本研究旨在應用立體思維解決循環式的最大流量問題，於教師介聘中，可提出擁有品質保證之方法，並求得介聘成功人數之區間。教師介聘應為一限制的網路流（每個節點至少一入一出），試著求出最大循環流量。 教師介聘為學校間之教師調換作業，透過志願選填與其他參與者進行交換。以110年的介聘規則而言，介聘順序為單調→五角調→四角調→三角調→互調，相同者以積分高為優先。現有制度受限於作業期程、業務人員能力，約略簡化問題原型，但即使如此，介聘處理的結果仍不提供數據分析，導致無從分析其品質及過程，因此介聘的結果、數量和方法皆仍有很大的研究空間。 此研究除了可使媒合數量最大化外，進而由原模型衍伸出多種策略，可以透過調整參數並於結果與時間中取得平衡。單志願介聘中，透過使用不同模型使準確率（介聘成功人數/最多成功人數）介於88～100%，運算時間與準確率成正相關。多志願介聘以自訂規則作為範例，套用單志願介聘模型呈現效果。

遠距醫療及自我健康檢測在最近幾年逐漸崛起，其講求利用大眾化的工具即可掌握醫療知識與自我健康監測，並透過大數據分析及人工智慧技術，協助醫師與病患進行更有效的治療，但目前中醫在這方面的研究不多，與影像辨識相關的也只有舌診。目前對於手掌的研究多半止步於身分辨識，因此手診還需中醫師切脈或檢查。 本研究作品旨在發展自動手診方法，提供民眾自我健康監測。利用兩種方式1.整張手的CNN圖像分類 2.用YOLO物件偵測進行掌中的特徵點抓取，使其能分辨肝掌、富貴手、蜘蛛痣、汗皰疹、無症狀，最後，並將模型與手機APP結合。

本研究旨在研究一款自創棋類遊戲「梅花棋」，找出效率最佳的演算法及分析AI的適用性。遊戲規則如下：雙方玩家輪流在19階的棋盤上下棋，先手執黑子，後手執白子，任一方形成梅花即獲勝。隨著棋子的增加，肉眼判斷勝負愈發困難，因此希望借助電腦的力量完成它。我們透過C++編寫程式，持續改良優化演算法，提升電腦的精確度與流暢度。過程中依序提出了平均演算法、畢氏定理演算法、向量演算法、以及網狀編碼演算法。目前最新版本中，我們使用含有螺旋編碼表的網狀編碼演算法，這可使電腦快速正確地判斷勝負。得到最佳的演算法後，我們嘗試運用撰寫Minimax演算法編寫AI，並且不斷增加演算法的深度，從而提升電腦的實力。透過Victory notion的概念分析兩者間的相似度，判斷其對於梅花棋的適用性。透過不斷與Minimax演算法測試遊戲，將梅花棋規則中，先後手的優勢差距逐漸縮小。目前本研究已可順利進行單純的雙人對戰與複雜的人機對戰模式。

In Brazil, approximately sixty million people suffer from or acquire some type of disease daily. However, the average time for blood count diagnoses, used to identify many of these diseases, remains very lengthy. This can lead to the worsening of conditions and delays in care, as well as a decrease in the patients’ quality of life. Moreover, in some cases, the waiting period can result in irreversible situations and even the death of the affected individuals. In this landscape, technological tools such as artificial intelligence software can help reduce the time taken for diagnostic reporting. In light of this, the project involves developing software to assist in the analysis of blood counts and optimize medical diagnoses. For this purpose, the methodology was divided into three stages. In the first, titled ”Medical Standardization”, a survey of the standard variables related to diseases that can be identified with the help of blood counts was conducted. Among the findings, diabetes, anemia, leukemia, dengue, polycythemia, tuberculosis, leprosy, meningitis, chlamydia, schistosomiasis, spotted fever, and malaria were the main diseases detected. Furthermore, hemoglobin, leukocytes, platelets, glucose, cholesterol, ions, and hormones were the key findings concerning the primary blood indicative factors for the mentioned diseases. In the second phase, the theoretical and practical foundations of the software were developed, based on artificial neural networks. In Python, regression models were also crafted to check the feasibility of the analyses. Finally, the last stage consisted of testing with real datasets, based on 1,227 anonymized blood counts. Among the artificial intelligence algorithm models tested, Support Vector (0.02) and Multiple Linear (0.61) had the lowest performances, while Polynomial (0.97), Random Forest (1.0), and Decision Tree (1.0) showed the best results. Given that the Random Forest and Decision Tree regression models achieved an accuracy of 1.0, while the Polynomial model scored 0.97, Support Vector 0.02, and Multiple Linear Regression 0.61, it is concluded that the blood count analysis system, with Python tools like regression, proved to be highly efficient. The closer the R² value is to 1.0, the better the programming fits the model, ensuring accurate analyses. Aside from that, in order to expand the number of analysis possible to do be done we decided to use a second tool called ”classification”, with which we made a bigger dataset to be used as a model to identify blood related diseases and the behavior of complex and diverse diseases. With that in mind, we performed a second evaluation of the models by doing an accuracy test, scored 87 percentage points and with a confusion matrix. With those results, we verified that the high performance of the tests indicates that Artificial Intelligence can be avaunt-guard to the elaboration of more efficient medical diagnosis, improving people’s lives quality and, overall, lowering the number of deaths in our country.

本研究提出了一個毫米波雷達即時動態手勢辨識技術，透過幾個簡單的手勢取代鍵盤和滑鼠來操作應用程序，從而提供更生活化和直覺化的人機介面。我們透過手勢屬性分析、手勢訓練資料格式選擇評估、學習模型效能評估和系統實測性能分析，以提高手勢控制人機界面的實用性。我們的學習模型採用一大小為415 KB的1DCNN+LSTM混合模型支持四個動態手勢，並在德州儀器的FMCW雷達評估板上以30 FPS的採樣速度進行手勢識別。我們在7個用戶（包括5個右撇子和2個左撇子）的多媒體撥放實際測試中達到94.5%的操控準確率。此外，我們的方案在實驗室環境之外的複雜空間中操控應用程序，也不會有明顯的辨識錯誤的情況發生。

為了解決自動光學檢測的非穿透性檢測物體方式，使用自動X光檢測能解決此問題，因此，本研究嘗試開發自動X光檢測技術，並藉由常見的印刷電路板作為應用。作為結果，本研究能進行X光模擬理想化印刷電路板，搭配實體X光取像，藉由平移堆疊法重建出2.5D印刷電路板影像，並藉由霍夫法圓形辨識圈選錫球，輸入卷積神經網路，辨識錫球焊點之優劣。

Road safety remains a global concern, with driver-related factors like distraction, drowsiness, and medical conditions such as stroke being leading causes of accidents. In this paper, we propose a real-time ensemble learning framework that leverages transfer learning for the detection of stroke, drowsiness, and distracted driving. Our model integrates multiple Convolutional Neural Networks (CNNs) fine-tuned for each specific task, and employs a stacking method to combine the predictions of these models using a meta-classifier. Notably, the model is optimized to enhance stroke detection, minimizing false negatives— an essential aspect for timely medical intervention. Experimental evaluations on diverse datasets demonstrate the efficacy of our approach, achieving an overall accuracy of 92.5%. The results emphasize the model’s potential for real-time driver monitoring, offering critical safety features that could reduce accidents and save lives.

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。

臺鐵太魯閣號於 2021 年 4 月撞擊滑入軌道的工程車的事故，是 60 年最嚴重一場意外。 北捷文湖線也曾有大型招牌掉落事件，顯示軌道安全的重要性。本研究參訪高鐵、臺鐵、北 捷和新北捷-淡海輕軌，將四大軌道公司的異物偵測系統做探討。採用 Yolo 系列物件偵測演 算法，進行模型訓練，設計一套「高效能 AI 軌道異物偵測系統」。將攝影機架設在車頭，並 加裝望遠鏡頭，達到遠距離的預警。採用可見光攝影機與 AI 物件偵測的技術，並應用內嵌 系統 Jetson TX2，讓列車提前確認是何異物，提升安全性，採取不同煞車措施，降低誤點率。 以台北捷運文湖線為實驗場域，測試各種天候條件，如：晴天、雨天、傍晚等。也在不同場 域實測如：臺鐵內灣線、淡海輕軌。本系統平均準確率 95% mAP 與運行的幀率達 40FPS， 能縮短辨識時間，讓駕駛能立即反應和提前預警，達到保障人車安全的目的。

無人機在進行定位時，多半是依靠內建GPS晶片與內建慣性測量單元(Inertial Measurement Unit, IMU)進行定位，然而高精度的IMU及GPS晶片受限於高成本無法在一般無人機上運行；此外，各種定位系統均有其適用範圍，若無人機運行於定位系統之適用環境外，其定位精確度會下降，進而導致無人機飛行時會與預期路線產生誤差。 在本研究中，我利用Webots模擬軟體進行無人機模擬，藉由無人機鏡頭所拍攝的連續兩幀圖片差異，產生差異與角度及距離間的關係資料集，並利用此資料集來訓練深度神經網路，將產生模型用以模型迴歸出連續圖片間的旋轉角度偏移量，以此偏移量輔助無人機進行飛行校正。 經過多次實驗與修改，我比較了幾種不同的資料處理與分類方法，找出當中最佳結果的機器學習模型後，將此模型套入模擬環境中輔助無人機飛行，使無人機飛行於複雜環境時，成功提升飛行準確度。