本研究使用自製的機械手臂並透過ROS與MoveIt實現機械手臂的路徑規劃，且給予機械手臂自身的視覺系統，並透過深度學習進行物體辨識並使用深度攝影機獲取物體的距離，使機械手臂能夠自行移動到目標物的位置並抓取物體。將電腦視覺、深度學習與機械手臂結合，機械手臂便可以達到自動化，而無須人為操作。本研究所開發的機械手臂系統為完全開源、價格低廉且軟體方面可套用於其他安裝ROS的系統中，十分適合與其他領域結合。而日後在更多自動化的系統上，如物流系統的自動揀貨、行動不方便的長者的輔助系統或是自動化垃圾分類等，使用本系統的電腦視覺、機器人系統，可以讓生活中一些需要人力的事情變得更快更方便。

傳統的神明燈(圖1)、蓮花燈(圖2)只做晚上微亮的照明，功能性少，美觀性不足，但價格昂貴。本研究在於增加其功能性，改善其美觀性，降低成本。運用電腦繪圖軟體重新設計外觀，使其更有藝術美感，加入機件原理中的齒輪機構、凸輪機構，及電機模組的馬達、燈條等等，使其功能性增加，避免用工廠開模的高額成本，利用3D列印輸出，大幅節省作品的成本(如圖3、圖4) 。 本研究合併了機件原理中多種機械結構產生連動，達到同時有正逆時鐘旋轉，及往復開合的華麗效果，最後再增加mp3播放模組，利用記憶卡任意更換音樂，改善一般唸佛機無法更換音樂的囧境，且作品利用PLA環保塑材成型，而達到能動能唱又環保的目的。

某次出遊，導遊的言論讓我們對土壤液化感到興趣，所以開始了這次的研究。在文獻探討時，我們發現地震強度和加速度有相當大的關係。之後，我們透過電腦運算發現使用人手搖晃產生的加速度和大約落在地震強度4~5級之間。然後在不同沙土比例產生的土壤液化實驗中，我們發現沙：水=9：4時次土壤液化的分界點，當水含量再更高時會非常淹水和土壤液化。接下來，我們用相同比例不同體積的沙土和水測試土壤液化的情況，發現含水比例相同時，體積越大的沙土越容易產生土壤液化。最後我們觀察相同含水量相同體積在不同震度中土壤液化的表現，發現震度=6時才會有明顯的土壤液化現象。

隨著物聯網裝置的大量運用，惡意人士可以操控物聯網裝置的惡意程式Mirai發動DDoS攻擊，AP熱點是物聯網裝置的上網窗口，如果能從第一層AP進行防禦，將DDoS消弭於來源，可避免進一步對外擴大攻擊的危害。 Mirai控制數量龐大的IoT bot(殭屍)，是一種新型態的DDoS攻擊手法。我們經由特徵之探討，以達到Mirai的各種攻擊模式防制。 同時針對常見的DDoS攻擊型態，紀錄對外伺服器基本服務封包通訊，如：TCP:ACK、Http:80、ICMP等，進行統計、分析、學習，運算出存取控制列表ACL，在AP攔阻DDoS攻擊封包，建立即時防禦機制。

本研究試著在Android Studio的開發環境下用Java語言寫出手機鎖，將現行之平面手機鎖擴張至三維空間，運用立體的圖形增加可行解組合數及複雜度，進而在不困擾用戶的情況下提升螢幕解鎖的安全性。

深度學習透過迭代的訓練，如沿著梯度反方向更新權重的梯度下降法，旨在找出損失函數建構出的多維函數圖形中，其全局最小解的變數組合。我們受到在睡眠中的快速動眼期啟發，此時期腦中的高頻率γ波可以強化學習效果。本研究模擬此現象，提出一使原損失函數擁有自適應的增幅功能的演算法（稱之為REM方法），且其中的超參數能夠根據其應用調整。 本研究將REM方法應用於三種經典的優化法，並且以五種異質的資料集測試。實驗結果指出，在搭配隨機梯度下降法（SGD）與自適應學習率優化法（Adagrad）時，REM有顯著的優化效果。REM方法不僅能大幅加速訓練進程，亦能避免特定的訓練問題。

在五年級接觸了五連塊之後，我們試著找出除了「拼湊」之外的五連塊解法。我們先針對五連塊的規律進行探討，並試著將五連塊數值化後使用數字計算將答案算出來。再透過「座標數值法」進行計算時，雖然覺得計算繁瑣，但可以從數值化的結果清楚看到連塊翻和轉產生的規律。另外「情況數值法」讓我們可以將解答過程放置於電腦程式中運算。我們還發現情塊數值法的每個數字可接受數值是有規律的。最後，我們發現情況數值法不只可以用在五連塊解答的計算上還可以利用在三角形和立方體的答案計算中。

2D與3D間的轉換一直以來都是重要的科學問題，其中從平面投影建構3D模型的方法及策略是其主要的研究方向。一般而言，會使用坐標系轉換的方法，需要仰賴電腦的運算能力來完成大量的計算。我們在想是否能夠找出更有效率的策略，希望以更少操作建立3D模型。此方法將根據當前的狀況來判定最佳的下一步。我們選擇凸多面體，尤其是柱、錐體，作為研究對象，並對各種情況進行分析。此研究中探討了完全還原立體所需之條件，以及還原柱、錐體下的最佳與最差狀況，最後提出對於特定情況下的還原策略。儘管並沒有找出方法來解決所有情況，但本文中已導出一部分的結論，希望未來能夠研究更複雜情況下的還原策略。

本科展專題將嘗試製作出電子琴，並且對電子琴製作的歷程進行記錄。電子琴將擁有一個控制介面、一個鋼琴鍵盤、一個自製鍵盤、以及一張以MIDI為基礎的音效卡。以Arduino Mega 2560製作，效能強大。 使用3.5mm接口將音源信號接至喇叭之後，您只要照著習慣彈奏鋼琴，便可以彈奏出數十種的樂器（意即不單單只有鋼琴聲可以演奏）。 設備也會裝置一具有LCD顯示器的機板和按鈕，使用者可以透過編寫得來的簡易人機介面，隨時對設備進行調整。 該設備可以連接上電腦，進行協同運作，給予使用者更為進階的功能。而相反地，設備應該也要能夠單機運作，並不需要完全依賴外部進行電力供應或是資料輸入。

在2048人工智慧遊戲中，平滑度與單調性的權重為主要影響電腦判斷的變數，因此本研究主要針對這兩個變數的權重進行實驗並探討。並且在遊戲中步數愈多，愈容易達到更高的數字，在研究當中我們用遊戲移動步數的多寡來判斷當局的好壞。 在深度1的情況下「改進程式碼」，在研究結果中發現主要變數比值為1的同比例放大縮小效果都不錯，在90組數據中有 1/3 有到達1024，甚至可以到達2048；從步數來看，原程式平均步數為332.8步，而修改後的權重平均步數高達561.8步。 最後，我們利用相同的權重，並且將深度改回原設定。比較後發現，經過我們修改後的權重，達到2048與4096的獲勝率皆比原程式高。

一般學生對於學校的植物只有模糊的概念，自然課中曾提過植物分類的方法，經過詳細觀察校園中的植物，以手繪及實物攝影記錄校園中128種植物，並利用圖層方式製作可依需求顯示、隱藏資訊的校園植物分布地圖。在比較各種葉形特徵組合的差異性後，由其中篩選出較好的組合方式，我們發現可以經由簡單的葉子形態特徵，將其中70種的植物作簡單卻有效的系統分類，藉由這個分類方式，使小朋友能將隨手撿拾的一片葉子，藉由電腦的資料庫方便又容易地查詢其來源植物的名稱與相關資訊。未來希望進一步充實這套分類方式，建立完整的校園植物資料庫，讓所有的人都能容易認識校園植物。

以製作適合高中生的英文篇章難易度自動分級為初衷，本研究採高中英文課文為語料，針對「如何分級」，意即從文章萃取哪些特徵、利用何工具或語料協助萃取特徵、以何工具分級等因素，進行研究與實驗，並建立一套新方法。首先進行前處理，再嘗試以單字、句型的數量或比例、句長、音節長、整合以上分析等各式特徵，支持向量機(Support Vector Machines)、隨機森林分類器(Random Forest Classifier)、決策樹分類器(Decision Tree Classifier)、卷積神經網路句分類器(Convolutional Neural Networks for Sentence Classification)等工具，進行將篇章分為高中一、二、三年級等三個難易度等級的測試，建立自動分級模型。最後製作成可供大眾使用的自動分級網頁。各項測試之中，最佳分類效能為整合各項特徵時得到的分類正確率65.04%，經模擬得知，此效能確實優於過去研究。