Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/80820
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorประภาส จงสถิตย์วัฒนา-
dc.contributor.authorอรุณี ศรีดี-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์-
dc.date.accessioned2022-11-02T09:44:27Z-
dc.date.available2022-11-02T09:44:27Z-
dc.date.issued2564-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/80820-
dc.descriptionวิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564-
dc.description.abstractงานวิจัยฉบับนี้นำเสนอเทคนิคการเรียนรู้ด้วยเครื่องในการตรวจจับงานเสียที่เกิดจากการอ่านสัญญาณเซอร์โวในกระบวนการทดสอบ ลักษณะของชุดข้อมูลมีจำนวนหลายมิติและมีความไม่สมดุลสูง มีการเลือกคุณลักษณะด้วย Filter Method และ Embedded Method เพื่อลดมิติของข้อมูล มีการประยุกต์ใช้เทคนิคการเรียนรู้ด้วยเครื่อง 2 อัลกอริทึม คือ SVM และ XGBoost ร่วมกับ 3 วิธีการในการจัดการข้อมูลที่ไม่สมดุล คือ SMOTE , Different Cost Learner และ SMOTE กับ Different Cost รวมเป็น 6 วิธีการและทำการเปรียบเทียบผลการทดลอง SVM ให้ประสิทธิภาพที่ดีในการวัดด้วย ROC AUC แต่ให้ประสิทธิภาพที่ค่อนข้างต่ำในการวัดด้วย PRC AUC ขณะที่ XGB ให้ประสิทธิภาพที่ดีทั้ง ROC AUC และ PRC AUC โดยวิธีการของ XGB SMOTE ให้ประสิทธิภาพที่ดีที่สุดที่ ROC AUC 91%, PRC AUC 73% และ Accuracy, Precision, Recall และ F1-Score ที่ 97%  -
dc.description.abstractalternativeThis paper presents machine learning techniques to detect servo track read back failure in hard disk drive manufacturing test process. The data is high-dimensional and highly imbalanced. Feature selection techniques with filter method and embedded method are used to reduce the dimension of data. We apply two machine learning algorithms, each algorithm applied three different imbalanced data handling methods; total six methods to compare: SMOTE, Different Cost and SMOTE with Different Cost to handle imbalance data. Several machine learning methods are compared. The SVM algorithm shows good performance on ROC AUC while low performance on PRC AUC. The XGB algorithm shows good performance on both ROC AUC and PRC AUC. The XGB SMOTE achieved the best performance with ROC AUC 91%,  PRC AUC 73% and  Accuracy, Precision, Recall, F1-score 97%.-
dc.language.isoth-
dc.publisherจุฬาลงกรณ์มหาวิทยาลัย-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2021.859-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัย-
dc.subject.classificationComputer Science-
dc.titleการประยุกต์ใช้การเรียนรู้ด้วยเครื่องเพื่อตรวจจับงานเสียที่เกิดขึ้นในกระบวนการทดสอบฮาร์ดดิสก์ไดรฟ์-
dc.title.alternativeApplying machine learning techniques to detect failure in hard disk drive test process-
dc.typeThesis-
dc.degree.nameวิทยาศาสตรมหาบัณฑิต-
dc.degree.levelปริญญาโท-
dc.degree.disciplineวิทยาศาสตร์คอมพิวเตอร์-
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัย-
dc.identifier.DOI10.58837/CHULA.THE.2021.859-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6270314021.pdf1.67 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.