本研究主要分成兩大主軸，第一先深入探討迴歸分析中異常值對模型的影響，發現一般的模型在面對數據中的異常值會降低其穩健性，因此藉此特性，我們結合了K-近鄰演算法(K-NN)、模糊理論與深度學習等，自創了新穎的演算法進而找出數據中的異常值；第二為應用此演算法來分析與處理圖像中「不正常區塊或雜訊的輪廓」，達到抑制其對整體美觀的影響，再進一步分析深度偽造（Deepfake）所合成的圖像。研究結果顯示，相較於現有的類神經網路中激活函數ReLU之計算，我們的演算法較容易處理異常值的影響且分析圖像的應用之表現更佳，未來的研究方向可能包括進一步評估其他演算法的效能與將其優化以提高其效能和實用性。

本文提出了一種階層式兼投票式的心律疾病智慧醫療檢測模型，以MIT-BIH心律資料庫為基礎，建立了兩種判別模型。模型一針對正常心跳N及較常發生的V、L、D、R、A(見表3)五種心律疾病進行單一疾病分類；模型二針對疾病較多的N、SVEB、VEB、F、Q(見表4)五類進行分類。採用階層式模型使各層獨立訓練、二分法使資料量均勻；在階層式模型上增加投票式模型，使各層以多種機器學習共同判斷，並按各機器學習訓練之準確程度調整比重。研究結果顯示，模型一最終準確率達99.01%，五種分類類別中有四種召回率達97%以上；模型二整體準確率98.74%，N、VEB、SVEB、F、Q五類召回率分別達99.5%、97.1%、83.6%、77.8%、85.7%。兩模型對於心律疾病判別準確率均較近年論文有所突破。

在這次的研究中，我們在書上看到了一個問題，是一道有關於在棋盤上，貓和老鼠不能看到對方的問題。我們先研究這個題目中棋盤大小、貓和老鼠數量的規律，我們從1×1一路研究到了8×8，並且試著找出在不同棋盤大小的遊戲中，要有幾隻貓才能讓老鼠的平均數量接近2隻，之後我們將 題目設計成對戰的遊戲。 我們首先設計了一個棋盤大小是6×6的桌上型遊戲，並且修改過幾次規則。後來學習了程式設計，把遊戲改到電腦裡遊玩，我們使用scratch寫程式來製作遊戲，並且把原本6×6的棋盤擴大改成了8×8的棋盤。我們在試玩的過程中，又再次把一些不公平的遊戲規則修改了一下，最後我們和同學一起試玩遊戲，製作出了屬於我們的「貓鼠終極戰」。

隨著人工智慧和自然語言處理技術的發展，客戶端小型語言模型在各種應用中扮演著日益重要的角色，例如智能手機、物聯網設備和邊緣計算裝置等。這些小型 語言模型需要在有限的計算資源和存儲空間下實現高效的自然語言處理能力。在這種情況下，訓練資料量的大小對於客戶端小型語言模型的性能至關重要。 過去的研究已經表明，大規模的訓練資料對於建立高性能的語言模型至關重要， 但對於客戶端小型語言模型而言，資源的限制使得無法直接應用這些方法。因此，我們需要探討訓練資料量對於客戶端小型語言模型的影響，以找到最佳的平衡點。本研究的結果將有助於指導客戶端小型語言模型的設計和訓練，從而更好地滿足現實世界中的應用需求，同時充分利用有限的計算資源和存儲空間。

此研究探討在正角柱及正角錐上一刀斬後分割成二部份而形成截面時，觀察其所形成的截面變化，並利用Geogebra、Desmos等電腦軟體模擬繪製，藉此來計算正角柱及正角錐分割成的截面周長與面積，進而推導出其公式及觀察截面大小之變化，以及其與側稜線長的關係。