가보지 않은 길이 틀림없습니다. 하지만 최근에는 이 가보지 않은 길에 도전하여 제조AI와 제조데이터 분석기법을 통한 생산성 증가 및 품질 향상 성공 사례가 점점 더 늘어나고 있는 추세입니다. 이러한 도전과정에서 AI를 라이벌로 여기기보다는 생산성 증가 및 품질 향상을 위한 도구로 활용하고 미래에는 인간과 AI의 대결이 아니라 상호협력하는 새로운 방향을 찾을 수 있습니다. 특히 중소 제조기업들이 제조AI를 제조현장에 쉽게 적용할 수 있도록 KAIST에서는 KAMP를 구축하고, 나아가 중소 제조기업들이 좀 더 진보된 기술을 활용할 수 있도록 「제조AI빅데이터 분석기법(코딩편)」 교재를 발간하게 되었습니다. 이 책을 읽은 분들이 이 여정의 주인공들이 되어 제조AI 강국 대한민국을 이끌기 바랍니다. |