本研究探討了利用生成式人工智慧技術為漫畫創作帶來新可能性。在當今競爭激烈的漫畫產業中，創作者們需要不斷創新以吸引觀眾，而創作引人入勝的漫畫需要豐富的想像力和劇情結構。本研究希望能協助創作者製作草稿，並探索與AI當朋友的新型創作模式。在生成方面，提出了將漫畫劇情提取、劇情預測以及圖片生成三個步驟的生成流程，並使用了多種模型和技術，如 YOLO模型用於漫畫人臉檢測、文字生成模型用於劇情預測、LoRA技術用於模型微調等，為解決人物生成不連續的問題，我們也提出一種基於特徵提取與融合的解決辦法。本研究提供了一個全面的方案，旨在利用人工智慧技術幫助漫畫創作者創作出簡單的草稿。

本研究提出了一種基於毫米波FMCW雷達的即時居家健康監測系統，與RGB攝影機感測器方案相比，該系統更具成本效益並保護用戶隱私。對於居家健康監測系統來說，除了走、站、坐、臥四種常見的身體動作外，及時發現緊急情況也至關重要。因此，我們支持跌倒偵測以及兩種手勢的識別，一種用於頭痛，另一種用於緊急事件。然而，由於雷達點雲的稀疏和不規律特性，我們提出一種新的身體動作波形表示方式和一套處理程序用來平滑動作波形，利用雷達點雲的三度空間座標和速度在時間序列上的變化波形來表示動作特徵並作為神經網路的輸入，再搭配一輕量級的1D-CNN+LSTM神經網路來實現即時動作辨識。根據實驗結果，此方法可以達到30FPS的輸出效率和94%的辨識準確率。

本研究旨在透過LLM 將影片內容轉為口述影像，探討及比較不同影片處理方式、LLM 對於圖片及影片的敘述，串接成一套自動化的口述影像系統。口述影像原本是為視障者製作的，現在本研究調整系統，讓有需求的一般大眾也能有效、容易及快速的了解影片內容。 本研究中的口述影像系統具有以下特點： （一）利用LLM 擅於處理視覺訊息及自然語言的優勢，將影片分為多張圖片，由LLM分別生成敘述後再整合為影片的整體敘述。 （二）運用LLM 會留存對話紀錄的特性，使用者可在系統中針對疑問與LLM進行問答。 （三）串接不同的 LLM，尋找製作口述影像的最佳組合。 藉由LLM 將影片轉換為口述影像，實現互動式的口述影像服務。除了可以滿足視障者的觀影需求，更重要的是當一般民眾沒有時間觀看影片時，也能透過口述影像系統了解影片內容。

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。

本研究旨在透過LLM 將影片內容轉為口述影像，探討及比較不同影片處理方式、LLM 對於圖片及影片的敘述，串接成一套自動化的口述影像系統。口述影像原本是為視障者製作的，現在本研究調整系統，讓有需求的一般大眾也能有效、容易及快速的了解影片內容。 本研究中的口述影像系統具有以下特點： （一）利用LLM 擅於處理視覺訊息及自然語言的優勢，將影片分為多張圖片，由LLM分別生成敘述後再整合為影片的整體敘述。 （二）運用LLM 會留存對話紀錄的特性，使用者可在系統中針對疑問與LLM進行問答。 （三）串接不同的 LLM，尋找製作口述影像的最佳組合。 藉由LLM 將影片轉換為口述影像，實現互動式的口述影像服務。除了可以滿足視障者的觀影需求，更重要的是當一般民眾沒有時間觀看影片時，也能透過口述影像系統了解影片內容。

隨著網路技術不斷的進步，意見和情感分析逐漸成為人們日常生活中的一部分。儘管如此，目前人們缺乏一個方便且快速的情緒分析模型，供廣大大眾使用。 本研究旨在提供人們一個緩解憂鬱情緒的管道——當人們輸入一個需要被安慰的情境時，我們的系統將輸出安慰語句，以緩解該使用者之憂鬱情緒，達到安慰效果。為此，本研究訓練了BERT model以及 LLaMA model。BERT model能判斷使用者輸入的語句是否為需安慰語句。而LLaMA model則作為安慰語句之生成模型，以達到安慰之效果。

本研究探討了利用生成式人工智慧技術為漫畫創作帶來新可能性。在當今競爭激烈的漫畫產業中，創作者們需要不斷創新以吸引觀眾，而創作引人入勝的漫畫需要豐富的想像力和劇情結構。本研究希望能協助創作者製作草稿，並探索與AI當朋友的新型創作模式。在生成方面，提出了將漫畫劇情提取、劇情預測以及圖片生成三個步驟的生成流程，並使用了多種模型和技術，如 YOLO模型用於漫畫人臉檢測、文字生成模型用於劇情預測、LoRA技術用於模型微調等，為解決人物生成不連續的問題，我們也提出一種基於特徵提取與融合的解決辦法。本研究提供了一個全面的方案，旨在利用人工智慧技術幫助漫畫創作者創作出簡單的草稿。

本研究以西洋棋為切入點，採用磁簧開關陣列來偵測棋子位置，並在設計中加入二極體以防止Ghosting效應，進而開發出一款以Arduino Uno開發板為基礎的智慧對弈棋盤。棋盤底部配備RGB LED燈，以便為使用者提供落子提示，並根據不同的落子類型呈現不同的燈光效果。 我們成功地透過簡潔的設計與高效的運算性能，實現了一個能夠識別棋手落子的智慧對弈棋盤，並能根據國際西洋棋規則提供正確的移動提示，讓完全沒有基礎的初學者也能在遊戲中學習並掌握西洋棋的所有規則。此外，我們還引入了基於Minimax演算法的輕量化AI和基於高效可更新神經網絡(NNUE)AI，並探討兩者之間的性能差異，從而使該智慧棋盤在節省運算資源的同時，可以在不連接電腦的前提下，具備一定的棋力，以支持棋手的技能提升與訓練。

本研究以 Minecraft 為例，探討沙盒類遊戲式學習平台系統伺服器架設的節能效率，旨在透過動態調整伺服器數量降低總CPU使用率，提升伺服器的管理效能和能源使用效率。隨著線上遊戲的普及，伺服器的營運管理變得越來越複雜，如何在滿足玩家需求並同時降低能源消耗成為一個重要議題。本研究將分析伺服器資源使用狀況，特別是在玩家活動量高低波動的情境下，透過管理策略的調整，探討其對節能效率的影響。 研究透過實證數據的收集與回歸分析，建立一套可應用於 Minecraft 伺服器的節能動態調整系統，並探討動態調整的具體效率。研究結果發現隨著玩家人數增加，越接近系統負載上限，節能效果會越來越不明顯，以本次研究的伺服器來講玩家人數到達35人以後就無法再減少伺服器數量。

本研究聚焦於籃球員的慣用動作分析，透過深度學習技術開發了一套籃球動作分析系統，旨在準確分析籃球員在籃球運動中的個人動作特徵來進行動作辨識。我們透過自行蒐集籃球動作的影片，並使用MMAction2這個資源庫來進行動作辨識模型的訓練，將訓練好的動作辨識模型用開發慣用動作分析系統。系統流程首先使用滑動視窗（Sliding Window）的機制將即時拍攝的影像變成有序列的連續影像片段，再即時傳送至進攻動作辨識的深度學習模型中，來辨識出連續影像片段中的動作序列屬於何種特定動作，藉此將多個連續影像片段中的動作序列各自轉換為單一動作單元並依次輸出。最終，系統基於前述單一動作資料進行綜合分析，以統計使用者的籃球慣用動作。此分析系統能為籃球愛好者提供清晰的動作偏好資料，具有提升訓練成效的潛力，同時為籃球技術分析與訓練提供了一個精確的數據分析工具。