自2020年受到新冠肺炎疫情的影響，許多原有的生活、工作與學習型態都受到了影響。為了控制疫情，減少面對面接觸是其中一種方法，學習模式亦從實體轉變成線上。因學習都是面對鏡頭進行，老師很難掌握學生實際的學習狀況，也不易確認學習的品質。 沒有專注就沒有辨識、學習記憶。鄭朝明（2006）提到專注力與學習有密切關係，線上學習容易受到許多外在環境的誘惑導致專注力下降。本作品提出利用人工智慧中的深度學習，透過學生學習時的鏡頭畫面進行臉部特徵擷取，作為深度學習之分類器的輸入進行辨識，並將辨識出的狀態分析後得到結果。教師可利用分析出的結果進行教學模式的調整，以提升學生學習的狀態與品質。

本研究主要是希望將「無紙袋吸塵器」之除塵技術應用在室內空氣清淨之上。 首先，選定PM2.5為空氣汙染檢測標的。然後，利用電腦課學習之Arduino套件，編寫程式並組裝SHARP PM2.5感測器。 接著，探討無紙袋吸塵器之除塵原理，並改良結構以應用於空氣清淨。 研究發現：設計良好之「氣旋除塵筒」，確實有很好的清除PM2.5效率。清除PM2.5效率良好的氣旋除塵筒：1.能產生結構札實的氣旋結構、2.直式比橫式效率高、3.加長氣旋除塵筒長度能夠增加清除效率、4.抽氣孔與進入室內空氣孔分開，並將抽氣孔位於側邊可以增進清除效率、5.增加風扇風力也可以增加清除PM2.5的效率。

本研究使用半監督式機器學習搭配卷積神經網路來訓練核心模型，並將星系的圖片加入模型裡，讓電腦自動判斷出該星系的種類為何。我使用自行設計的CNN架構以及VGG-16當作我的卷積神經網路架構。資料集來源為EFIGI和Galaxy Zoo 2。我分為兩種任務，第一種任務是讓模型能分辨橢圓 (E)、螺旋 (S)、不規則 (I) 這三種類別的星系，訓練資料共有2,468張照片，最後的正確率能達到94%。第二個任務是將8種的星系照片(E、S0、Sa、Sb、Sc、SBa、SBb、SBc)進行分類，並使用自動編碼器作為預訓練，使用1,923張EFIGI的圖片以及1,258張Galaxy Zoo 2的照片當作訓練資料。由於各星系照片有許多外觀太過相似，測試準確度最高達到54.12%，基於我的研究，星系自動化辨識於天文學上應該有相當大的運用空間。

「溫室效應」會造成地球暖化，使地球環境惡化。但「溫室效應」並非顯而易見，因此不易理解，現在結合自然科學與科技課程，於微型玻璃屋中，探討二氧化碳對溫室效應的影響。 首先在玻璃屋外進行「空白試驗」，再於玻璃屋內進行溫室實驗。打氣幫浦輸出的氣體經由三通管控制「繞流」(Bypass)，通過氯化鈣去除水氣，約略可視為「零空氣」(Zero Air)，以人工光源照射充滿「零氣體」的玻璃屋作為「對照組」，再比較充滿不同濃度的二氧化碳氣體作為「實驗組」，應用Arduino開發板、感測器、液晶螢幕與記憶卡，能即時顯示數據、記錄資料，再以Excel繪製圖表，也可連接電腦進行現場環境監測。 從數據分析，「溫室效應」確實發生，所以應該儘量減少二氧化碳排放至大氣中。

BERT近年來在各式NLP任務中可說是無處不見、無所不在，其中使用fine-tuning的訓練方式更是可以幫助研究者省下大量的時間及運算成本，且結果都有不錯的表現。本研究探討在結合不同條件的文本訓練下，基於對BERT模型做fine-tuning且讓其進行文本分類，觀察其對於預測及分類中文句子通順程度的成效，並且根據訓練出來的模型設計修正方式嘗試使其對預測中不通順之文本進行自我修正，並分析其成效與結果。

1920年代和1930年代，攝影設備剛剛起步，攝影設備只能拍攝黑白圖像的照片或影片，但仍有許多經典電影被記錄下來。如今，隨著科技的進步，攝影設備也在不斷迭代，彩色成像技術和高品質成像技術不斷被更好的技術所取代。因此，如何將黑白圖像轉換為彩色圖像成為一個重要的研究課題。本研究的目的是將黑白影片轉換成彩色影片。我們的方法可以分為兩部分：彩色化模型設計和影片連續性優化。在顏色轉換模型設計部分，我們使用了生成對抗網絡（GANs）技術，基於U-Net設計了5個模型，並使用COCO數據集訓練顏色生成模型。在電影連續性優化部分，我們首先使用景觀數據集中微調的前五個模型中最好的模型。在這個過程中，我們發現模型生成的影片存在顏色不連續的問題。因此，我們設計了三套方案來解決，比如使用H.264重新編碼生成電影，使用平均像素的色調值提高電影的色調穩定性，使用ORB預測個別幀。結果表明，影片的色彩轉換效果表現優異。

在臺灣手語辨識，先前研究所使用的監督式學習需要大量標記樣本而限制可辨識詞彙量。為此，本研究借鑒自然語言處理領域中BERT的遮罩想法，將未標記手語影片隨機遮蓋部分幀數，並讓模型學習預測被遮蓋的幀數以學習臺灣手語的特徵，並透過遷移學習來訓練辨識模型，此作法可克服現有臺灣手語資料缺少的問題。經過實驗，本研究訓練之詞彙辨識模型達成了242個單字量，92%的準確率。 此外，先前研究皆未在手語句子翻譯上有成果。因此本研究基於以上模型，設計手語翻譯的系統，整個系統在100個句子的翻譯表現達到83%的準確率，證明自監督學習的方式在手語辨識、翻譯上是有效的。並展現出樣本需求少與辨識詞彙量可輕易擴大的潛力。

本研究主要是為了提升在線上西洋棋網站中對弈的公平性，希望可以用自動化的模型幫我們抓出作弊者。 首先我們需要將棋局PGN檔先預處理成訓練要用的模式，接下來將分成兩組實驗進行:一是用每步著法及時間放入深度學習網路製作模型，二是以子力停留位置製作的熱圖配合卷積神經網路製作。 研究結果顯示，使用深度學習的模型判斷結果比用卷積神經網路的模型還準確一些，而使用卷積神經網路的模型中，我們發現加入子力權重的模型會比沒有加入的準確一些，但是還是比不上深度學習的模型。

機器學習和精準醫療是目前醫學界的熱門話題。機器學習在醫療領域的應用越來越普及，可幫助臨床更快速及精準診斷疾病，並提供個人化治療方案。例如，通過訓練大量醫學影像數據，建立深度學習模型，可用於腫瘤的自動辨識與分類。通過醫療資料大數據分析，可以為臨床提供及時的疾病預測和預防建議。然而，如何讓臨床資料結合機器學習建立模型預測，是很重要的議題。本研究使用臺北醫學大學數據處蒐集衛生福利部雙和醫院的大腸直腸癌與大腸炎病患三年的臨床資料，結合機器學習進行模型的建立與預測。經處理數據的缺失值、特徵的排序與選取及向前特徵選取法來訓練與驗證模型，找出分辨大腸直腸癌和大腸炎的最佳檢驗項目組合及效能，以預測大腸直腸癌。

本研究旨在應用立體思維解決循環式的最大流量問題，於教師介聘中，可提出擁有品質保證之方法，並求得介聘成功人數之區間。教師介聘應為一限制的網路流（每個節點至少一入一出），試著求出最大循環流量。 教師介聘為學校間之教師調換作業，透過志願選填與其他參與者進行交換。以110年的介聘規則而言，介聘順序為單調→五角調→四角調→三角調→互調，相同者以積分高為優先。現有制度受限於作業期程、業務人員能力，約略簡化問題原型，但即使如此，介聘處理的結果仍不提供數據分析，導致無從分析其品質及過程，因此介聘的結果、數量和方法皆仍有很大的研究空間。 此研究除了可使媒合數量最大化外，進而由原模型衍伸出多種策略，可以透過調整參數並於結果與時間中取得平衡。單志願介聘中，透過使用不同模型使準確率（介聘成功人數/最多成功人數）介於88～100%，運算時間與準確率成正相關。多志願介聘以自訂規則作為範例，套用單志願介聘模型呈現效果。

遠距醫療及自我健康檢測在最近幾年逐漸崛起，其講求利用大眾化的工具即可掌握醫療知識與自我健康監測，並透過大數據分析及人工智慧技術，協助醫師與病患進行更有效的治療，但目前中醫在這方面的研究不多，與影像辨識相關的也只有舌診。目前對於手掌的研究多半止步於身分辨識，因此手診還需中醫師切脈或檢查。 本研究作品旨在發展自動手診方法，提供民眾自我健康監測。利用兩種方式1.整張手的CNN圖像分類 2.用YOLO物件偵測進行掌中的特徵點抓取，使其能分辨肝掌、富貴手、蜘蛛痣、汗皰疹、無症狀，最後，並將模型與手機APP結合。

民眾在生活採買與準備食材中，經常面臨一些問題，例如：忘記冰箱食品而導致重複購買與浪費、食品放置過期…等。因此我們提出一個可以解決上述問題的系統，藉由影像辨識來判斷食品品項與移動軌跡，藉此建立冰箱內部的食品清單，並且可透過冰箱觸控螢幕與手機APP，查看與設定清單內容。針對無法辨識的食品，系統可以學習訓練建立影像辨識模型，並針對現有的食品類別進行增量訓練，提高辨識食品的準確率。藉由本研究所提出的系統，可以學習與辨識各項冰箱食品、設定過期提醒通知，與冰箱異常偵測，協助使用者有效且便利地管理冰箱雜物、掌握冰箱的狀態。