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 - 3 of 3
  • Item
    結合購買時間間隔資訊之類別感知序列推薦系統
    (2022) 陳正偉; Chen, Cheng-Wei
    序列推薦系統的目的是以用戶過往購買紀錄所形成的序列,預測用戶在下一次購買時有興趣的商品。過往的推薦系統由於僅考慮商品項目層級的關聯性,因此忽略了商品類別層級的購買間隔資訊。本論文擴展 TiSASRec 模型,提出了兩個可將類別資訊加入到用戶購買紀錄中的模型: TiSASRecC 及TiSASRecDual,TiSASRecC 模型採用將商品項目嵌入向量表示法與商品類別嵌入向量表示法接合,使類別資訊直接融入到商品表示法中輔助模型學習用戶行為表示法。TiSASRecDual 模型則以類別層級子網路先單獨學習商品類別結合時間間隔的用戶行為特徵,再以學習出的子分類層級特徵,間接影響項目層級子網路中用戶行為表示法的學習。在 Amazon 五個不同性質的類別資料集上之實驗結果顯示:加入類別資訊對序列推薦任務有所提升。本研究提出的兩個模型,在用戶序列長度取樣減短時比 TiSASRec 模型有更佳的推薦效果,而透過將用戶多個類別的購買紀錄形成的序列對模型進行訓練及預測,對單一類別的商品的推薦效果也比 TiSASRec 有更明顯的增進效果。
  • Item
    以類別感知之多任務學習框架增進序列推薦效果
    (2021) 賴薇; Lai, Wei
    序列推薦系統的目的是根據使用者以往與項目互動的序列資訊,預測使用者可能感興趣的下個互動項目主動進行推薦。本論文提出可套用於 GRU/bi- GRU/Caser 類神經網路模型的類別感知之多任務學習框架,利用項目的類別特徵做為項目的上層資訊,輔助模型預測使用者未互動過的下個項目預測任務。此框架以同時學習預測下個互動類別及下個互動項目為目標,在項目模組中將項目互 動序列經過類神經網路學習到項目層級行為表示法,再融合類別模組所學習到的類別層級行為表示法預測使用者下個互動項目。本論文所提出的方法,分別在 Foursquare 及 MovieLens 兩種不同序列強度的資料集上進行實驗,預測命中率的評估結果顯示:本論文提出的類別感知多任務學習框架在預測使用者下個未互動過的項目,相較只以單任務類神經網路模型的效能,在 Foursquare 資料集 Hit@10 最高可提升10.73%;MovieLens 資料集 Hit@10最高可提升7.29%。
  • Item
    以情境感知資料與社群資訊建構餐廳推薦系統之研究
    (2016) 劉書宇; Liu, Shu-Yu
    目前市面上大多的餐廳推薦系統當中所給予使用者的推薦資訊,皆透過開發者收集(網路相關資料、部落客體驗文章),或經由系統平台上的使用者共同分享上傳而成的資料集。但這些資料會隨著時間長久的累積,亦或是開發人員對於資料沒有定期更新或維護,即造成了資料集過於老舊以及維護需求人力成本的問題。 本研究旨在藉由Facebook社群網站平台所提供的Graph API查詢語言技術,擷取其上的社群粉絲專頁餐廳資訊當作資料集,建構一套與Facebook同步的即時動態更新的餐廳推薦系統。此外本研究也結合情境感知(Context-aware)方式來開發應用,讓系統服務更能貼近使用者,在情境資料上利用使用者情境資料(Facebook帳號資訊、偏好餐廳設定)及實體情境資料(時間、地理位置)和使用者的Google Calendar事件;而推薦功能部分,本系統透過使用者對於個別餐廳頁面的評分紀錄,作推薦過濾的排序演算,其中也用到Facebook的按讚數,當作計算因素的依據,讓推薦達到更有效的過濾。最後,本系統實作採用響應式網站設計來建構一個可以在電腦、手機及平板都具有良好瀏覽效果的網站平台雛型。