Face pose estimation has many possible applications, ranging from driver attention measurement systems to applications in the metaverse, which this project will be focused on. Rather than using a more traditional landmark-to-pose method where the head pose is estimated via keypoints, our method trains a simple convolutional neural network, using the dataset 300W_LP, where the images are simply inputted into the network. The model is fitted with three fully connected layers that are linked to the each of the three Euler angles (yaw, pitch, and roll), alongside multiple loss functions, which improve the robustness of the network.

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。

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。

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。

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。

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。

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.

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」。

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。

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。

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。