본 생산공정관리 강의에서는 MES(Manufacturing Execution System)를 구축하는데 필요한 산업공학의 핵심 로직을 다룬다. 제조 회사의 생산 과정을 계측적으로 구분해 보면 맨 위의 레이어(Layer)가 공급망 관리(SCM: Supply Chain Management)이고 중간 레이어가 생산 계획(Production Planning)이며 가장 아래 레이어가 생산공정관리인 MES이다. 생산공정관리는 공장에서 발생하는 여러 가지 상황을 다양한 산업공학 기법을 이용하여 최적으로 제어하여 수율과 생산성을 향상시키는데 목적이 있다. 현재 우리 나라에서는 삼성과 LG 같은 대기업에서 생산공정관리에 많은 투자를 하고 있다. 이런 추세에 발맞춰 본 강의에서는 생산공정관리에 필요한 MES의 기본 개념, 데이터 모델, 스케줄링을 배우고 나아가 데이터 마이닝 기법을 응용한 공정결함 탐지 및 분류 (FDC: Fault Detection & Classification), 선진 공정 제어(APC: Advanced Process Control), 및 설비 유지보수 관리(Equipment Maintenance) 절차 및 알고리즘을 소개하여 학생들이 기업에 취업했을 때 경쟁력을 갖추도록 한다.

A production process control lecture covers the critical logic of industrial engineering to build MES(Manufacturing Execution System). Looking at the production process of manufacturing company as a hierarchical view, SCM(Supply Chain Management) is on the top layer, production planning is on the middle layer and on the bottom, MES. The object of production planning is to upgrade yield and productivity by controlling variety situations in a plant using industrial engineering methods. Recently major companies like Samsung, LG, have made a lot of efforts to the production process control. This lecture covers an introduction of MES, data model, scheduling for production process control, and also FDC(Fault Detection and Classification), APC(Advanced Process Control) and equipment maintenance by applying data mining.

정보산업공학 분야에 응용을 목적으로 한 확률 개론 수업으로 랜덤 변수의 수학적 모델과 기대값 분포(이산, 연속 변수), 결합 확률(joint) / 조검부 확률 분포, 큰 수의 법칙, 중심 극한 정리, 샘플 분포, 모수 추정 등을 다룬다.

An introduction to probability with a view toward applications. This course covers basic concepts for mathematical models for random variables and expectation(discrete and continuous) distributions, joint and conditional distributions, the law of large numbers, central limit theorem, sample distributions, and estimation for population parameters.

공학 실험을 통해서 얻어지는 자료를 정리 요약하고 이것을 기초로 변수간의 일반적인 추세 관계를 추론하는 회귀 모형(Regression Models)과 실험을 효과적으로 설계하여 실험결과로부터 의미있는 통계 분석을 진행하는 실험계획 모형(Factorial Experiment Models)의 기본 개념과 원리을 학습한다 또한 자료의 통계적 분포를 미리 가정하지 않고 모수(평균 등)를 추정하는 비모수 통계방법과 제조공정상에서 제품 품질의 변화를 통계적으로 탐지하는 품질관리의 기본 모형도 학습한다.

This course covers regression models and fractional experiment models, nonparametric statistics, and statistical quality control. Three exams will be undertaken for grading. Knowledge of fundamental statistical principles, such as probability distributions, expectation, sample distributions, estimation for population parameters, and hypothesis test are required for this course

머신러닝(Machine Learning)은 데이터속에 숨겨져 있는 패턴을 발견하는 신학문이다. 요즘 제조업, 금웅업, 의료기관에서는 매 순간 거대한 양의 데이터가 수집되고 있어 그 어느 때보다 머신러닝의 중요성이 부각받고 있다. 본 과목에서는 산업 현장에서 필요한 머신러닝 기법을 소개하고 Python programming 언어를 이용한 실습과 숙제를 진행한다. 강의 초반에는 머신러닝의 기본 개념을 소개한다. 그 다음에 기초 예측 모형인 선형회귀, 로지스틱회귀, K-최근접 이웃 기법, 의사결정나무을 소개하고 이어서 고급 예측 모형인 인공신경망, 서포트 벡터 머신, 앙상블 기법을 소개한다. 마지막으로 특성공학인 차원 축소를 소개한다.

The objective of this course is to learn machine learning techniques that automatically discover hidden knowledge from datasets. This course provides knowledge discovery algorithms such as linear regression, decision tree learning, instance-based learning, support vector machines, and ensembles. In addition, I will cover feature extraction methods. The performance of students will be evaluated with two exams and homeworks.

이 수업의 목적은 수많은 데이터 셋으로부터 자동으로 숨겨진 정보를 찾는 기술인 기계 학습(데이터 마이닝)을 배우는 것이다. 이 수업은 의사 결정 나무, 인공 신경망, 사례 기반 학습, 유전 알고리즘과 베이지안 통계 기법과 같은 고등 통계 방법론, 그리고 주성분 분석 등 인공 지능 기술을 다룬다.

The objective of this course is to learn machine learning (or data mining) techniques that automatically hidden knowledge from massive data sets. This course provides artificial intelligence techniques such as decision tree, artificial neural networks, instance based learning, genetic algorithm and advanced statistical methods such as Bayesian learning and principal component analysis.

본 과목은 고등지능정보공학 1의 후속 과목으로 Deep learning과 Image processing 및 Object recognition에 대해 사례와 함께 학습한다.

This lecture is the follow-up Advanced intelligence information engineering course(IIE8550-01), provide Deep learning, Image processing and Object recognition with a case study.

일정 계획은 제한된 자원의 사용 일정을 수리적 방법을 적용하여 최적으로 생성하는 운용 과학의 준요한 분야이다. 이번 강의는 학생들에게 수리적 사고 방식을 요구하며, 최적의 일정 계획을 생성하는 다양한 알고리즘을 배운다. 강의에서 다양한 성능 지표와 제한을 둔 단일 기계 스케줄링, 기본 병렬 기계 스케줄링, 흐름 작업장과 개별 작업(job shop) 스케줄링, tabu search, simulated annealing and genetic algorithm과 같은 휴리스틱 기법 등을 다룬다.

Scheduling is one of the classical operation research areas that aims to time-tabling resources of limited capacity so that performance measures are optimized. This lecture demands students to have strong backgrounds on mathematical thinking and proof procedures. The topic covered through this course are scheduling terminology and basic results, single machine scheduling with different performance measures and constraints, basic parallel machine scheduling, flow-shop and job shop scheduling, and some representative meta heuristics, such as tabu search, simulated annealing, and genetic algorithm, for generating near optimal solutions.