無人機在進行定位時，多半是依靠內建GPS晶片與內建慣性測量單元(Inertial Measurement Unit, IMU)進行定位，然而高精度的IMU及GPS晶片受限於高成本無法在一般無人機上運行；此外，各種定位系統均有其適用範圍，若無人機運行於定位系統之適用環境外，其定位精確度會下降，進而導致無人機飛行時會與預期路線產生誤差。 在本研究中，我利用Webots模擬軟體進行無人機模擬，藉由無人機鏡頭所拍攝的連續兩幀圖片差異，產生差異與角度及距離間的關係資料集，並利用此資料集來訓練深度神經網路，將產生模型用以模型迴歸出連續圖片間的旋轉角度偏移量，以此偏移量輔助無人機進行飛行校正。 經過多次實驗與修改，我比較了幾種不同的資料處理與分類方法，找出當中最佳結果的機器學習模型後，將此模型套入模擬環境中輔助無人機飛行，使無人機飛行於複雜環境時，成功提升飛行準確度。

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。

科技不斷進步對 CPU 等電子設備有更高效的需求，而高效的運算也提高用電量及散熱的需要，這促使我們尋找增強熱通量和熱傳遞的方法。透過惰性介電流體直接對電子部件進行液體冷卻，已成為複雜電子系統中熱傳遞的解決方案之一。 浸沒式冷卻是將電子元件浸入介電流體中，透過介電流體的池沸騰和相變化將熱帶走，而介電流體由冷水循環冷凝回原系統。本研究旨在透過設計仿浸沒式水冷的機台，來探討它如何影響電子元件。加熱站模型是用電腦輔助設計軟體（Creo, AutoCAD)進行圖面設計，然後進行CNC加工製作而成，本文記錄測量效率的值並繪製圖表，以討論傳熱的速率。

自駕車的相關研發日益受到重視，尤其在複雜的交通運輸中提供更安全、更有效的防護是自駕車的發展重點之一。本次研究主要探究不同距離感測器與不同PID自動控制組合，針對靜物與移動障礙物進行煞車成效分析。研究結果顯示不同的距離感測器的精準度與穩定性不同，在固定障礙物狀態下雷射距離感測器因為精準度和穩定度較高，而超音波較容易受到外界干擾，所以比較不精準。由於超音波距離感測器的偵測範圍廣，所以可以事先偵測到移動障礙物，反而提供自動控制較多的反應時間，在加速度的表現上較為穩定．自動控制表現上P控制的情況下機器人常常卡在最後一點點的距離，不過超音波感測器因為會有點誤差，所以反而會比雷射感測器快停下來；PI控制因為可以消除穩態誤差，所以時間消耗都是最短的；PD控制原本的功用應該是快速修正，由於D控制的增益常數（gain）過大，影響D控制作用，因此PD控制的效果沒有特別突出的部分。

本研究延續先前自己所做的研究進行延伸。首先研究者嘗試利用Python、MediaPipe、OpenCV進行手部辨識，判斷使用者是否用正確的手指按壓鍵盤，逐次開發打字系統提升精進指法的練習平台；在過程中研究者觀察到多數人打字習慣都不一樣，所以嘗試將打字習慣運用機器學習形成密碼，讓其他人就算知道密碼也無法輕易解密，因為他們並沒有使用者的打字習慣。並提出三項研究目的，分別為增加機器學習模型Random Forest並觀察準確率，提出最短密碼之研究方法及忘記密碼系統之研究方法，並提出關於電腦前後端問題的解決方法。目前研究已能夠判斷使用者是否用正確的手指按壓按鍵。未來預計解決打字到拍攝的時間差回推影像等問題，並將蒐集更多數據觀察觀察模型結果，找尋一種最佳的密碼模型。未來也會將此打字系統架設到網站上，並且蒐集使用者的人機體驗感想回饋，進而更為精進完善本系統。

我們想利用機器學習進行疾病診斷，但現有方法對罕見疾病的預測精確率低，且若過於專注在罕見疾病預測的提升，容易導致整體精確率降低。 為了兼顧整體與罕見疾病的精確率，我們將預測分為兩個階段。在第一階段運用現有的多標籤分類方法訓練，第二階段使用二元成本導向判斷病人是否有罕見疾病，再利用第二階段得到病人有無患有罕見疾病的結果，決定是否在預測此病人可能患有的疾病時，保留一個位子給罕見疾病。實驗結果呈現在兩階段皆用神經網路（Neural Network, NN），能正確預測罕見疾病的比率為現有方法的八倍，而整體精確率只下降 0.02，並實作出疾病預測系統。

鐵路時刻表排點直到目前為止仍十分仰賴人工作業，且排班優劣對於乘客服務品質有顯著的影響。本研究採用啟發式最佳化演算法以及模擬器進行旅客列車鐵路時刻表排點，希望能夠找出一份針對旅客需求，能夠提升旅客運輸成功率且降低旅途時間的時刻表。我們提出一種班表編碼機制，可依此機制產生班表草稿。我們研發的模擬器可將班表草稿轉換為合法無衝突之班表。最後，透過登山演算法來搜尋班表草稿，並以模擬器評估班表優劣，我們實現了一個自動化排班系統。實驗結果指出我們的模擬器能夠有效率地產生無衝突之班表，且所提出之演算法操作有助於提升運輸成功率和降低旅途時間。

本研究旨在解決先前研究未解決的問題。而在本研究中對於對稱規則及非對稱規則的梅花棋遊戲，各提出兩大人工智慧演算法。分別是Minimax及Monte Carlo Tree Search。而在這之中，Minimax又被分為探索深度一層、兩層及三層、MCTS則是以模擬次數分為100、300、500、…、1900多個版本。而以目前的成果來說，我們認為其勝率並不理想。而主要的原因還是要歸咎於目前所有演算法的結果過於隨機化，而即使我們對於UCB公式進行優化，雖然勝率有所提升但仍然不符合我們的期待。為了解決上述問題，我們希望從根本解決運行效率過低的問題，而最顯而易見的方法就是在遊戲運作前先將人工智慧訓練完畢，也就是在遊戲開始時直接給予一套策略，令電腦無須再做額外的遊戲模擬。綜上所述，我們開始實作Tuple-Network、TD Learning及AlphaZero的相關架構，但礙於時間關係，模型尚未被訓練。

近年來，AI技術逐漸成熟，現今已有能夠還原馬賽克之 AI模型問世，因此進行馬賽克處理之圖片並不絕對能保證隱私的安全。為此本研究提出一套針對人臉馬賽克還原模型PULSE的馬賽克強化方法，透過設計實驗探討不同變因對 PULSE還原圖像之影響，並以客觀指標評估實驗結果。實驗結果證實經過此方法處理過之圖片能獲得比 PULSE原始預測更低的相似度，最後歸納出一套馬賽克方法，此方法能使16×16和32×32解析度馬賽克獲得相對較低之相似度。本研究之成果能應用於新聞媒體及訪談節目中，對需要保護之人臉進行強化之馬賽克，用以增加對人臉隱私之保證。

本研究透過ChatGPT提示工程的研究將生成式AI的應用融入日常生活中。在實作上透過Google Cloud Functions 建置並連結多個雲端服務，實現一個AIoT執行環境。研究架構的底層為智慧居家模型，其中涵蓋霍爾感測器與低功率雷射的入侵偵測、IR測距感測器的門禁偵測、溫溼度的偵測與加熱片的溫溼度調整，並利用調光玻璃達成光線遮斷與隱私權保護等智慧居家生活需求。在系統整合上，透過Line 聊天機器人進行指令的發送與訊息接收。為了更人性化的解析所有的指令信息，我們透過Google Cloud Functions介接到OpenAI下達提示(Prompt)指令，產生真正的動作指令後傳送給MQTT Server，最終由MQTT發送動作指令的信息給底層的智慧居家模型；此外，所有底層感測器的環境偵測訊息皆可以透過ESP32 MCU進行蒐集應用。

本研究旨在開發一套系統，判斷使用者是否久坐與使用電腦的姿勢是否正確，並即時提供回饋。此坐姿輔助系統僅需使用電腦內建視訊鏡頭以MediaPipe BlazePose影像辨識模型抓取上半身節點資訊，並透過雙腳穿戴micro:bit感測裝置取得腳部三維加速度值。研究者蒐集各年齡層不同姿勢下的數據，討論其差異並計算F-score值以訂立閥值，判斷使用電腦的姿勢。同時，研究者運用PyQt套件建立使用者介面，使得系統能夠進行個人化設定，並即時地提供回饋。相較現有研究，本研究所提出之系統更輕量化、方便使用且成本更低。