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 - 10 of 10
  • Item
    Multiple Policy Value MCTS 結合 Population Based Training 加強連四棋程式
    (2024) 蔡宜憲; Tsai, Yi-Sian
    電腦對局是人工智慧在計算機科學和工程方面的最古老和最著名的應用之一,而AlphaZero在棋類對局領域是一個非常強大的強化學習算法。AlphaZero是用了MCTS與深度神經網路結合的演算法。較大的神經網路在準確評估方面具有優勢,較小的神經網路在成本和效能方面具有優勢,在有限的預算下必須兩者取得平衡。Multiple Policy Value Monte Carlo Tree Search此方法結合了多個不同大小的神經網路,並保留每個神經網路的優勢。本研究以Surag Nair先生在GitHub上的AlphaZero General程式做修改,加入Multiple Policy Value Monte Carlo Tree Search,並實現在連四棋遊戲上。另外在程式中使用了Multiprocessing來加快訓練速度。最後使用了Population Based Training的方式來尋找較佳的超參數。
  • Item
    利用啟發式法則與數種訓練策略來評估中國跳棋程式
    (2023) 江曛宇; Jiang, Syun-Yu
    中國跳棋(Chinese Checkers)是一個知名且充滿挑戰性的完全資訊遊戲。與一些其他的傳統遊戲如五子棋、圍棋不同,賽局樹的搜索空間並不會隨著遊戲的進行而越來越小。若是單純使用AlphaZero架構之演算法,在短時間內甚至難以訓練出初學者程度之程式。過去雖有使用蒙地卡羅樹搜索法結合深度學習與強化學習,並應用於中國跳棋上的演算法,但是仍有改進的空間。若是能夠適當的加入一些中國跳棋的先備知識,應該能使棋力進一步的提升。本研究針對中國跳棋設計數種策略,修改了前代程式Jump的設計,人為的增加先備知識,以期有更好的棋力,並且針對中國跳棋在神經網路訓練初期棋力很弱的問題,提出一連串的解決方案與策略,使其能夠在不使用人為訓練資料以及預訓練的狀況下,能夠獲得一定的棋力,並且對這些策略的特點進行探討,分析出各個策略的優缺點。
  • Item
    以深度學習對包含長文之資料集進行情感分析
    (2022) 陳宜威; Chen, I-Wei
    隨著網際網路的蓬勃發展,越來越多的訊息在社群網站、線上購物網站、論壇等各種網路平台間傳遞,而這一些訊息可能都表達了人們的看法或是評價。但是只依靠人力來觀察如此龐大的資訊量是非常沒有效率的,因此如何讓電腦得以代替人類完成這一項工作量龐大的任務是必要的。自然語言處理(Natural Language Processing,NLP)是一種讓電腦可以理解人類語言的技術,而情感分析(Sentiment Analysis)則是NLP其中的一項常見應用。它能夠了解字句間所表達的情緒,比如分析網路上對於某些產品、名人、事件等事物的評論立場為何,像是有好感還是持有負面態度。本實驗使用含有長文的IMDB資料集進行情感分析,該資料集將評論分為正面和負面,並且建立深度學習模型讓它藉由評論內容判斷評論表達的情緒是正面或負面,除了基本的LSTM和BERT模型以外,本實驗還有嘗詴讓BERT合併BERT或LSTM模型,希望藉由增加模型獲得的特徵來提高準確度,並且對各種模型的實驗結果進行比較。
  • Item
    基於集成學習方法進行謠言偵測
    (2022) 陳煒鈞; Chen, Wei-Jiun
    網路社交媒體充斥著假消息,連牛津辭典在2016年都將"Post-Truth"列為一個詞彙,錯誤的資訊可能對人造成危害,所以建構一個能夠辨識網路上各種不一樣說法、消息的系統是一個重要的議題。本研究利用預訓練語言模型搭配文字以外的特徵建立出一套辨識謠言的系統,辨識在社交媒體Twitter及Reddit使用者發表內容的真偽。 本論文的資料集來自SemEval 2019 RumourEval: Determining rumour veracity and support for rumours (SemEval 2019 Task 7)的任務B,該任務將Twitter及Reddit上的句子經由人工標註分為3類,真(True)、假(False)、未驗證(Unverified),本研究先經由資料增強的方式增加資料量,接著以不同的語言模型(RoBERTa、ALBERT)及傳統分類(SVM)個別進行訓練,再將不同的模型組合進行集成學習(Ensemble Learning),訓練並給予不同的權重,最後加上後處理達到Marco F1 72 %,RMSE 0.5879的成績。
  • Item
    基於壓力感測器與深度學習之居家運動分析系統
    (2023) 李昱勳; Lee, Yu-Hsun
    2019年新型冠狀病毒的爆發,因其強大的傳播力,人們被迫待 在家中減少外出。運動中心與健身房等場所也容易因為汗水或是 近距離的接觸進而增加染疫的風險。然而大部分的使用者在沒有 教練的協助下,常常導致動作不夠標準或是缺乏系統性的訓練, 造成運動傷害以及成效有限。因此本研究提出 Home Exercise Analysis System Based on Pressure Sensor and Deep Learning,簡稱 為 HomeXDL。HomeXDL 運用壓力及壓力重心變化結合深度學習 來達到運動紀錄以及動作正確度偵測。 資料前處理後,HomeXDL 從 CoP 軌跡以及壓力變化計算出的 特徵值,運用決策樹進行動 作種類的分辨,在深蹲、硬舉及弓箭步的動作分類中,準確度 (Accuracy)達91%以上。動作正確度判斷上,HomeXDL 運用 CNN 對上述三個動作的正確度偵測。在系統有標記的動作問題上, HomeXDL 也皆能快速且精準的偵測出來,三個動作整體準確度 也達90%以上。最後 HomeXDL 的使用者介面能及時的回饋給使 用者其運動品質與動作錯誤原因,對使用者在運動過程中有很大 的幫助。
  • Item
    以BERT-CNN模型進行建議句探勘
    (2021) 房昱翔; Fang, Yu-Hsiang
    隨著智慧型手機、行動網路的普及,民眾每天接收到的訊息量與日俱增,其中評論占據了很大一部份,不同於氣象預報、股票市值這些僅能夠單方面接收的資訊,評論往往是由民眾主動去搜尋及撰寫的,舉凡食、衣、住、行、育、樂,許多民眾已經養成先上網搜尋相關評論後再做決定的習慣,本研究希望透過深度學習的方法,將大量的網路評論,在進行完整分析後作出適當的分類。本研究使用的資料集來自於2019年舉辦的國際自然語言語意評測競賽(Semantic Evaluation 2019, SemEval 2019)中的Task 9,該資料集中的評論可分為建議句(suggestion)及非建議句 (non suggestion),將其進行前處理後與類神經網路模型進行連接,其中用到了由Google公司於2018年提出的BERT (Bidirectional Encoder Representations from Transformer)及卷積類神經網路(Convolutional Neural Networks, CNN)。本研究將對該競賽項目的子任務A進行實驗,評估方式採用正確率(Precision) 及F1分數(F1-measure, F1),其中驗證資料集同樣來自SemEval主辦方,並會與當年參加競賽的隊伍進行比較。
  • Item
    使用加上額外特徵的語言模型進行謠言偵測
    (2021) 陳信睿; Chen, Xin-Rui
    本篇論文提出一個強健語言模型加上額外特徵的系統,處理SemEval 2019RumourEval: Determining rumour veracity and support for rumours (SemEval2019 Task 7),主要包含了兩個任務,任務A 為 使用者的立場偵測,任務B偵測謠言是真、假或未驗證, 本研究利用到了對話分支的追蹤資訊,使用強健的預訓練語言模型與詞頻特徵,加上報導其他特徵的深度學習預訓練模型,結合兩者的預測結果,做出任務A的立場驗證,其Macro F1達到62%,再透過規則模型處理任務B的消息驗證,達到 Macro F1 68%,且 RSME降到0.5983。
  • Item
    基於複數多維結構特徵提取的雌激素受體活性預測器-多維度學習
    (2021) 楊傑宇; Yang, Chieh-Yu
    隨著人類工業及科技發展,許多新興的化學物質隨著工業製程,或是其為產品本身被排放至自然環境中。其中某些新興化學物質將會干擾體內荷爾蒙運作,因此被稱作是內分泌干擾素。目前已有多項報告顯示人類所排放的化學物質將會對環境中的生物造成生理功能上的負面影響,另外,某些人類於工業製程中使用的化學物質也具有一定的腺體毒性。然而,此類新興物質具有大量類似異構物,實驗上鑑定大量化學物質需耗費大量時程,因此提出一個能預測化學物質與受體活性的模型將有助於人類鑑定及分析內分泌干擾素。本研究利用CERAPP所提供的資料集,建構出一種以化學物質之One-hot編碼與化學結構圖,兩種不同維度的結構資訊做為特徵提取對象,並嘗試預測其與雌激素受體的結合活性,稱作Multi-D learning。本研究報導了透過兩種複合數據訓練的深度學習網路比兩者個別訓練的網路表現得更好,並進行了案例研究,並且得出了幾例十分有利的結果。綜上所述,我們訓練了一個多輸入的類神經網路稱作Multi-D learning,並且可以用於其他研究人員篩選會與雌激素受體結合的化學物質。
  • Item
    Unsupervised Clustering Based on Alpha-Divergence
    (2022) 劉又寧; Liu, You-Ning
    none
  • Item
    以有限配對資料訓練事實問題生成模型之研究
    (2020) 蕭雅方; Hsiao, Ya-Fang
    本論文考慮在閱讀文句與對應問題的配對資料有限情況下,透過遷移式學習概念,利用未配對的資料增強編碼器-解碼器架構模型的學習效果,使模型仍能生成相當於輸入大量配對資料訓練後的生成效果。本研究採用序列對序列模型,先以非監督式學習方式,利用大量無需經過標記的文句和問題,訓練自動編碼器架構。接著,擷取出預訓練好能理解文句的編碼器及生成問題的解碼器進行組合,並對編碼器加入轉移層建構出新的模型,再以遷移式學習選用文句與問題配對訓練微調模型參數。實驗結果顯示,採用本論文設計的遷移式學習方式,並配合訓練策略,在減少一半文句與問題配對資料的訓練,仍比直接採用全部配對訓練資料進行訓練得到的問題生成模型有更佳效果。