本研究的目的在於探討Adversarial Voice Attack在對保護智慧財產權、抵抗自動翻譯的能力和預防智能設備危險，並以此進行大規模的應用。我們本次使用了常被用來做為翻譯系統的silero作為研究基礎和試驗對象，使得我們可以評估我們的對抗性樣本是否可以作為對抗自動翻譯的手段和它對模型的效果。利用FGSM(Fast Gradient Sign Method)方法生成對抗性noise來干擾模型對語音的辨識效果。我們的目標為透過解析模型label來製作能夠對模型進行有效攻擊的對抗性樣本，並以進化策略(Evolution Strategies)嘗試進行黑箱攻擊。 根據研究結果顯示在已知模型梯度的情況下可以做出噪聲極小的對抗性樣本。而我們在使用進化策略其中的協方差矩陣自適應進化策略(Covariance Matrix Adaptation Evolution Strategy)進行黑箱攻擊也可以使得製作出來的對抗性樣本的噪聲難以被人體感知。

雲彩是其中一個在世界上最奇妙的自然現象。在其中也隱藏著巨大的觀光經濟利益。因此，我們想要建立一個系統以預測晚霞雲彩出現的時間，以幫助台灣的觀光業。 本研究將藉由柯西公式、折射反射相關定理以及其他由論文貢獻的輔助公式提出一個計算模型，以計算預測晚霞雲彩出現的時間以及光的路徑。自動化的部分，包含溫度、壓力以及濕度，我們藉由政府的公開資料平台以及衛星公開資料進行靜態網頁爬蟲抓取。雲層高度我們則是透過動態網頁爬蟲，逐一從AccuWeather公開網站上爬取相關資料以利計算。我們將爬取的資料以及所提出的模型計算後以15分鐘作爲一個區隔，提供使用者準確的時間觀賞雲彩。 透過此模型以及爬蟲擷取資料計算得到的結果，我們可以得到接近90%準確率的預測結果。因此，我們能夠準確地為用戶提供正確日落雲彩出現的時間。

本研究主要為進行安全帽改造，昔日我們常見關於汽車的盲區偵測、內輪差等先進技術皆建置於汽車上面，但實際在行車上造成災害發生的主角大部分為機車，我們閱讀相關文獻發現目前並無機車有相關技術，再者我們希望此技術可以讓騎乘機車、電動機車、電動腳踏車、腳踏車等對象皆可使用，因此我們於安全帽上裝設鏡頭及雷達感測器，透過鏡頭進行車輛物件識別，以識別車輛類型及輪距，進而以公式繪製內輪差曲線與進行盲區車輛偵測；透過雷達計算車側距離以判斷車輛是否會太靠近汽車或是落入汽車之內輪差範圍內，將以上偵測結果透過抬頭顯示方式直接投影在安全帽的面罩上，如此一來將可讓機車及腳踏車族在行車上更具安全性。

In this project, we created a function integrated onto a Lingao Chassis that allows the robot to use Slam and Gmapping to successfully navigate its way to the most convenient destination for the user, while avoiding any obstacles on the way, improving the default Gmapping errors.

本研究中，我們對模型逆向攻擊在語音辨識系統中的影響及風險進行深入分析。隨著Siri、Google Home等智能助理設備在日常生活中的廣泛使用，其語者辨識系統的安全隱患引起了我們的注意。本研究目的在於深入理解模型逆向攻擊的運作機制，並探討其對語音辨識系統的攻擊效果。我們透過實施多樣化的攻擊策略，對不同的模型架構和數據處理方法進行了評估，並對人聲與非人聲的數據集進行了攻擊效果的比較。此外，我們亦實現了基於差分隱私的防禦算法，在多數模型架構下達到接近50%的防禦效果，顯著提高攻擊代價。研究整體揭示了語音辨識系統在面對模型逆向攻擊時的脆弱性，並藉由實驗分析推論出可能的防禦策略，期待能通過策略來增強模型的安全性。

培訓一位醫生的時間非常的久，除了在醫學院花上7~8年的時間學習之外，畢業取得住院醫師的身份後，還需要在醫院中選擇特定專業科目受訓，依照科別不同，受訓的時間從3~7年不等，其中神經外科醫生就需要花上7~8年的時間受訓，受訓後再通過專業醫師執照考試，才能正式成為醫師。 醫生的訓練過程費時耗力，在醫療訓練資源有限的情況下，採用虛擬實境(Virtual Reality,VR)科技，可以把手術訓練帶到虛擬世界中，不僅可以提供手術前開刀策略判斷，更可以提高醫療成功率。 本研究主要針對腦部腫瘤手術，藉由運用3D Slicer重建腦部腫瘤3D模型，並轉入到Unity製作手術模擬過程，再轉入到VR，讓醫師可以透過VR虛擬實境，進行手術練習與模擬。

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。