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
    方正晶格上二維五態和二態鐵磁性帕茲模型的神經網絡研究
    (2022) 曾云萱; Tseng, Yun-Hsuan
    本論文分為兩個主題,首先,(1)利用簡單且通用的監督式神經網路來研究二維五態和二態鐵磁性帕茲模型在正方晶格上的相變行為,有別於一般的訓練方法[1],神經網路的訓練集是由一維200個晶格點上以人工產生的兩種(0和1)組態所構成的,並將預測結果繪製成輸出向量長度|R ⃗|的直方圖,從圖中看出是否為雙峰分布,進而得知是一階相變或是二階相變。利用這樣簡單的神經網絡模型來探討大型的自旋系統(含有數百萬個自旋),可以得到五態鐵磁性帕茲模型的相變為微弱一階相變。如此龐大的系統,如果是用一般的訓練方法期計算量是普通電腦無法負荷的。  另外,(2)使用長短期記憶模型(LSTM)來產生由蒙地卡羅演算法計算出來的能量密度,結果顯示利用少量的訓練集就可以得到相近的平均值。  本論文部分章節已發表於arXiv:2111.14063。
  • Item
    LSTM 法則應用於連續手勢辨識之研究──手勢辨識系統軟體與硬體於 FPGA 實作
    (2020) 鄧凱中; Teng, Kai-Chung
    本論文考量現實應用的方便性與實際應用,選擇現場可程式邏輯門陣列(Field Programmable Gate Array, FPGA)來硬體電路實現,並對電路運算單元參數化,以應變需求的變化。而演算法使用長短期記憶(Long Short-Term Memory,LSTM) [1]來訓練模型與手勢辨識。 LSTM 作為設計電路之模型,跟傳統遞歸神經網路(Recurrent Neural Networks, RNN) [2]不同的是,RNN 同一時間點 t 的輸入都在同一層面,將上一層的輸出當作下一層的輸入,但時間點 t 產生的梯度在往後傳遞幾層後就消失為一大難題。而 LSTM 使用 Input Gate、Output Gate 與 Forget Gate 三個控制閘成功的解決時間軸上梯度消失的問題,因此選擇 LSTM 為本論文的演算法則。 LSTM 模型以 Keras [3]平台來訓練與驗證,辨識率高達 98%。本論文的訓練與辨識資料庫使用擁有陀螺儀跟加速器的手機做為 Sensor 來收集手勢資料,並收集本實驗室多人的動作為資料庫,並對資料做圖形化來篩選優良的訓練資料。圖形或者影像辨識需要瞭解艱深且複雜的公式,還必須有能力編碼將公式實踐出來,對手勢的辨識如果使用傳統影像辨識的方法將會增加運算的時間、大量的運算資源消耗與記憶體儲存空間的需求。本論文分別使用手機陀螺儀與加速器的 X、Y、Z 軸數據為訓練資料,與傳統的影像辨識相比,差別為輸入資料每一筆的維度變成一維,節省硬體儲存資源與運算的複雜度。
  • Item
    LSTM法則應用於連續手勢辨識之研究──訓練系統軟體及辨識系統FPGA之實作
    (2018) 廖振瑋; Liao, Zhen-Wei
    本論文用LSTM類神經網路模型來做連續手勢之訓練及辨識系統,並且以FPGA來完成手勢辨識系統之硬體化實現。 資料蒐集方面,我們使用智慧型手機取得其內部感應器中的三維加速度器及三維陀螺儀數值做為我們的訓練資料及辨識資料。訓練及辨識方面,透過Keras平台對手機端蒐集的資料做訓練跟辨識,接著我們以C以及JAVA重建辨識系統,來協助此系統On-line及硬體化的實現。 辨識系統我們有著百分之九十八的辨識準確率,並且在完成的硬體電路有著低面積及低資源消耗。在高準確率跟低資源消耗的優點下,大大增加了本篇論文的應用性及實用性。例如可以與娛樂結合,讓玩家能透過感應器藉著手勢的揮舞做出移動或是攻擊的動作而不必透過按鈕,增加遊玩的真實感。
  • Item
    Sentiment Analysis of Movie Reviews with Deep Learning Methods
    (2019) 曾相利; Indra Pramana
    none