理學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3

學院概況

理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。

特色

理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。

理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。

在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。

在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    以強化突變機制之基因演算法求解多目標彈性零工式工廠排程問題
    (2013) 陳弘奇
    如何有效分配資源以及提高生產效率、降低生產成本,是製造業一直以來想要達到的目標,這就是為何十幾年來生產排程問題可以如此的熱門。排程問題大部分都屬於組合最佳化問題,零工式工廠排程問題(Job-shop Scheduling Problem, JSP)便是其一。由於此類問題的複雜度很高,通常難以求得最佳解。彈性零工式工廠排程問題(Flexible Job-shop Scheduling Problem, FJSP)則為零工式工廠排程問題的延伸,主要透過分配製程的作業機台(路由問題),以及變換製程在機台上的順序(排序問題)來最小化最大完工時間(makespan)、機台總工作量(total workload)和最大機台工作量(maximum workload)。 本論文所提出的演算法主體為基因演算法(Genetic Algorithm, GA),搭配交換關鍵製程以及重新插入關鍵製程來做突變,並且強化插入關鍵製程的方式。而為了求得在多個目標上的最佳化,本論文採用柏拉圖分級法(Pareto ranking)當作選擇機制,目的在於找到柏拉圖最佳解(Pareto optimal solutions)。 實驗的問題為 BR data 的十個測試問題。本論文提出的演算法在非凌越解(non-dominated solutions)個數較多的問題中能大幅度更新目前的已知非凌越解。
  • Item
    生醫文獻中特定關係組合之自動化擷取
    (2018) 陳弘奇; Chen, Hung-Chi
    本研究目的為擷取自然語句中指定名詞間的關係判定,並應用在生醫文獻內,以便快速地找出文獻中有用途的關係。雖然本研究是透過生醫文獻為基礎,但是對於各個領域的研究人員在探討自己領域的相關文獻資料時,也可以透過此方法更快速且正確的篩選到自己需要的文獻及資料。 本研究所使用的資料集分成兩組,並在實驗上兩組資料個別獨立。一組為參考Clinical trials (https://clinicaltrials.gov)網站中提供美國官方已完成的疾病研究和藥物的配對為基礎,並透過PubMed資料庫(https://www.ncbi.nlm.nih.gov/pubmed)搜尋目標疾病藥物對的生醫文獻摘要。其資料分成兩類:從PubMed文章摘要找出含有Clinical trials所提及到的疾病可被藥物治療之句子,視為正向的句子;以及相同疾病不能被藥物治療或是疾病與藥物無任何關聯之句子,視為負向的句子。 另一組為SemEval 2013 Task 9所提供,內容為MedLine的摘要以及DrugBank的資料庫構成的語料庫,SemEval 2013 Task 9為從生醫文獻中擷取藥物間交互作用的競賽(SemEval 2013 Task 9:Extraction of Drug-Drug Interactions from Biomedical Texts),該競賽將藥物間的交互作用分成五類:Advice(建議)、Effect(影響)、Mechanism(機制)、Int(交互作用)和False(無交互作用)。 本研究為透過多層次的機器學習方法搭配基本字詞轉換與自然語言句子分析作為特徵擷取。本研究在藥物—疾病關係辨識實驗最佳結果Accuracy為75.7%、Precision為76.3%、Recall為74.6%以及F-score為75.5%;在藥物—藥物關係辨識實驗最佳結果Precision為47.8%、Recall為72.4%以及F-score為57.6%。