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
19 results
Search Results
Item 利用 Radius Neighbors Regressor 模型預測台灣股市加權指數並賦予強弱指標(2024) 黃昱凱; Huang, Yu-Kai股票投資是現代人在累積資產上不可或缺的工具,雖然投資理財有賺有賠,但是若能夠找到一套良好的交易策略,以及善用各種分析工具,達到長期穩定獲利也是一件可以期盼的事情。本論文使用Radius Neighbor Regressor之機器學習方法並結合個人之股票交易經驗,在特定時間窗口之大盤強弱指標以及大盤中長期的多空頭判斷上取得了良好的結果。在實作上,我們使用Radius Neighbor Regressor與個人交易經驗所挑選出的特徵值作為產生強弱指標的依據。資料收集樣本時間為2013/1/25~2023/12/21,總共2668個交易日。主要資料來源取自XQ全球贏家之資料庫,並且使用所經加權後的強弱指標分別在幾種預測時間的長短進行比較與分析。從實驗結果驗證,我們發現使用Radius Neighbor Regressor搭配個人交易經驗所挑選出的特徵值,在以60個交易日預測後20個交易日的結果準確率高達73%,且在傳統多空頭的分析上也得到了良好的結果。另外,還證明了在特徵值選擇上以個人交易經驗做選擇的優勢,最後也彌補了單純使用Radius Neighbor Regressor機器學習方法的缺點,得出最佳的一種大盤強弱指標之模型。Item 基於身體座標點與矩陣轉換之注視點估計研究(2024) 李柏毅; Lee, Bor-YiItem 基於追蹤補償方法之籃球球員追蹤(2024) 陳宥睿; Chen, You-Ruei現今資訊科技蓬勃發展,電腦視覺技術經常應用於我們生活的周遭,而物件追蹤更是一項關鍵的技術,應用於自駕車、智慧行人追蹤和體育運動項目等領域。以籃球比賽中的球員為例,透過鏡頭追蹤球員在球場上的移動軌跡,可以對比賽進行詳細分析。針對現有的一般追蹤方法(YOLOv7+StrongSORT),由於球員間的遮擋或重疊,常常會發生球員ID變換(ID Switch)且無法復原該球員原有的ID(Identifier)的情況。為了解決這一問題,我們提出了追蹤補償方法,該方法能在ID變換時匹配回先前的ID,從而提升球員追蹤的準確性。 在實驗結果中,我們選擇了在一般追蹤方法之下加入球員追蹤補償方法的架構(實驗組)以及僅使用一般追蹤方法的架構(對照組)進行比較。在MOTA(Multiple Object Tracking Accuracy)的數據上,對照組與實驗組的表現都高於90%。在評估球員ID變換時復原球員ID的整體ID變換復原率(ID Switch Recovery Rate)上,使用球員追蹤補償方法的實驗組得到了74%的整體ID變換復原率,而對照組只有48%。在整體追蹤準確度上,實驗組的IDF1(Identification F-Score)達到79%,而對照組則只有66%。從數據結果表明,使用球員追蹤補償方法後,整體ID變換復原率有明顯的提升,能夠減少球員ID在變換後無法復原的問題,從而使得在整體追蹤準確度上,IDF1得到顯著提升。Item 腳底壓力辨識系統對於穿著不同鞋種的機器學習與特徵組合之研究(2023) 許家維; Hsu, Chia-Wei物聯網應用在近年生活中越來越廣泛,像是智慧型手機、智慧手錶與電腦等,皆讓人類的生活更加便利,為了快速且更安全的身分認證來解鎖相關設備,生物辨識技術扮演了非常重要的角色,此技術相較於傳統文字密碼而言,不易被偽造且安全度較高。在過去的腳底壓力分析的研究中,大多皆以赤腳為主要實驗條件,對於在多鞋種相關的條件下研究較少,其使用成本較高的設備進行研究,因設備成本較高對於腳底壓力辨識技術廣泛的應用較為困難。本論文主要在探討受測者穿著多鞋種的情況下,使用腳底壓力辨識技術搭配機器學習與特徵進行身分辨識,最終分析不同機器學習與多特徵組合之辨識率、訓練時間和鞋種。實驗結果顯示使用隨機森林 (Random Forest, RF)在多鞋種實驗中可以達到最佳辨識率77%,訓練時間為2.83秒是所有機器學習中訓練時間最快;其在單一鞋種實驗中可以達到86%辨識率並發現慣用鞋能有更高辨識率。Item 平行處理和CPU頻率縮放對於腳底壓力辨識系統之省電研究(2023) 陳君三; Chen, Chun-San由於近年來生物辨識技術的興起,讓簽名認證方式不限於以往的帳號密碼,不僅讓生活更為便利且其安全程度也更為可靠。其中,步態辨識在醫療、運動、安全等等領域都有相關研究,我們可以從每個人的腳底獲取許多隱私資訊,根據每個個體不同的運動規律、踩踏重心以及個體大小來進行個體識別。在步態辨識領域中的腳底壓力分析的相關文獻裡,實驗或實作方式大多是以室內插座對電腦進行供電,因此省電方面的研究無人著墨。但當在無插座電源供電的情形下進行應用或實作時,腳底壓力辨識系統就會受到耗電量方面上的限制。因此我們的研究是針對嵌入式系統搭配腳底壓力辨識平台,在沒有室內插座供電的情形下進行省電的研究。我們對部分程式進行平行處理,並從機器學習演算法、CPU頻率模式、和變更核心數的角度對省電比例的影響進行分析,最後針對耗電量進行觀察與解析,並列出了最佳省電和最低耗電量兩種組合。實驗結果顯示,我們所使用的省電方法在四核心訓練階段省電比例可以達到7.02%,辨識階段的省電比例可以達到30.12%。Item 基於斑馬魚運動軌跡之行為分類系統(2023) 唐黛玲; Tarng, Dai-Ling有關人類疾病的研究長久以來被人們所重視,由於斑馬魚基因與人類相近且可以被快速繁殖,斑馬魚在相關研究上扮演著重要的角色。斑馬魚經常被用來研究藥物與毒物對神經系統與行為的影響,斑馬魚已經被用來模擬過阿茲海默症、腦癌、癲癇、焦慮症以及肝臟疾病。然而目前研究斑馬魚的實驗經常需要仰賴肉眼或是昂貴商用軟體器材紀錄斑馬魚的運動軌跡,並做簡單的分析。因此進行斑馬魚實驗所需的時間、人力與金錢成本,使斑馬魚實驗變得複雜。本研究提出了一套斑馬魚行為模式分類系統Zebrafish Behavior Classification (ZBC) System,該系統能以軌跡資料對斑馬魚的行為進行分類。根據斑馬魚的啃咬、追逐、展示和正常等四種行為模式,我們提出了七種軌跡特徵的計算方法。這七種軌跡特徵包括軌跡相似度、總移動距離、平均幀間移動距離、最大和最小幀間移動距離、移動向量加總、最大和最小幀間移動距離向量,以及移動方向同方向的時間佔比。本系統會在計算七種軌跡特徵前先運用三種濾波方式清理軌跡資料,而七種軌跡特徵將用來訓練斑馬魚行為自動分類模型。 本研究比較了支持向量機 (Support Vector Machine, SVM)、隨機森林 (Random Forest, RF) 和極限梯度提升 (eXtreme Gradient Boosting, XGBoost) 等三種模型在斑馬魚行為自動分類模型上的準確度表現,同時我們也比較了均值濾波、中值濾波與卡爾曼濾波等三種資料清理方法運用在模型上的準確度表現。實驗結果顯示出ZBC在分類高度、中度和低度攻擊性的行為上能達到76%的準確度。另外,我們的研究發現不同資料清理方法和模型的搭配會影響分類的準確度,隨機森林在分類效果整體上有最高的準確度,而資料清理方法則須依照情況選擇。Item 用特徵選擇和數據平衡對高維且分佈不均的二元資料做類別預測(2022) 蘇立鴻; Su, Li-Hung近年來,機器學習 (ML) 在資料探勘和預測方面逐漸流行;與傳統的統計訓練相比,ML 有名的是在預測或分類數據方面的高準確度,但仍然存在一些限制。首先是如果資料的分布高度不平均,ML 算法會遇到準確度悖論,意思是說它只會對多數類別進行預測,我們使用採樣方法來解決這個問題。其次是面對高維資料時的計算時間,我們使用特徵選擇方法來解決這個問題。在前面的資料預處理之後,我們考慮四種 ML 算法:邏輯迴歸、K-近鄰 (KNN) 、隨機森林 (RF) 和極限梯度提升 (XGBoost) 來比較模型的性能。我們通過具有 687 個變數和 40041 個觀察值的醫療數據集急性腎損傷 (AKI) 演示了上述過程。主要結果是他們是否在 AKI 上復發。結果表明,XGBoost 在接受者操作特徵曲線下的面積 (AUC-ROC) 方面具有最佳性能。對於醫療數據集,鈉、速尿、芬太尼、布美他尼、多巴胺、胰島素、白蛋白、甘油和腎上腺素是最具影響力的藥物,CCS1581 是影響最大的疾病。Item 利用機器學習填補遺漏值的比較與研究(2022) 陳柏瑋; Chen, Po-Wei本研究主要探討具有遺漏值的數據通過多種機器學習方法填補後之比較。遺漏值的填補是進行資料分析的重要過程,若隨意刪除或簡易替換,可能會導致後續的統計分析出現重大偏差,因此,在可用的填補方法中進行有效的選擇至關重要。我們利用近期熱門的機器學習填補法 K-鄰近算法 (K-Nearest Neighbor)、鏈式方程多重填補法 (Multivariate Imputation by Chained Equations) 及缺失森林 (MissForest) 等三種方法進行了模擬研究。在各種隨機遺漏設置下,當數據是完全續、完全類別或混合型數據集時,以評估每種方法的各自結果,結果表明,利用缺失森林 (MissForest) 方法來對資料進行填補時,其正規化方根均差 (NRMSE) 或是類別錯誤率 (PFC) 都有著最好的表現。我們還將三種方法應用於幾個實徵數據集上,結果顯示缺失森林皆優於其他兩種機器學習填補法。Item 深度學習模型Schnet的分析、簡化與改進方法探討(2022) 洪聖軒; Hung, Sheng-Hsuan在深度學習應用化學領域的研究中,以對分子特定性質的高準確度、低計算成本預測的研究一直是具有高關注度的研究方向。在本研究中所使用的Schnet便是對此研究方向提出的一個相對成熟的深度學習模型,具有能預測QM9數據集中分子包含HOMO能量 (EH)、LUMO能量 (EL)以及兩者能量差距(EG)在內的性質平均絕對誤差達到接近或小於1 kcal/mol的準確度,並且其計算成本遠低於經典的DFT計算。針對Schnet的優秀預測效果,本研究對於其架構的主要部分進行分析,得到類似於誘導效應的資料關聯。之後,利用QM9數據集中的所具有的分子SMILES,產生鍵步資訊並替換Schnet架構中的一部份以達成輸入資訊的簡化,最終獲得了與原始Schnet相比大約1-2倍左右的平均絕對誤差。在架構的更改上,進一步利用來自Deep4Chem的分子數據集來測試Schnet經過簡化之後的架構其預測螢光放光波長、吸光波長以及量子產率的能力,然後再外加一層用以對分子環境不同作為標示的嵌入層,將分子環境的資訊輸入模型中,以獲得更好的預測結果。在對Schnet模型的後續改進中,對Deep4Chem分子數據集中的螢光分子之吸光與放光波長的預測,其平均絕對誤差達到了0.131 eV與0.087 eV;而在Schnet中加入一層嵌入層之後,對吸光與放光波長的預測之平均絕對誤差則被降低到了0.083 eV與0.082 eV。在預測量子產率的表現上,兩種模型分別的平均絕對誤差為0.336與0.292。Item 腳底壓力辨識系統對於受測者在不同負重支撐點與重量之分析與研究(2021) 楊瑀婕; Yang, Yu-Chieh近年來,隨著物聯網應用的興起,網絡通訊不只侷限在手機與電腦間,除了帶來人類生活的便利外,資訊安全的議題也逐漸被重視,因而延伸出具唯一性的生物識別技術,生物辨識的簽名認證有別於傳統的文字或圖像式的帳號與密碼,其不易被偽造的特性也使得安全程度變得更為可靠。在過去的腳底壓力分析的研究中,比較少有提及與探討受測者在身體不同位置處攜帶負重,對於受測者攜帶不同重量的負重的研究也較無著墨。本論文主要在於探討受測者在赤腳情況下於,右側攜帶不同重量的負重與後側攜帶不同重量的負重對於搭配機器學習的腳底壓力感測技術的辨識度和模型訓練時間的影響的分析與研究。實驗結果顯示使用平均腳底壓力資料與攜帶大負重量會提升腳底壓力的辨識率。