理學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3
學院概況
理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。
特色理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。
理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。
在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。
在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。
Browse
29 results
Search Results
Item Multiple Policy Value MCTS 結合 Population Based Training 加強連四棋程式(2024) 蔡宜憲; Tsai, Yi-Sian電腦對局是人工智慧在計算機科學和工程方面的最古老和最著名的應用之一,而AlphaZero在棋類對局領域是一個非常強大的強化學習算法。AlphaZero是用了MCTS與深度神經網路結合的演算法。較大的神經網路在準確評估方面具有優勢,較小的神經網路在成本和效能方面具有優勢,在有限的預算下必須兩者取得平衡。Multiple Policy Value Monte Carlo Tree Search此方法結合了多個不同大小的神經網路,並保留每個神經網路的優勢。本研究以Surag Nair先生在GitHub上的AlphaZero General程式做修改,加入Multiple Policy Value Monte Carlo Tree Search,並實現在連四棋遊戲上。另外在程式中使用了Multiprocessing來加快訓練速度。最後使用了Population Based Training的方式來尋找較佳的超參數。Item RIDNet深度學習去噪模型的提升:基於網絡結構與損失函數的調整(2024) 林宜亭; Lin, Yi-Ting自1970年代後期以來,隨著計算機視覺領域和數字影像處理的不斷發展,影像去噪技術也獲得了改善和創新。從最初基於空間域與變換域的濾波器、字典學習和統計模型的方法,到現今基於人工智慧的機器學習技術,可以發現影像去噪的方法日益多樣和精密。儘管許多去噪模型已經取得了相當不錯的成果,但仍然存在一些缺陷,比如需要手動設定參數、優化效果不佳,或者僅適用於特定類型的雜訊等。隨著卷積神經網路學習能力的增強和硬體技術的提升,基於深度學習的技術逐漸成為主要的影像去噪方法。卷積網路不僅能處理大量數據,還能進行高效的訓練和學習。然而,一般情況下的雜訊是無法得知的,因此能夠面對真實影像雜訊的盲去噪模型在當今的影像處理中尤其重要。這些模型必須具備強大的自適應能力,能夠有效地從影像中提取出雜訊的特徵並進行有效的去除,而不需要對雜訊進行先驗知識的設定。因此,在本篇論文中,對於盲去噪模型,我們將專注於擁有注意力機制和殘差學習的RIDNet,並對其EAM層數、激活函數及損失函數進行修改,並與其他現有的深度學習模型進行比較,如DnCNN和CBDNet。這些比較將幫助我們更了解模型,並為影像去噪技術進一步提供改善指引。Item Modified Faster R-CNN with Applications to Cat and Dog Image Detection(2024) 黃世龍; Huang, Shih-Long隨著深度學習技術的快速發展,神經網絡在物件檢測應用的範圍和性能上不斷改進,取得了顯著的進展。本論文基於 Faster R-CNN 框架,通過調整參數和卷積神經網絡,應用於 Kaggle 數據集中的貓狗圖像檢測。通過觀察性能變化並使用統計重採樣方法來確保數據集對模型精度和召回率的影響,論文展示了重採樣方法和參數調整如何影響模型的精度和召回率。在調整到最佳參數後,論文展示了基於 ResNet 的 Faster R-CNN 模型在物件特徵提取和邊界框回歸中的有效性,並比較了單階段物件辨識與兩階段物件辨識的精度差異。實驗結果表明,作為 Faster R-CNN 模型中特徵提取卷積神經網絡的 ResNet 在該數據集上表現出色,且兩階段物件辨識模型在此數據集上有較好的精度表現。Item 利用啟發式法則與數種訓練策略來評估中國跳棋程式(2023) 江曛宇; Jiang, Syun-Yu中國跳棋(Chinese Checkers)是一個知名且充滿挑戰性的完全資訊遊戲。與一些其他的傳統遊戲如五子棋、圍棋不同,賽局樹的搜索空間並不會隨著遊戲的進行而越來越小。若是單純使用AlphaZero架構之演算法,在短時間內甚至難以訓練出初學者程度之程式。過去雖有使用蒙地卡羅樹搜索法結合深度學習與強化學習,並應用於中國跳棋上的演算法,但是仍有改進的空間。若是能夠適當的加入一些中國跳棋的先備知識,應該能使棋力進一步的提升。本研究針對中國跳棋設計數種策略,修改了前代程式Jump的設計,人為的增加先備知識,以期有更好的棋力,並且針對中國跳棋在神經網路訓練初期棋力很弱的問題,提出一連串的解決方案與策略,使其能夠在不使用人為訓練資料以及預訓練的狀況下,能夠獲得一定的棋力,並且對這些策略的特點進行探討,分析出各個策略的優缺點。Item 以深度學習對包含長文之資料集進行情感分析(2022) 陳宜威; Chen, I-Wei隨著網際網路的蓬勃發展,越來越多的訊息在社群網站、線上購物網站、論壇等各種網路平台間傳遞,而這一些訊息可能都表達了人們的看法或是評價。但是只依靠人力來觀察如此龐大的資訊量是非常沒有效率的,因此如何讓電腦得以代替人類完成這一項工作量龐大的任務是必要的。自然語言處理(Natural Language Processing,NLP)是一種讓電腦可以理解人類語言的技術,而情感分析(Sentiment Analysis)則是NLP其中的一項常見應用。它能夠了解字句間所表達的情緒,比如分析網路上對於某些產品、名人、事件等事物的評論立場為何,像是有好感還是持有負面態度。本實驗使用含有長文的IMDB資料集進行情感分析,該資料集將評論分為正面和負面,並且建立深度學習模型讓它藉由評論內容判斷評論表達的情緒是正面或負面,除了基本的LSTM和BERT模型以外,本實驗還有嘗詴讓BERT合併BERT或LSTM模型,希望藉由增加模型獲得的特徵來提高準確度,並且對各種模型的實驗結果進行比較。Item 利用樣本重組的半監督學習之場景文字偵測(2022) 葉家福; Yeh, Chia-Fu隨著科技的發展與進步,生活周遭所帶來的資訊越來越重要。在任何一個場景中,周遭的文字訊息都跟周圍的環境有著極高的相關性。若我們能自動偵測場景中的文字,以利後續的資料收集與分析,勢必能為生活帶來更多的方便性。場景文字偵測這項研究中,相關研究大多以英文為主。雖有少數工作研究簡體中文,但繁體中文幾乎沒有。而場景文字偵測為一般物件偵測中的一個特定應用,所以我們提出基於物件偵測的方法,應用在場景文字偵測上。而物件偵測方法大多使用監督式學習,其依賴大量的訓練樣本,但在真實世界中,標註樣本取得不易,所以聯合運用非標註樣本的半監督式學習方法,較符合真實世界的需求。本研究打造一個半監督式繁體中文場景文字偵測模型。透過交換具標註樣本的背景與文字來合成新樣本,並配合拼貼的資料增強方法,豐富訓練樣本的多樣性,實驗證明本論文提出的樣本重組能更有效地運用標註與未標註樣本。關鍵字:深度學習、物件偵測、場景文字偵測、半監督式學習。Item 基於集成學習方法進行謠言偵測(2022) 陳煒鈞; Chen, Wei-Jiun網路社交媒體充斥著假消息,連牛津辭典在2016年都將"Post-Truth"列為一個詞彙,錯誤的資訊可能對人造成危害,所以建構一個能夠辨識網路上各種不一樣說法、消息的系統是一個重要的議題。本研究利用預訓練語言模型搭配文字以外的特徵建立出一套辨識謠言的系統,辨識在社交媒體Twitter及Reddit使用者發表內容的真偽。 本論文的資料集來自SemEval 2019 RumourEval: Determining rumour veracity and support for rumours (SemEval 2019 Task 7)的任務B,該任務將Twitter及Reddit上的句子經由人工標註分為3類,真(True)、假(False)、未驗證(Unverified),本研究先經由資料增強的方式增加資料量,接著以不同的語言模型(RoBERTa、ALBERT)及傳統分類(SVM)個別進行訓練,再將不同的模型組合進行集成學習(Ensemble Learning),訓練並給予不同的權重,最後加上後處理達到Marco F1 72 %,RMSE 0.5879的成績。Item Weakly Supervised Object Localization Using A Self-Training Approach(2023) 黃貞棠; Huang, Zhen-Tang近年物件定位與偵測在深度學習的研究上持續受到關注,許多物件定位的技術廣泛應用於我們的產業與生活中,為了達成可以在現實應用為目標,我們必須考量在現實應用中缺乏完整標註資料與標註成本的問題,且模型的準確率與泛化能力更是重要的指標。弱監督物件定位(Weakly supervised object localization)的研究,是在訓練集資料中缺乏位置級標籤,僅能使用圖像級標籤進行物件定位的工作。最近一個弱監督物件定位規範被提出,其包含一個具位置級標籤但少量的驗證集,供研究者調整超參以訓練出強健的定位模型。在本論文中,我們提出以半監督學習的技術應用於弱監督物件定位工作。我們獨立拆分定位模型與分類模型,可以解決少樣本的物件定位問題,並且避免分類影響定位的性能。我們提出的定位模型以半監督學習的方式進行訓練,首先使用非常少量有標籤的資料訓練定位模型,再利用其為未標註資料產生偽標籤。我們又提出一個偽標籤篩選演算法,從兩個不同的定位結果利用其互補特性,選擇高品質偽的標籤,並解決資料不平衡與樣本難易度差異的問題。最後我們將篩選後的偽標籤作為訓練資料再次訓練模型,配合使用訓練樣本預訓練的分類器進行分類與辨識。我們提出的方法可以有效利用弱標註的訓練資料,降低資料標註成本。我們所提出的方法不僅能有效提升模型的準確率,同時也將模型測試於不同的資料集中展現模型的泛化能力。Item 基於壓力感測器與深度學習之居家運動分析系統(2023) 李昱勳; Lee, Yu-Hsun2019年新型冠狀病毒的爆發,因其強大的傳播力,人們被迫待 在家中減少外出。運動中心與健身房等場所也容易因為汗水或是 近距離的接觸進而增加染疫的風險。然而大部分的使用者在沒有 教練的協助下,常常導致動作不夠標準或是缺乏系統性的訓練, 造成運動傷害以及成效有限。因此本研究提出 Home Exercise Analysis System Based on Pressure Sensor and Deep Learning,簡稱 為 HomeXDL。HomeXDL 運用壓力及壓力重心變化結合深度學習 來達到運動紀錄以及動作正確度偵測。 資料前處理後,HomeXDL 從 CoP 軌跡以及壓力變化計算出的 特徵值,運用決策樹進行動 作種類的分辨,在深蹲、硬舉及弓箭步的動作分類中,準確度 (Accuracy)達91%以上。動作正確度判斷上,HomeXDL 運用 CNN 對上述三個動作的正確度偵測。在系統有標記的動作問題上, HomeXDL 也皆能快速且精準的偵測出來,三個動作整體準確度 也達90%以上。最後 HomeXDL 的使用者介面能及時的回饋給使 用者其運動品質與動作錯誤原因,對使用者在運動過程中有很大 的幫助。Item 使用LRCN模型進行情感分析(2023) 羅湧程; Luo, Yong-Cheng情感分析是近年來自然語言處理領域中的一個熱門研究方向。然而傳統的深度學 習分類模型往往難以捕捉到文本內在的複雜特徵,導致分類效果不佳。因此,本研究 使用深度學習的長期循環卷積網路(long term recurrent convolutional networks, LRCN)模型來進行文本的情感分析。同時我們也討論 Word2Vec 和GloVe 兩個預訓練模型所建構的詞向量空間對文本分析的影響,並以Reddit 和 Twitter 兩個資料集來探討這兩種模型的分類表現。同時我們也將LRCN 模型與傳統的深度學習模型:Convolutional Neural Network( 卷積神經網路 、Recurrent Neural Network ( 循環神經網路 、Long short term memory( 長短記憶神經網路 做比較,我們發現LRCN 能夠更有效的去捕捉字與字之間的空間特徵,通過循環網路層提取文字序列間的關係,有較佳的模型表現。
- «
- 1 (current)
- 2
- 3
- »