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 - 4 of 4
  • 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
    表徵學習法之文本可讀性
    (2020) 曾厚強; Tseng, Hou-Chiang
    none
  • 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。
  • 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。