在過去,智慧工廠的概念被視為一種遙不可及的奢侈幻想。然而,隨著人工智慧和生產制造技術的不斷進步和演進,這一夢想已經逐漸變得觸手可及。

尤其是在ESG(環境、社會和治理)主題興起的背景下,智慧工廠不再只是一個未來的畫餅,而是成為了現代製造業追求和實現的必然趨勢。這樣的轉變不僅是技術的巨大飛躍,更代表著全球製造業在追求可持續、高效和環保的生產模式上的決心和努力。

課程資訊

立即查看

課程簡介

立即查看

課程章節

立即查看

報名資訊

立即查看

問題洽詢

立即查看

課程資訊

Course Information

課程效益

  • 深入了解智慧工廠:獲得對智慧工廠的全面認識,包括其概念、技術和在製造業中的作用。
  • 實際操作經驗:學會如何使用R和Python處理數據、建立模型,並在智慧工廠場景中進行實際應 用。
  • 問題解決能力:增強快速識別生產中的問題並設計出解決方案的能力。
  • 資料科學團隊建設:了解如何組建並管理一支強大的資料科學團隊,以支持企業數位化轉型。
  • 自主發展智慧製造:掌握如何結合內部知識和外部算法技術來推動企業自主發展智慧製造。

開課時間

2024/03/09-05/11(有白日&晚間班,詳見下面報名資訊)

預計課堂

10堂課(本課程為公開班)

課程對象​

  • 工程師
  • 製造業高級主管
  • 專業人員
  • 技術人員
  • 上課地點

    線上直播課程(提供錄影回放補課)

    預計時長

    30小時

    課程效益

  • 問題快速掌握與解決
  • 建立資料科學團隊的基石
  • 自主發展的智慧製造
  • 課程簡介

    Course Introduction

    智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰
    掌握智慧工廠技術細節,建立資料科學團隊的基石,自主發展的智慧製造
    智慧工廠各類簡報-6
    黃逸華~台灣人工智慧協會技術交流處長
    智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰
    智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰
    智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰
    掌握智慧工廠技術細節,建立資料科學團隊的基石,自主發展的智慧製造
    讓智慧工廠落地的十堂課 - 用機器學習實現智慧製造的演算法實戰
    智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰
    智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰
    智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰

    課程章節

    Course Chapter

    • 數據的生命週期管理
    • 數據科學方法論
    • 數據工廠的發展與重要性
    • 數據科學在智慧工廠的角色
    • 工廠數據盤點
    • 基本統計學概念
    • 數據的品質與重要性
    • 數據前處理技巧
    • 資料庫的基本概念
    • 資料庫類型與選擇
    • 關聯式資料庫
    • 分佈式運算介紹
    • GPU運算與其在數據處理中的應用
    • 爲什麼要同時掌握RPython
    • 實際應用與案例分享
    •  
    • 數據可視化的重要性
    • 工廠的戰情中心概念
    • 數據的即時運算與呈現
    • 深入了解數據可視化工具
    • 實際應用與案例分享
    • 問題的描述
    1. 設備故障的頻繁發生和未能及時預測的挑戰。
    2. 由於預期外的設備故障造成的生產損失。
    • 出現的場景
    1. 機器的異常振動、過熱或其他預兆。
    2. 由於缺乏維護導致的生產線停工。
    • 可能的解決方案
    1.     定期收集和分析設備的運行數據。
    2.     根據歷史數據和運行狀態預測設備的維護時間。
    • 涉及到的算法
    1. 時間序列分析
    2. 生存分析、Cox比例風險模型。
    3. 基於風險的檢測(RBI)簡介
    4. 簡要描述RBI方法,它如何幫助優先考慮設備的檢測,以及其在預測性維護中的應用。
    • R 與 Python 的實現
    1. 使用R語言實現生存分析。
    2. 使用PythonLifelines庫進行設備預測性維護的分析。
    • 問題的描述
    1.    實時監控生產線的重要性。
    2.    早期識別和預測潛在的異常或中斷的挑戰。
    • 出現的場景
    1.     產品製造過程中的不規律性。
    2.     設備故障、物料短缺等突發情況。
    • 可能的解決方案
    1.     使用傳感器收集實時數據。
    2.     建立數據監控和報警系統。
    3.     《監測強度評估表》的介紹
    • 涉及到的算法
    1.     線性回歸
    2.     時間序列異常檢測。
    3.     集群分析與異常檢測。
    • R 與 Python 的實現
    1. 使用R語言實現異常檢測。
    2. 使用Python的Scikit-learn和PyOD庫實現異常檢測。
    • 問題的描述
    1.  生產過程中產品品質的不一致性。
    2.     需要提前識別品質問題,以減少浪費和回收。
    • 出現的場景
    1.     在生產線上發現的不合格產品。
    2.     客戶反饋產品存在的問題。
    • 可能的解決方案
    1.     實時監控生產線,自動檢測產品品質。
    2.     通過分析生產數據,找出可能的品質問題源頭。
    • 涉及到的算法
    1. 標準差、協方差
    2. 統計品質控制(如控制圖)。
    3. 基於結果的檢測。
    4. 基於概率的檢測。
    5. 多變量分析、主成分分析(PCA)。
    6. 交叉分析
    • R 與 Python 的實現

    1. 使用R語言進行統計品質控制分析和基於結果的檢測。
    2. 使用PythonSciPyScikit-learn庫進行多變量分析和基於概率的檢測。
    • 問題的描述
    1. 如何優化庫存水平以滿足需求但不產生過多存儲?
    2. 如何確保及時供應,減少過度存儲或短缺?
    • 出現的場景
    1.     季節性的需求波動導致的庫存問題。
    2.     銷售與出貨之間的時間差如何理解
    • 可能的解決方案
    1.     實施精確的需求預測方法。
    2.     建立庫存優化模型,考慮各種風險和成本。
    • 涉及到的算法
    1. 時間序列分析和預測(如ARIMA, LSTM)。
    2. 最佳化模型(如線性規劃、整數規劃)。
    • R 與 Python 的實現
    1. 使用R語言進行時間序列分析和預測
    2. 使用PythonSciPy庫實現最佳化模型和模擬。
    • 問題的描述
    1.     如何提高生產效率和減少浪費?
    2.     如何利用數據和算法優化生產流程?
    • 出現的場景
    1.     生產線的瓶頸導致生產速度受限。
    2.     資源的過度或不足分配導致生產中斷或效率下降。
    • 可能的解決方案
    1.     利用數據分析找到生產瓶頸和非效益區域。
    2.     基於預測數據重新設計和平衡生產線。
    • 涉及到的算法
    1.     線性規劃和整數規劃用於資源分配。
    2.     隨機森林或神經網路用於預測模型。
    3.     差異分析、因子分析或相關性分析用於找到影響效率的關鍵因素。
    • R 與 Python 的實現

    1. 使用R進行差異分析和因子分析
    2. 利用PythonSciPyScikit-learn庫進行最佳化計算和預測模型構建。
    • 問題的描述
    1.     如何透過工業物聯網技術提高工廠的運營效率?
    2.     如何整合多源數據,提供決策支援?
    • 出現的場景
    1.     需要實時監控工廠內各項設備的運作狀況。
    2.     借助感測器和其他裝置收集數據,進行分析和預測。
    • 可能的解決方案
    1.     實施工業物聯網系統,收集、傳送並分析設備數據。
    2.     利用雲計算技術,進行大數據分析和決策優化。
    • 涉及到的算法
    1.     邊緣運算用於在設備端進行初步數據分析。
    2.     深度學習用於辨識複雜的模式和趨勢。
    3.     網絡分析用於評估設備間的互動和依賴性。
    • R Python 的實現

    1. 利用R進行邊緣運算中的數據清洗和初步分析。
    2. 使用PythonTensorFlowPyTorch進行深度學習模型的設計和訓練。
    • 問題的描述
    1.     如何保護工廠數據不被外部入侵?
    2.     如何確保內部員工不洩露敏感信息?
    • 出現的場景
    1.     連接到網絡的工廠設備成為駭客的目標。
    2.     員工無意中洩露了生產秘密。
    • 可能的解決方案
    1.     實施強大的網絡安全措施和防火墻。
    2.     進行員工培訓和意識提高。
    • 差分隱私的概念
    1. 什麼是差分隱私?
    2. 如何通過差分隱私保護個人數據?
    • 大型語言模型上雲的風險
    1. 為什麼大型語言模型存在隱私風險?
    2. 如何減少這些風險?

    報名資訊

    Registration information

    上課時數

    10堂線上上課,1堂實體活動,一次3小時,共33小時

    報名班次

    白日班(週六9:30~12:30) 晚間班(周六19:00~22:00)

    上課日期

    3/9、3/16、3/23、3/30(實體活動)、4/13、4/20、4/27、5/4、5/11、5/18、5/25

    報名費用

    定價 :$18000
    本梯次優惠價:$15000
    早 鳥優惠價:$13500 /人(1/31前報名繳費享早鳥優惠價)
    二人以上優惠:$13500 /人

    如何報名

    1.填寫下面報名表直接報名
    2.來店洽詢細節:02-27363878 #136黃小姐#168王小姐