資訊工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60

本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。

News

系所網址：http://w1.csie.ntnu.edu.tw/

Browse

Has files: NoSubject: search.filters.subject.Convolutional Neural Network

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    表徵學習法之文本可讀性
    (2020) 曾厚強; Tseng, Hou-Chiang
    none
  • No Thumbnail Available
    Item
    基於類神經網路架構早期偵測空停車格
    (2018) 吳明哲; Wu, Ming-Che
    本論文解決駕駛人耗費不必要的時間在尋找停車地點之問題。提早偵測停車格的智慧系統是重要的，駕駛可能因為分神在找尋停車格，而導致交通意外發生，且在大城市中經常發生停車格嚴重不足的問題。在本研究中，我們使用行車紀錄器蒐集共5,800部的影片資料集(駕駛人的視角)，藉由深度學習的技術，建置可以偵測前方是否有空停車位的類神經網路模型。為了增進偵測效能，我們提出了一個新的損失函數以優化時序資料，最後開發出一個可以早期偵測空停車格的駕駛輔助系統。在本研究中，我們也建立了一個提早偵測空停車格的評比實驗 (Benchmark)，可以讓後續相關領域的研究者評估其實驗結果。
  • No Thumbnail Available
    Item
    使用深度學習進行證券交易之型態分析研究
    (2018) 歐陽亦凡; Ou-Yang, Yi-Fan
    本研究主要以證券交易結合深度學習來進行證券交易指數的型態分析，補助使用者對於證券交易買入決策，研究核心主要是利用摺積神經網路所進行買點辨識，而在資料前處理的部分，我們提出先進行極值正規化後並且使用K-Means分群演算法來對我們的訓練資料集標籤，能夠讓我們有效的進行類神經網路的訓練。 首先本研究是以美國NASDAQ證券交易指數為實驗對象，從NASDAQ歷史股價紀錄裡取得收盤價的時間序列，之後我們將固定時間長度的時間序列(以下稱之為序列視窗)，從最早的歷史時間將序列視窗運用滑動的方式，每滑動一天將會有一筆序列視窗做為輸入資料，由於我們需要兩種觀察序列視窗的長度，所以基於上的步驟我們會定義兩種不同長度的序列視窗進行，然後在個別進行極值正規化的處理，將序列視窗的上下限壓縮在0與1之間，並分別將不同長度的序列視窗交給K-Means進行分群並標籤，並且我們會將這兩種尺寸的序列視窗個別進行對過去的訓練資料時間點進行平均獲利率評估，找出能夠有最好獲利效果的型態分群，最後再將這兩種尺寸各自最高獲利的分群，分別對過去保留一段時間未加入訓練集的資料辨識，利用這兩種尺寸的進行獲利率驗證，若在這兩種尺寸，都能獲得最佳的分群(也就是判斷結果交集)，且驗證獲利結果為正向，我們將會用在未來需要的辨識時間進行預測，否則放棄預測。 最後，本法則用於實驗對象是美國NASDAQ證券交易指數，對於觀察本最為核心的實驗結果，就是證券交易能夠獲利的程度，我們基於本法則嘗試了許多方式，分別以長期及短期個別的序列視窗，進行單一種類序列視窗辨識，以及用長期以及短期序列視窗進行交集辨識，發現以後者交集辨識有明顯優於個別辨識有擁有較好的獲利表現；同時我們也與其他同樣線型分析相似的研究進行比較，在同樣的交易條件下，本法則獲利表現依然能優於其他法則。而也由於我們的法則可以藉由調整分群的方式，相對於其他的方法更能夠提供不同的彈性也是我們的優勢。