文學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/2

院成立於民國44年,歷經50餘年的銳意發展,目前設有國文、英文、歷史、地理、臺文等5個學系、翻譯和臺灣史2個獨立所,以及全球華人寫作中心和國際臺灣學研究中心。除臺史所僅設碩士班,其餘6個系所均設有碩、博士班;目前專兼任教師近250人,學生約2500餘人。

本院早期以培養優秀中學國文、英文、歷史和地理教師為鵠的,臺灣中學語文和史地教育的實踐與成功,本院提供不可磨滅的貢獻。近年來,本院隨師範體系轉型而調整發展方向,除維持中學師資培育的優勢外,也積極朝理論研究和實務操作等面向前進。目前,本院各系所師培生的教師檢定通過率平均在95%以上;非師培生在文化、傳播、文學、應用史學及環境災害、地理資訊系統等領域發展,也已卓然有成。

本院各系所教師的研究能量極為豐富,參與國內外學術活動相當活躍。根據論文數量、引用次數等指標所作的學術力評比,本院居人文領域全國第2名。各系所之間,無論是教師的教學與研究,或學生的生活與學習,都能相輔相成、榮辱與共,彼此渾然一體,足堪「為師、為範」而無愧。

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    應用非監督式機器學習於多維度路網資料之探勘
    (2020) 蔡詠名; Tsai, Yung-Ming
    近年來由於智慧型運輸系統、物聯網科技以及無線網路科技的進步,加上政府機關對於資料開放的支持,目前可取得大量的交通資料。這些資料具有詳細的空間與時間資訊,甚至更複雜的資料維度。為了萃取隱藏在資料當中的重要資訊,勢必需要多維度的資料分析方法。   本研究提出多維度路網資料的非監督式機器學習方法,用以分析多維度的交通路網資料。演算法利用多維度路網加權矩陣,計算路網在多維度中的距離,並結合K-Medoids演算法適用於離散資料之特性,發展集群分析演算法。為解決K-Medoids集群分析演算法對於初始集群種子與K值的敏感性,演算法採用兩個解決方案。首先,演算法以系統性間距採樣產生初始種子,降低演算法的隨機因素。集群分析演算法中導入集群分割與集群合併的方法,用以彌補初始種子選擇不佳對於結果的影響力。   從高速公路車流量的集群分析中,可以發現演算法具有下列優勢。首先,演算法具有一致性與可靠性。由於系統性間距採樣降低了演算法的隨機要素,因此當給予相同的輸入資料與參數,可以預期演算法產出相同的集群結果。不同的K值對於結果的影響較低,但是適當的K值選擇對於演算法的效能有其助益。集群結果顯示演算法忠於路網的拓樸關係,距離相近但路網距離差距甚遠的資料不會被分配在同一個集群中。演算法也能成功辨識跨路網的交通樣態。集群結果也顯示演算法能分辨在時間與車流量維度的特徵的差異,將具有特殊時間或車流量樣態的資料具為一類。   本研究的結果可以提供運輸管理、物流、交通地理等領域一個系統性分析時空或多維度路網資料的取徑,從集群中心可得知資料樣態的規則,而集群也能做為可操作的單元,供進一步的決策使用。
  • Item
    深度學習影像分類應用於福衛二號衛星影像之崩塌地自動判釋
    (地理學系, 2019-11-??) 蔡詠名; 張國楨; 陳俊愷; 周學政; Yung-Ming Tsai, Kuo-Chen Chang, Chun-Kai Chen, Hseuh-Cheng Chou
    臺灣易遭受各種自然災害侵襲,如地震或颱風。山區容易發生崩塌,造成生命財產安全的損害。使用遙測技術監測崩塌地的發生是政府機關的年度任務。然而,這個任務暨需求大量人力,且花費許多時間。為了解決這個問題,本研究提出應用深度學習進行全自動化衛星影像崩塌地分類的方法,以獲得更準確並可靠的分類結果。所採用之分類模型是基於U-Net 卷積類神經網路,以CNTK 深度學習工具進行開發。此模型以一對衛星影像與地真資料做為模型輸入,輸出預測的分類結果。使用多對福衛二號影像與地真資料進行模型訓練。地真資料共分五類:植被、河床、崩塌地、水體與其他地物類別。為了更準確分辨崩塌地與其他易混淆類別如河床與農地,衛星影像中加入坡度圖層做為分類資訊。本研究所產出的分類模型相當可靠,能夠清楚從衛星影像上判釋崩塌地。模型本身可以重複使用,而且過程完全自動化,並可改善崩塌地監測與繪製崩塌地目錄的工作流程,對環境災害監測與災害潛勢繪製將有所助益。