本研究旨在運用自然語言處理技術，建立辨識惡意程式的模型。首先在資料集方面，分為 PE資料集與 ELF資料集，均包含良性及惡意執行檔，且蒐集惡意程式時採用多種不同之惡意程式家族。接著對資料集進行反組譯及前處理。使用反組譯後的組合語言檔作為文本，訓練模型以區分良性和惡意程式。研究比較詞袋模型、序列模型、BERT 以及不同 n-gram對模型的影響。 研究結果顯示。詞袋模型以使用multi-hot編碼表現最佳，PE資料集之F1-score為96.87%；序列模型則是有位置編碼的 Transformerencoder 表現最優。在不同 n-gram 的比較，multi-hot詞袋模型與 TF-IDF 詞袋模型，分別在 2-gram 及 5-gram 有最高的 F1-score。

隨著氣候變遷對人類生活帶來越來越大的的影響，CO2 為氣候變遷的主要驅動因素之一，準確預測二氧化碳（CO2）排放量變得至關重要。 本研究深入探討了各種先進的單變量和多變量時間序列模型，並提出一種新穎的混合集成模型，旨在提升台灣CO2 排放的預測準確性。 我們採用了自1965 年至2022 年的年均數據集，涵蓋CO2 排放量以及天然氣、煤炭和石油的消耗數據，利用標準評估指標來評估模型表現。在多次實驗中，我們選定了三個表現最佳的模型，並通過疊加泛化技術將其預測結果整合至一個元模型。所提出的混合集成模型達到了1.398% 的MAPE 分數，顯示出相較於傳統模型更優越且穩定的性能。 經過全面優化後，本模型可為政策制定者和產業領袖在制定減少CO2排放的決策時提供了可靠的依據。

影像對位(Image Registration)為重要影像處理工具，目前已經廣泛運用各個領域，從影像醫學偵測與診斷、工業製造、品管檢測、臉部辨識都是電腦對位的應用。本次研究將探討機器人影像對位，分別透過不同影像感測器來擷取外部影像資訊，透過對位系統進行目標 物瞄準。在準確性分析研究發現不論是單一定點或是連續三點分析 結果顯示感應器的Cpk 未達1.33。此外，分析過程中發現Vision sensor 的 Cpk 值高於 GPS，顯示 Vision sensor 在影像對位準確性表現性上優於 GPS。在時效性分析方面，感應器的種類與底盤齒輪組對於影像對位時間無顯著差異，在連續三點實驗發現時效性與偵測的地點達 顯著差異。研究結果顯示在未來自駕車的設計可以將影像對位與辨 識功能結合，透過感測器觀察外界影像資訊，結合機器學習與演算法， 提高辨識率及時提供行車資訊，提高道路安全與成員安全。

在高度數位化的社會，存在大量的數位影像資料，在不影響視覺品質之前提下如何標記持有者或資料來源是一重要課題，而不可視浮水印機制是可行的解決之道，本研究運用對抗性機器學習技術的概念及深度學習技術研發設計數位影像之浮水印機制，研製偵測器與註冊器。本研究設計研製之偵測器與註冊器可以處理任意大小的影像，經實驗分析具高度的保真性，並具可以承受 JPEG 中度品質(qlt=50)的失真壓縮攻擊，解壓縮還原之已嵌浮水印影像偵測器仍舊可以有效判定具浮水印。本機制可以結合網站、伺服器或影像設備為其提供的數位影像嵌入浮水印，在不影響視覺感官的前提下標記來源或持有者。

在今日，電路板被廣泛運用各大領域，而電路板上錫球在焊接的過程中有可能會產生瑕疵，因此我們需要找到一個方式來檢驗電路板上錫球是否有瑕疵。有很多方式可以進行，例如: ART (Algebraic Reconstruction Technique)、SART (Simultaneous Algebraic Reconstruction Technique)和 FBP（Filtered Back Projection），ART、SART 為疊代型的方法，疊代型比較準確但花費較多時間，與之相比，FBP 利用反投影法，能節省許多時間。本實驗嘗試利用 FBP 得到電路板上錫球的269張切片圖，利用 ImageJ 將所有圖片疊起來以得到3D 圖並探討錫球是否有缺陷，之後採用不同的種類濾波(filter)進行測試並利用 ImageJ 分析比較各 filter 的特色，高通濾波器如 Ramp filter 主要強化圖像邊緣，低通濾波器如 Hann filter 主要強化圖像中低頻的部分，使影像對比度變高，分析比較後嘗試自己建立 filter，此 filter 結合了 high pass filter 與low pass filter 的優點，影像的對比度變高的同時，錫球的輪廓也更明顯。

磷污染及重金屬的累積被確認為引發水體富營養化及生態毒性的關鍵因素，對接觸受污染水的動物和人類造成危害[1]。磷酸鹽作為磷污染的主要形式，傾向於促進藻類的過量繁殖，而重金屬離子因其高度毒性及生物累積性，對水生生物的影響尤為嚴重。由於一般檢驗方式過於耗時、費力，所以我們想研究出可以實現快速檢測出水是否遭受到汙染的系統。 本作品將化學、光學、電機、機械、AI、微電腦領域知識進行「光-電-機-智」深度整合，使用AI輔助補償演算法提高作品方便性，提升水溶液的定性定量分析效率，使本作品能快速檢測水源是否遭受磷或重金屬鉛污染，並且計算濃度，無需將樣本送回實驗室，捕捉污染動態。降低成本與操作門檻，達到良好監測及做好水土保護。

本研究提出一款結合生成式AI能進行場景分析，進而綜合情緒、語氣、文化禮節給予最佳回覆的人工智慧眼鏡。目的希望使用者不需要透過手機即可實現即時語音翻譯、情境分析與天氣資訊抓取功能。系統以ESP32為主要控制核心，搭配Android Studio開發之應用程式，透過WiFi採用UDP通訊協定進行無線通訊，提供精簡的翻譯與應答建議。每次翻譯處理後，GPT根據語境與提示詞再將翻譯結果與應答建議，傳送回並顯示於智慧眼鏡的OLED螢幕，將即時資訊呈現在使用者眼前，實現流暢的跨語言互動體驗。

ChatGPT 問世後，許多問題皆已能由其回答。然而在邏輯方面的問題，ChatGPT 免費版有著明顯的不足，時常出現似是而非的答案。為了解決此問題，本研究利用連線 ChatGPT API，使用四種 Chain-of-thought prompt 的方式，將問題分解成若干個子問題，利用子問題們提供原問題較多的資訊以降低在解題過程出現的錯誤。最後分析四種方法的優劣，四種方法各有優缺，並無一方法於所有題目皆正確率最高。

近年來隨著資訊科技發展，詐騙行為日益猖獗。儘管政府已建置防詐網站與專線提供人工審查，但面對大量詐騙資訊，其效率仍顯不足。為降低人工審查負擔，本研究探討提示工程技術（Prompt engineering），評估其是否可提升GPT模型對圖像與語音詐騙內容的辨識準確率。研究設計採用三種不同提示策略，分別應用於圖像與語音資料中，並比較其判斷正確數以分析準確率差異。結果顯示Chain-of-Thought Prompting在兩種媒介資料中表現皆優於其餘提示工程模型，顯示良好判斷效果。本研究基於Chain-of-Thought Prompting模型開發互動式網頁程式讓民眾可立馬使用網頁判別可疑的圖片、音訊，展現應用於基礎防詐之可行性，亦可為後續防詐系統提供設計參考。

本研究旨在開發選擇題手寫卷的自動閱卷與成績登記系統，以減輕小老師與教師在小考閱卷及成績登錄上的負擔。為改善選擇題手寫卷的閱卷方式，本研究結合手寫字辨識技術、雲端成績登記存放及網頁式查詢三大功能，開發AI輔助手寫卷閱卷系統。使用者設定考試相關資訊(如考試名稱與標準答案)，並上傳答案卷影像，即可透過系統自動辨識答案且計算成績，並將結果即時傳送至雲端資料表，供教師透過網頁查詢。本研究成果可有效降低人工閱卷負擔，提升成績管理的即時性與便利性，期望為校園提供更高效的閱卷與成績登記方式。

網際網路高速發展時代，為解決身處於無蜂窩訊號涵蓋範圍下，可提供通訊服務及緊急呼叫的手持無線電及衛星服務昂貴不普及，因此本研究採用遠距離、低成本、ISM免執照頻段的LoRa物聯網無線電技術，透過其啁啾調頻技術(Chirp Spread Spectrum)、高鏈路預算等優勢，以「人人皆為基地台，亦為客戶端」理念，設計P2P去中心化網狀網路(Mesh Net work)節點傳輸協定和低廉可負擔的通訊裝置，應用於SOS緊急救難呼叫、短文通訊、定位回報等。在固有網路系統不可用時也得以獨立組網，無須高昂的修建維護成本。也可透過搜救無人機、高空氣球等，快速部署Gateway於高山極地、無訊號區、第三世界國家等情境場所，促進人類福祉達成聯合國SDGs永續理念，未來將技術結合低軌道衛星，較其他衛星技術更經濟、環保，並覆蓋全球範圍達成無死角通訊。

目前網路上流傳許多使用人工智慧修復照片的網站或應用軟體。然而,由於這些訓練資料多數來自國外,導致修復中式建築照片的效果欠佳。此外,許多老舊照片因氧化、潮濕而泛黃,使得修復程序比起修復純黑白相片更加困難。因此,本研究旨在建🖂一個專門修復中式建築物的機器學習模型,主要分為以下三個部分:首先,使用機器學習模型對老舊照片進行修復,包括著色、去模糊化和降噪;其次,分析使用不同比例之有色調照片(模擬泛黃照片)訓練模型的效果;最後,研究不同的修復順序(著色、去模糊化、降噪)和模型執行次數對照片修復效果的影響,發現「著色、去噪、去模糊化」的順序修復效果最佳。此外，許多老舊照片因為受損等原因，只剩下極少的特徵，因此本研究採用機器學習模型，以延伸重建原始照片。透過這種方法，我們能夠重新建構當時建築物周圍可能的場景和情境。