臺灣博碩士論文加值系統

在現代企業製商整合與電子化之經營環境下，現代決策者可以應用決策分析方法與資料挖礦技術萃取出有價值的資訊或原本隱藏不知的特殊樣型，以處理大量資料混雜時的決策問題。本研究目的在於利用人工類神經網路與決策樹的結合，提出一適用於半導體多維度資料挖礦架構，並以某半導體廠實際資料進行實證研究。在實證研究方面，本研究包含製程監控與事故診斷兩大部分：第一部份針對半導體製程晶圓允收測試參數資料的多維度資料，透過人工類神經網路之自我組織映射成圖網路演算法先將資料分群，以發現隱藏於資料中的樣型與良率間的關連性，再以決策樹將類別之特徵以樹狀結構呈現，透過參數表現特徵提供給工程師監控製程變化的決策依據，以改善製程提昇良率。第二部分則針對半導體製程製造測試中的電性功能針測及過站機台的多維度資料，以相同分析程序發現隱藏於資料中與低良率相關的特殊樣型，藉由萃取出的特徵規則中所發現的機台特徵提供給工程師作為事故診斷的決策依據，以快速排除事故提昇良率。最後並針對決策樹演算法部分發展鎖定特定類別之分類法則並進行系統實作，接者再以鳶尾花資料進行測試，證明所發展的演算法在所設定之條件下，能夠正確、彈性地達成分類目標，以作為發展完整資料挖礦系統之參考。

Owing to the rise of e-commerce and information technology, a large amount of data has been automatically or semi- automatically collected in modern industry. Decision makers may potentially use the information buried in the raw data to assist their decisions through data mining for possibly identifying the specific patterns of the data. This study proposes data mining procedures for analyzing semiconductor manufacturing data in the purpose of manufacturing process monitoring and defect diagnosis. In particular, SOM is applied for clustering and decision tree is applied for feature extraction to analyze multi-dimensional semiconductor manufacturing data. We used real data from a fab to conduct two case studies for validation and found that this approach can effectively limit the scope for defect diagnosis and summarize the findings in specific decision rules. In addition, we developed a new decision tree algorithm focused on target class while classification and implement the algorithm on windows platform. We use IRIS data for validation and prove that our decision can correctly, flexibly match the target. And this prototype can be referenced while constructing completed data mining system for semiconductor manufacturing. We conclude this study with discussions on the results and future research.

摘要 i
Abstract ii
目 錄 iii
圖目錄 v
表目錄 vii
第一章 緒論 1
1.1 研究背景及重要性 1
1.2 研究目的 2
1.3 論文結構與研究流程 2
第二章 文獻回顧 4
2.1 資料、資訊、與知識層級 4
2.1.1 資料、資訊與知識層級 4
2.1.2 知識發現與資料挖礦 7
2.2 半導體製程簡介與資料特性 13
2.2.1 半導體製程簡介 13
2.2.2半導體製程資料特性 17
2.3 挖掘結果類型與挖礦方式 19
2.4 人工類神經網路：自我組織映射網路 21
2.5 決策樹 24
2.5.1 CART 27
2.5.2 ID3、C4.5 28
2.5.3 CHAID 29
第三章 半導體製程資料特徵萃取與挖礦架構 32
3.1 問題定義與架構 34
3.2 資料準備 34
3.3 特徵萃取與資料挖礦 36
3.3.1 自我組織映射網路的多變量分群： 36
3.3.2 決策樹分析萃取與表達群聚的特徵： 37
3.4 結果解釋與評估 38
3.5 建構雛型系統之決策樹模組 38
第四章 實證研究 41
實例一：半導體製程監控分析 41
實例二：半導體製程事故診斷分析 47
第五章 決策樹分類法則演算法研究與系統實作 54
5.1 決策樹分類演算法 54
5.1.1 發展概念 54
5.1.2 演算法分類步驟 55
5.1.3 案例說明 56
5.2 決策樹分類系統實作 61
5.2.1 系統建構與實作 61
5.3 資料實驗與分類結果 64
5.3.1實驗一：Setosa視為class1，其他為class0： 66
5.3.2實驗二：Virginica視為class1，其他為class0： 67
5.3.3實驗三：Versicolour與其他類別區隔的實驗： 71
第六章 結論與未來研究 79
參考文獻 80

林昇甫、洪成安（1996），類神經網路入門與圖樣辨識，全華科技，臺北。
林大欽（1997），「IC封裝業之短期生產排程之探討」，國立清華大學工業工程與工業管理研究所碩士論文。
林士智（2000），「知識管理理論模式初探─組織取向與資訊科技運用」，私立東海大學工業工程研究所碩士論文。
林鼎浩（2000），「建構半導體製程資料挖礦架構及其實證研究」，國立清華大學工業工程與工業管理研究所碩士論文。
莊達人（1994），VLSI製造技術，高立，臺北。
施能傑、張榮發（2001），「知識管理與公務部門人力資源管理之研究」，中華決策科學年會暨論文研討會論文集。
楊子江、王美音譯（1997），創新求勝─智價企業論，遠流，臺北。譯自Ikujior Nonaka and Hirotaka Takeuchi。
劉京偉譯（2000），知識管理的第一本書，商周，臺北。著譯自Arthur Andersen Business Cosulting。
薛如珊（2001），「使用自組織映射網路進行資料群集和資訊樣型採擷的資料探勘法」，台灣大學工業工程學研究所碩士論文。
簡禎富、林鼎浩、徐紹鐘、彭誠湧（2001），「建構半導體晶圓允收測試資料挖礦架構及其實證研究」，工業工程學刊，第十八卷，第四期，37-48頁。
簡禎富、李培瑞（2002），「半導體製程資料特徵萃取與資料挖礦」，資訊管理學報（已接受）。
簡禎富、李培瑞（2001），「現代決策工具：資料挖礦及其在半導體製程資料特徵萃取與事故分析之實證」，中華決策科學學會年會暨論文研討會論文集，77-84頁。
簡禎富、李培瑞（2001）， 「半導體製程資料分群、特徵萃取與資料挖礦」，中華民國科技管理研討會論文集，396-401頁。
簡禎富、王鴻儒、徐紹鐘、李培瑞（2002），「決策樹資料挖礦架構及其於半導體製程之實證研究」，科技管理學刊，第七卷，第一期，137-160頁。
蘇木春、張孝德（1999），機器學習：類神經網路、模糊系統以及基因演算法則，全華科技，臺北。
SAS 軟體股份有限公司（1999），Enterprise Miner V2.0資料挖礦軟體。
Berry, M., and Linoff, G. (1997), Data Mining Techniques for Marketing, Sales and Customer Support, John Wiley and Sons, New York.
Berry, M., and Linoff, G. (2000), Mastering Data Mining: The Art & Science of Customer Relationship Management, John Wiley &Sons, New York.
Berson, A., Smith, S., and Thearling, K. (2000), Building Data Mining Applications for CRM, McGraw Hill.
Brachman, R. J., Khabaza, T., Kloesgen, W., Piatetsky-Shapiro, G., and Simoudis, E. (1996), “ Mining Business DataBase ”, Communication of ACM, Vol.39, No.11, pp.42- 48.
Breiman, L., Friedman, J. H., Olshen, R. J., and Stone, C. J. (1984), Classification and Regression Trees, Belmont, CA:Wadsworth.
Bursteinas, B., and Long, J.A. (2000), “Tools with Artificial Intelligence”, Proc. IEEE, pp. 274 —280.
Cabena, P., Hadjinian P., Stadler R., Verhess J., and Zanasi A. (1997), Discovering Data Mining From Concept to Implementatation, Prentice Hall PTR, Upper Saddle River, New Jersey.
Cai, Y. (1994), “The application of the artificial neural network in the grading of beer quality”, Proc. WCNN94, Vol.1, pp. 516-520.
Colin, A. (1996), “Algorithm Alley”, DDJ-Patterns and Software Design, June, 1996.
Davenport, T. H., and Prusak, L. (1998), Working Knowledge: How Organizings Manage What They Know, Havard Business School press, Boston.
Deboeck, G., and Kohonen, T. Eds(1998), Visual Exploration in Finance with Self-Organizing Maps. Springer-Verlag, London.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996), “The KDD Process for Extracting Useful Knowledge from Volumes of Data ”, Communication of ACM, Vol. 39, No.11, pp.27-34.
Fayyad, U. (1997), “Data Mining and Knowledge Discovery in DataBase: Implication for Scientific Databases ”, Scientific and Statistical Database Management, pp.2-11.
Gandner, M., and Bieker, J. (2000), “Data Mining Solves Tough Semiconductor Manufacturing Problem”, Proc. KDD2000.
Groth and Robert (1998), Data mining: a hands-on approach for business professionals, Prentice Hall.
Gurney, K. (1997), An introduction to neural networks, UCL Press, London.
Han, J. and Kamber, M. (2001), Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers.
Irani, K. B., Cheng, J., Fayyad, U. M., and Qian, Z. (1993), “Applying Machine Learning to Semiconductor Manufacturing”, IEEE Expert, Vol. 8, No.1, pp. 41 —47.
Kasslin, M., Kangas, J., and Simula, O. (1992), “Process state monitoring using self-organizing maps”, in Aleksander, & I., Taylor, J. (Eds), Artificial Neural Network, Vol.2, pp. 1532-1534. North-Holland, Amsterdam.
Kessler, W., Ende, D., Kessler, R. W., and Rosenstiel, W. (1993), “Identification of car body steel by an optical on line system and Kohonen’s self-organizing map”, Proc. SPIE （1588）, pp. 64-75.
Kiviluoto, K. (1998), “Predicting bankruptcies with the self-organizing map”, Neurocompt. Vol.21, pp. 191-201.
Kittler, R., and Wang, W. (1999)，「資料分析漸露頭角」，中文半導體技術雜誌，79-85頁。
Kleissner, C. (1998), “ Data Mining for the Enterprise ”, IEEE Proc. 31st Annual Hawaii International Conference on System Sciences, Vol. 7, pp.295-304.
Kohonen, T. (1995), Self-Organizing Map, Springer-Verlag, Berlin.
Kohonen, T., Oja, E., Simula, O., Visa, A., and Kangas, J. (1996), “Engineering applications of the self-organizing map”, Proc. IEEE, Vol.84, No.10, pp. 1358-1384.
Lampinen, J., and Oja, E. (1995), “Distortion tolerant pattern recognition based on self-organizing feature extraction”, IEEE Transactions on Neural. Networks Vol.6, pp. 539-547.
Lim, T. S., Loh, W. Y., and Shih, Y. S. (2000), “A Comparison of Prediction Accracy, Complexity, and Training Time of Thirty-three Old and New Classification Algorithms”, Machine Learning, Vol.40, pp. 203-229.
Milne, R., Drummond, M., and Renoux, P. (1998), “Predicting paper making defect on-line using data mining”, Knowledge-Based Systems,Vol.11, pp. 331-338.
Nonaka, I., Toyama, R. & Konno, N. (2001), “SECI, Ba and Leadership: a Unified Model of Dynamic Knowledge Creation”, in Nonaka, I. & Teece, D. J.（eds）, Managing industrial knowledge, pp. 13-43, London; Thousand Oaks, Calif.:SAGE.
O’Grady, P. (1999), The Age of Modularity, Adams and Steele Publishers.
Pyle, D. (1999), Data Preparation for Data Mining, Morgan Kaufmann Publishers, San Francisco, California.
Quinlan, J. R. (1986), “Induction of decision tree ”, Machine Learning, Vol.1, pp.81-106.
Quinlan, J. R. (1993), C4.5: Programs for Machine Learning. Morgan Kaufmann, San Francisco, California.
Safavian, S. R., and Landgrebe, D. (1991), “A Survey of Decision Tree Classifier Methodology”, IEEE Transactions on Systems, Man, and Cybernetics, Vol.21, No.3, pp. 660-674.
Westphal, C., and Blaxton, T. (1998), Data Mining Solutions: methods and tools for solving real-world problems, Wiley, New York.