天池工业AI大赛-智能制造质量预测

最新推荐文章于 2023-03-17 12:56:10 发布
最新推荐文章于 2023-03-17 12:56:10 发布
阅读量2.7k 收藏 4
点赞数
文章标签： 预测 ai
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dataastron/article/details/79049024
版权

竞赛笔记

ID466记录丢弃

750X1452，750X1350，750X1442,750X717,750X718,420X186 这几个字段去掉

代表TOOL_ID后面的一些列一直到下一个TOOL_ID，一系列工序都是在这个机台上进行的
一个完整工序里的不同工位

提交第一列不能是index

在交叉验证的时候用

cross_val_score(etr, x_train, y_train, cv=10, scoring=’neg_mean_squared_error’).mean得到的是负数。。。

线下10折cv永远0.3以下，交上去都是0.46+，感觉数据有点异分布，或者是我哪里没做好把

请问220X01,220X02……可以理解为同一工序下你的不同工步吗？
是的，同一工序的不同变量

dataastron
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
天池AI大赛 智能制造预测赛题
Jacoob1024的博客
04-16 1496
一、赛题与要求的简单介绍   （多特征少样本问题）          本次比赛提供的是生产线上不同工序的生产数据（具体代表什么含义未可知），通过这些数据构建特征，设计模型，预测与之对应的生产数值。评判标准采用MSE，计算单个样本预测值与真实值的差距，再对所有样本进行MSE求和，最后取平均作为评判标准。二、数据描述     数据包括ID列、工具列和数据列，他们有自己的命名格式。数据从形式上主要按照工...
【ACE成长记第4期】美女程序员分享：机器学习之数据预处理到特征构建模型训练...
weixin_33862993的博客
11-16 278
本期由阿里云MVP&优秀ACE（阿里云开发者社群） 郭翔云 为大家分享机器学习之从数据预处理到特征构建谈天池工业AI竞赛模型训练。通过天池工业AI竞赛示例，演示从数据观察到特征构建，再到模型训练验证评估的一个机器学习的完整流程。 视频：https://yq.aliyun.com/live/597 分享分为三部分： 基于天池工业AI大赛-智能制...
天池平台 --- 工业AI大赛智能制造质量预测
Peace
03-05 2757
赛题：https://tianchi.aliyun.com/competition/entrance/231633/information 基于Python的解决方案： 原始jupyter文件，网盘： 链接：https://pan.baidu.com/s/1guIwAlk9zvI3ULcZ8kkBnw 提取码：g0xs 主要关注数据处理的方法，神经网络建立的方法，逻辑次要。 相关工具包： ...
工业4.0-企业智能制造质量预测模型-人工智能
fulk6667g78o8的专栏
03-17 4067
工业4.0-企业智能制造质量预测模型-人工智能-机器学习
天池工业AI大赛-智能制造质量预测 比赛历程和技术方案总结复赛48名
EWilsen
01-31 4659
一、参赛 研二导师的项目摸鱼结束后，思考了一下出路，项目和机器学习相关，重在特征提取的传统算法研究和目标识别的多样算法融合，简单说就是理论，MATLAB，推导三要素组成。来年就要面对就业，没有点成果或者简历上写的料，感觉就凉了，正好自己用一个星期的时间把python实战的方法过来一边，代码就大概看了看，感觉武器已经备好，可以开始作战，所以和同团队的小伙伴一拍即合，做比赛。这也正好是第一次
天池工业Al大赛-智能制造质量预测
m0_37468171的博客
10-18 2402
赛题 产品特性预测 赛题背景： 半导体产业是一个信息化程度高的产业。高度的信息化给数据分析创造了可能性。基于数据的分析可以帮助半导体产业更好的利用生产信息，提高产品质量。 现有的解决方案是，生产机器生产完成后，对产品质量做非全面的抽测，进行产品质量检核。这往往会出现以下状况，一是不能即时的知道质量的好坏，当发现质量不佳的产品时，要修正通常都为时以晚，二是在没有办法全面抽测的状况下，存在很大漏检...
天池大数据比赛-智能制造质量预测.zip
最新发布
09-30
天池大数据比赛-智能制造质量预测
天池工业ai初赛数据集
12-26
2017年12月天池工业ai比赛的初赛数据集，一共包括训练集、测试集A、测试集B
阿里云启动天池工业AI大赛 为ET工业大脑寻找更多精良算法
weixin_34406061的博客
12-07 168
12月7日，在2017云栖大会•苏州峰会上，由苏州高新区与阿里云联合举办的天池工业AI大赛正式启动。此次大赛要求选手利用生产参数准确预测产品质量，从而提高生产制造企业的良品率。期间选手将利用人工智能等多种技术改进生产环节，这也意味着人工智能与工业智造的进一步融合。 大赛以工业智能制造中半导体产业为场景切入，依托天池大数据众智平台，利用超过11万...
化工产品品质智能预测算法
u010199441的博客
12-10 1242
化工产品品质智能预测算法 本赛题目数据跨时2个月，第一个月的数据用于训练，第二个月的数据用于测试。数据可以描述为3类： 生产参数记录表。（36个测点的传感器数据） 产品检测结果。（需要预测的结果） 生产工艺流程。（生产参数和结果的相互关系） 思路（一）：尝试提取生产数据当特征建立回归模型 1，将生产参数记录表中的数据当成训练特征，产品检测结果当成标签数据，建立回归模型。 2，根据生产结果中的时...
天池-student预测数据集
06-25
阿里天池比赛，关于机器学习，预测学生成绩数据，可以用来机器学习练手
天池大数据比赛.zip
08-24
全国大学生电子设计竞赛（National Undergraduate Electronics Design Contest），试题，解决方案及源码。计划或参加电赛的同学可以用来学习提升和参考。程序均是实战案例，经过测试可直接运行。 全国大学生电子设计竞赛（National Undergraduate Electronics Design Contest），试题，解决方案及源码。计划或参加电赛的同学可以用来学习提升和参考。程序均是实战案例，经过测试可直接运行。
天池智能制造质量预测数据集.rar
09-09
天池智能制造质量预测数据集 背景描述 半导体产业是一个信息化程度高的产业。高度的信息化给数据分析创造了可能性。基于数据的分析可以帮助半导体产业更好的利用生产信息，提高产品质量。 现有的解决方案是，生产机器生产完成后，对产品质量做非全面的抽测，进行产品质量检核。这往往会出现以下状况，一是不能即时的知道质量的好坏，当发现质量不佳的产品时，要修正通常都为时以晚，二是在没有办法全面抽测的状况下，存在很大漏检的风险。 在机器学习，人工智能快速发展的今天，我们希望着由机器生产参数去预测产品的质量，来达到生产结果即时性以及全面性。更进一步的，可基于预先知道的结果，去做对应的决策及应变，对客户负责，也对制造生产更加敏感。 痛点与挑战： 1）TFT-LCD（薄膜晶体管液晶显示器）的生产过程较为复杂，包含几百道以上的工序。每道工序都有可能会对产品的品质产生影响，故算法模型需要考虑的过程变量较多。 2）另外，这些变量的取值可能会存在异常（如测点仪表的波动导致、设备工况漂移等现象），模型需要足够稳定性和鲁棒性。 3）产线每天加工的玻璃基板数以万计，模型需要在满足较高的精准度前提下尽可能实时得到预测结果，这样才能给在实际生产中进行使用。 价值： 1）如果能够建立算法模型准确预测出特性值，便可以实现生产过程的实时监控和预警，提前发现当前工序的问题、避免问题流入到后道工序，减少生产资源浪费的同时也优化了产品良率。 2）基于预测模型得到的关键参数，工艺人员能够快速地针对那些电性表现不佳的产品进行问题溯源分析，重点分析和调整那些关键的影响因子，加快不良问题的处理、提高整体工艺水平。 3）该预测模型在部署后也可以用于减少特性检测相关的工序，能够节约检测资源并且对提升产线整体的产能有正面作用。 数据说明 每条数据包含8029列字段。 第一个字段为ID号码，最后一列为要预测的值Y。其余的数据为用于预测Y的变量X。这些变量一共由多道工序组成，字段的名字可以区分不同的工序，例如 210X1, 210X2。300X1,300X2。字段中的TOOL_ID或者Tool为每道工序使用的机台，如果是string类型，需要选手自行进行数字化转换。注意： 数据中存在缺失值。 测试集分为A/B两份，相比训练集，最后一列的value值是缺失的，研究人员可以根据训练数据做模型训练，并对测试集做预测。为了方便研究人员评测算法效果，我们提供了测试集A的答案。 问题描述 本数据集提供了生产线上的抽样数据，反应机台的温度，气体，液体流量，功率，制成时间等因子。 通过这些因子，需要研究人员设计出模型，准确的预测与之相对应的特性数值。这是一个典型的回归预测问题。
瑕疵检测数据集
01-05
缺陷检测/瑕疵检测数据集。包含瑕疵图片的训练集和验证集。
“智源 — INSPEC 工业大数据质量预测赛” 上线，为硬核工业制造炼就 AI 之心...
BAAIBeijing的博客
01-19 630
2019 年 12 月，北京智源人工智能研究院联合博世和数据评测平台biendata，共同发布了“INSPEC 工业检测大数据 (Industrial Specification Ins...
天池智能工业大赛大佬们的思路（需要再看）
hasy
02-07 1381
打酱油参加了天池工业AI大赛1，当然没拿到奖，看决赛答辩直播时见识到了大佬们的各种思路，真是大开眼界。记录一下，留给以后参考。 1. 特征构造 这个是相当重要的 第一名那个女孩子并没有用什么高深的方法，但是对特征挖掘的特别好，并且提到我们可能要 “人工”智能，即是人为创造数据。1） 通过每个特征原始值与均值的差异，差异的绝对值构造。2） 通过可能特征的四则运算构造特征（当然，这是剔除掉
CCF BDCI竞赛——离散制造过程中典型工件的质量符合率预测（完整代码分享）
FoolishL的博客
11-28 1421
@by:爱吃肉的小吃货 一级目录 二级目录 三级目录
工业视觉中的目标检测——兼谈天池大赛优胜方案
Arthur_Holmes的博客
10-05 2591
https://www.jishuwen.com/d/2wwU 目标检测是计算机视觉领域研究最火热的领域，这从计算机视觉顶会CVPR相关论文中数量就能看得出来。 目标检测应用范围广泛，上至卫星遥感，下至自动驾驶，大到鲸鱼保护，小到生物细胞分析，都有其用武之地。 我们在论文中常见的MS COCO数据集，多以生活类自然场景中的目标为主，如下图： 做一个通用的目标检测器，...
工业4.0-企业智能制造质量预测模型-人工智能-机器学习
toby001111的博客
03-17 4130
工业4.0-企业智能制造质量预测模型-人工智能-机器学习
用R语言做阿里云天池大赛工业蒸汽量预测
05-11
阿里云天池大赛工业蒸汽量预测是一个时间序列预测问题，可以使用R语言中的时间序列分析和建模工具进行解决。以下是一个简单的R语言代码示例，用于预测未来的蒸汽量。 首先，我们需要读入数据并对其进行预处理。这个数据集包含了两个变量：日期和蒸汽量。 ```r # 读入数据 data <- read.csv("data.csv") # 转换日期格式 data$DATE <- as.Date(data$DATE, format = "%Y/%m/%d") # 将日期设置为数据框的行名 rownames(data) <- data$DATE # 移除日期变量 data$DATE <- NULL ``` 接下来，我们可以绘制数据的时间序列图，以便更好地了解数据的性质。 ```r # 绘制时间序列图 plot(data$V1, type = "l", xlab = "日期", ylab = "蒸汽量") ``` 然后，我们可以使用时间序列分解方法，将时间序列分解为趋势、季节性和随机性三个部分，并对其进行可视化。 ```r # 时间序列分解 ts.decomp <- decompose(data$V1) # 可视化分解结果 plot(ts.decomp) ``` 分解结果表明，该时间序列具有明显的季节性和趋势，但是随机性较小。 接下来，我们可以使用ARIMA模型进行时间序列预测。ARIMA模型是一种常用的时间序列建模方法，可以用于预测未来的蒸汽量。 ```r # 拟合ARIMA模型 arima.model <- arima(data$V1, order = c(1, 1, 1), seasonal = list(order = c(0, 1, 1), period = 7)) # 预测未来7天的蒸汽量 forecast <- predict(arima.model, n.ahead = 7) # 输出预测结果 print(forecast$pred) ``` 以上代码中，我们使用ARIMA（1，1，1）模型，并将季节性设置为7，以便对一周内的季节性进行建模。最后，我们使用predict函数预测未来7天的蒸汽量，并输出预测结果。 这是一个简单的R语言示例，用于预测未来的蒸汽量。您可以根据实际情况进行修改和扩展，以获得更好的预测结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值