數學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/55

本系之研究目標為發展卓越研究群,教育目標為培養高深數學及數學教育研究人才與培育中學及大學之優良數學師資。 本系之發展,在大環境的配合下,有堅持,有反思,有開創。當本校因師資培育政策鬆綁,高唱師大轉型之時代脈絡下, 本系之發展方向已定,正邁開大步前進中。

一、提倡研究,以研究促進教學專業發展。

本系同仁的學術研究,最近幾年一直在進步中,整體而言,尚有很大的進步空間。倡導研究是本系未來發展的主軸, 然而提倡研究是否會扭曲本系傳統培育優良師資的功能呢?我們的想法是,不僅不會,研究並且還可以促進研究者的教學成長。

初任教師,不管任教中學或大學,前幾年的教學,最關注的往往是教材,關心設定的教材是否都講授了、學生成績是否理想; 教學經驗豐富之後,逐漸轉向關心教學,怎麼教學生才學得好;然後是關心學生,以學生為中心進行教學活動;最後對教育工作有獻身的承諾, 這是一般的教學專業發展歷程。

大學教師如何促進自我教學的專業成長?我們認為,只有靠學術研究,才能不斷拓展思想與觀念,才能廣化、深化知識,才能自然呈現對 知識文化的熱愛態度,才能掌握求知的方法,日益厚植自己的內涵。研究者這樣的氣質在教學時自然也會感染給學習者,當然就能做好教育的工作。 所以說,好的研究者不僅對教學品質相輔相成,應該也是好的教學者之必要條件。其實,很多數學教師都表白,他們的教學思維與教學行動, 主要是源自自己感受良好的數學學習經驗。研究者的教學對大學生學習數學所產生的潛移默化,應也會反映在這些未來師資的教學及終身學習上。

本系的發展理念是,教學者一定要靠不斷的學術研究,來促進自己教學的專業成長。我們希望培育的學生(大學及研究所)都能具有此認知, 自然系上同仁也要表現有此認知的行為。

二、繼續保持本系規劃完善、績效卓越的數學師資培育課程。

本系之中學數學師資培育課程,規劃相當周延,包括數學學習、數學教學與評量、數學解題、數學教材教法、教學實習,再輔以班級經營、 輔導原理與實務、教育社會學、教育心理學、數學史、數學與電腦等等專業素養科目,整體與一般大學數學系之科目並列,融合學習。 既符合我國社會之中學數學教學需求,又能配合國際數學教育的主流思潮之發展趨勢。近年來,本系畢業生,有意教職者,幾乎百分之百都能通過 各校的遴選而受聘。

三、整合大學數學課程與師資培育課程,相輔相成。

本系之課程規劃,既有廣度、深度兼顧的大學數學系課程,並開授電腦相關的實用課程,又有完善的師資培育課程,最重要的更輔以 數學文化素養的數學史、哲科目。大學部學生孕育教育素養的期間,長達四年,與速成的一兩年的教育學程品質不同;再者,高深數學的基礎初探, 四年期間,與日精進。站在大學教育是通博教育,而非職業教育的基調上,本系學生在四年期間,有充分的時間進行了解自我的秉賦、能力、情緒、 動機與人生目標而調整自己的生涯規劃,或鑽研高深數學,或獻身中學數學教育,或其他工作事業,基本上都具備了良好紮實的大學教育基礎。

本系在過去已培養相當多高深數學研究人才及眾多優秀中學數學教師之基礎上,宜自我肯定整合大學數學系課程與師資培育課程於一爐之 課程規劃方向,日後應提升大學教學品質,而非課程發展方向的轉變。

四、學術發展國際化 。

本系若干個別同仁的努力,已漸受國際學者肯定,陸續有學者到系訪問,駐系三個月或一個月,或一、兩星期者都有。促進國際學術交流的互訪, 不僅是教授,還有研究生,都是本系鼓勵的。

跨國的學術研究計畫,數學教育方面已在進行中。未來更應積極推動,延拓到其他領域的研究合作。

本系已有同仁在其相關領域的國際學術團體,作了相當的學術服務貢獻,例如舉辦國際學會的學術研討會,擔任國際委員等等。拓展這類國際學術服務, 有助本系學術發展國際化。務期在國際學術社群內,成為一個被認同的學術機構

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    RIDNet深度學習去噪模型的提升:基於網絡結構與損失函數的調整
    (2024) 林宜亭; Lin, Yi-Ting
    自1970年代後期以來,隨著計算機視覺領域和數字影像處理的不斷發展,影像去噪技術也獲得了改善和創新。從最初基於空間域與變換域的濾波器、字典學習和統計模型的方法,到現今基於人工智慧的機器學習技術,可以發現影像去噪的方法日益多樣和精密。儘管許多去噪模型已經取得了相當不錯的成果,但仍然存在一些缺陷,比如需要手動設定參數、優化效果不佳,或者僅適用於特定類型的雜訊等。隨著卷積神經網路學習能力的增強和硬體技術的提升,基於深度學習的技術逐漸成為主要的影像去噪方法。卷積網路不僅能處理大量數據,還能進行高效的訓練和學習。然而,一般情況下的雜訊是無法得知的,因此能夠面對真實影像雜訊的盲去噪模型在當今的影像處理中尤其重要。這些模型必須具備強大的自適應能力,能夠有效地從影像中提取出雜訊的特徵並進行有效的去除,而不需要對雜訊進行先驗知識的設定。因此,在本篇論文中,對於盲去噪模型,我們將專注於擁有注意力機制和殘差學習的RIDNet,並對其EAM層數、激活函數及損失函數進行修改,並與其他現有的深度學習模型進行比較,如DnCNN和CBDNet。這些比較將幫助我們更了解模型,並為影像去噪技術進一步提供改善指引。
  • Item
    Modified Faster R-CNN with Applications to Cat and Dog Image Detection
    (2024) 黃世龍; Huang, Shih-Long
    隨著深度學習技術的快速發展,神經網絡在物件檢測應用的範圍和性能上不斷改進,取得了顯著的進展。本論文基於 Faster R-CNN 框架,通過調整參數和卷積神經網絡,應用於 Kaggle 數據集中的貓狗圖像檢測。通過觀察性能變化並使用統計重採樣方法來確保數據集對模型精度和召回率的影響,論文展示了重採樣方法和參數調整如何影響模型的精度和召回率。在調整到最佳參數後,論文展示了基於 ResNet 的 Faster R-CNN 模型在物件特徵提取和邊界框回歸中的有效性,並比較了單階段物件辨識與兩階段物件辨識的精度差異。實驗結果表明,作為 Faster R-CNN 模型中特徵提取卷積神經網絡的 ResNet 在該數據集上表現出色,且兩階段物件辨識模型在此數據集上有較好的精度表現。
  • Item
    使用LRCN模型進行情感分析
    (2023) 羅湧程; Luo, Yong-Cheng
    情感分析是近年來自然語言處理領域中的一個熱門研究方向。然而傳統的深度學 習分類模型往往難以捕捉到文本內在的複雜特徵,導致分類效果不佳。因此,本研究 使用深度學習的長期循環卷積網路(long term recurrent convolutional networks, LRCN)模型來進行文本的情感分析。同時我們也討論 Word2Vec 和GloVe 兩個預訓練模型所建構的詞向量空間對文本分析的影響,並以Reddit 和 Twitter 兩個資料集來探討這兩種模型的分類表現。同時我們也將LRCN 模型與傳統的深度學習模型:Convolutional Neural Network( 卷積神經網路 、Recurrent Neural Network ( 循環神經網路 、Long short term memory( 長短記憶神經網路 做比較,我們發現LRCN 能夠更有效的去捕捉字與字之間的空間特徵,通過循環網路層提取文字序列間的關係,有較佳的模型表現。