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。

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。

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。

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。

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。

因為我們一開始對電腦程式語言有濃厚的興趣，所以去學習了python程式語言，後來發現到世界三大益智的華容道遊戲，似乎可以加以運用，又從文獻中發現了人工智慧之重要性和增強學習的各類法則。剛好於國中時期寫出了讓電腦產生並解決3*3數字華容道之程式。但發現4*4的遊戲竟有20兆種組合，該無法用3*3之程式思維。後來用了增強學習的Q-Learning技術，不僅完成任務，而且還可以發展出人與電腦的比賽，造成轟動、受到小朋友的喜愛~最後我們還希望自己能設計出不同的華容道加以測試，並研究深度增強學習（DRL）的原理與應用，來解決更高階的遊戲，達到增進人工智慧學習的發展。

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。

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。

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.

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。