「使用給定的多個矩形密鋪一個格狀平面(2D rectangle tiling problem)」為一NP-complete問題，目前多項式時間只能求出盡可能覆蓋最大面積的近似解。本研究所創的階梯演算法透過改變動態規劃所紀錄的狀態，使狀態數大幅減少，進而改善求準確解的時間複雜度，當然也成功證明此演算法的正確性，並且此演算法也能處理環狀及有權重的類似問題，如RTILE PROBLEM、DRTILE PROBLEM。隨後，寫了一個互動展示品直覺地呈現此演算法的意義。並以階梯演算法成功將7/3-approximation algorithm (Krzysztof Lorys and Katarzyna E. Paluch,2000 [4]) 與11/5-approximation algorithm (Piotr Berman et al,2001[7])進行比較與分析。

「康威生命遊戲」是一款在1970年由劍橋大學數學家約翰•康威（John Conway）發明的單人遊戲，由棋盤構成的細胞組成，可以模擬邏輯閘元件，並且可以構建簡易計算器。 研究者在建構加法器和減法器的過程中，發覺手動放置電路元件非常耗時費力且容易出錯。為了解決這個問題，研究者決定開發一個能自動擺放元件的程式，以節省布局和放置元件所需的時間。參考了電子設計自動化(Electronic design automation)的概念，使用Python語言結合康威生命遊戲的應用接口模組，開發了一款自動電路布局程式。只要輸入邏輯電路的布林函式，就能自動設計、布局和放置元件，大大縮短了製作邏輯電路上的時間成本。因可直觀地展示訊號的傳遞和邏輯閘的運作，也有助於學生理解邏輯電路的運作原理，應用於教學。

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，導致修復台灣「本地」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，本研究旨在建立一個專門修復本地照片的機器學習模型，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。

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。首先搜集良性及惡意執行檔，進行反組譯及前處理以建立資料集。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、fastText以及不同n-gram對模型的影響，並將結果與其他相似研究比較。 研究結果顯示。詞袋模型以使用multi-hot編碼表現最佳，序列模型有位置編碼的Transformer encoder表現最優。在不同n-gram的比較，2-gram詞袋模型識別惡意程式達到99.6%的F1-score，且本研究的識別準確率優於其他相似研究。

目的：在台灣，胰臟癌雖非癌症發生數最高，但85%為末期，五年存活率小於5%，有癌王之稱。如何早期偵測胰臟癌風險，一直是醫療上的重大議題。本研究運用時間矩陣搭配深度學習進行大量變數之胰臟癌風險偵測。 方法：健保資料庫收集國人疾病、用藥等結構化資料，可藉此反映每人健康狀態。將三年內診斷與藥物碼轉為時間矩陣，以卷積神經網路訓練，訓練組與測試組比例為9:1。 結果：共計案例組1095名及對照組10950名，訓練後測試組表現之AUROC(area under the receiver operating characteristiccurve)為0.937，六十歲以上及以下AUROC分別為0.846及0.897。 結論：結論：能將診斷、藥物、時間轉成矩陣，是以疾病軌跡預測胰臟癌風險，且能找到新特徵，未來搭配健康存摺，為低成本、快速、大量的胰臟癌數位快篩。

鐵路時刻表排點至今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影響。本研究採用元啟發式最佳化演算法及模擬器進行旅客列車鐵路時刻表排點，旨在找出一份針對旅客需求、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，透過登山演算法及基因演算法來搜尋班表草稿，並以模擬器評估優劣，我們實現了一個自動化排班系統。我們也以不同的乘客測資針對於不同演算法進行比較，並試圖找出表現最好的演算法。實驗結果指出我們的模擬器能有效率產生無衝突時刻表，且所提出之演算法操作相較現行班表可提升運輸成功率和降低旅途時間。

本研究提出有關數橋謎題遊戲的程式實作辦法，我們已知數橋被證明是個NP-complete問題。我們研製出了數種解題條件與窮舉策略在演算法上的實現，並且比較了這幾種解決辦法的相對效率，再者也提出了數個NP問題的解決策略。本研究發現在進行窮舉的時候以取最小頂點值期望效率最高(表示該程式能有相對多，相對快的執行結果)。

本研究以稠密式深度預測為基礎，進行環繞掃描３Ｄ還原建模。在這項研究中，我們擇手機作為唯一的外部數據提供設備。首先用手機同時錄影和記錄角度變化、位移數據後，我們同步各數據的時間點，並計算每一幀影像的位置，接著將拍攝的影像輸入深度預測模型轉換成深度圖並將其儲存為點雲，最後利用三維旋轉和平移矩陣將點雲轉回正確的位置以進行疊合。我們開發的３Ｄ還原建模系統能夠輸入影像、特定時間點的位置和角度變化來建立３Ｄ模型。此系統可以解決結構光掃描儀需要額外標記點的劣勢，且在機動性上較傳統的點對點雷射掃描儀更方便。我們希望可以在未來將這套系統集成為一個手機應用程式，方便使用者在手機上進行相關操作。

本研究旨在改善聽障人士無法完整接收影音類型資訊的狀況，探討各種影片處理技術，尋找、嘗試並比較各種方法，整合出最適合的系統自動替影片嵌入情境化字幕——用視覺的方式呈現影片聽覺訊息，讓聽障人士便於理解各種類型的影片內容與資訊。 為此，我們呈現的情境化字幕有主要幾個特點： 1、將聲音對話轉為字幕標記在說話者旁，透過畫面中語句位置就可以了解跟語者的對應關係。 2、畫面中字幕會以漸漸上飄消失的泡泡字幕來呈現，使觀影者有充足時間閱讀字幕理解內容。 3、將環境音效如電話聲、雷聲與貓叫聲等各種能傳達資訊的聽覺訊息標示在畫面中。 藉由這些處理使畫面呈現更豐富的影片資訊，最終達到改善聽障人士資訊接收權益不平等的目標。

機器學習和精準醫療是目前醫學界的熱門話題。機器學習在醫療領域的應用越來越普及，可幫助臨床更快速及精準診斷疾病，並提供個人化治療方案。例如，通過訓練大量醫學影像數據，建立深度學習模型，可用於腫瘤的自動辨識與分類。通過醫療資料大數據分析，可以為臨床提供及時的疾病預測和預防建議。然而，如何讓臨床資料結合機器學習建立模型預測，是很重要的議題。本研究使用臺北醫學大學數據處蒐集衛生福利部雙和醫院的大腸直腸癌與大腸炎病患三年的臨床資料，結合機器學習進行模型的建立與預測。經處理數據的缺失值、特徵的排序與選取及向前特徵選取法來訓練與驗證模型，找出分辨大腸直腸癌和大腸炎的最佳檢驗項目組合及效能，以預測大腸直腸癌。