鋼鐵行情專案

1. 新聞爬蟲

通過Scrapy建立爬蟲專專案，其中Scrapy包含spider、item、itemloader、middleware、pipelines、setting。

• spider：爬取網頁的轉導 、網址表單、解析response(beautifulsoup)。
• item、itemloader：設定資料欄位和資料隊列的處理邏輯 。
• midddleware：處理response和request 。
• pipelines：資料處理的業務邏輯 。
• setting：可以使用系統預設的各項功能，如設定單一網站最大request數量、每個request 間格時間、流程的順序比重、是否遵守爬蟲規範、部署設定等。

2.行情預測

事前領域內的專家已將新聞完成標記，並決定以分類任務的形式來訓練模型。前期研究發現BERT結構優於其他語言模型，將此結構定調為主要的embedding layer，並配合機器學習的模型來預測。

3.新聞分析

首先通過中研院的開源軟體ckiptagger來斷詞，再由我設計的取詞演算法從文章中取出關鍵字詞，其中關鍵字詞是依據領域內專家知識所構築的辭庫，最後得出文章中前十名出現最多的鋼鐵品項漲跌詞組。可有效幫助使用者了解現今鋼鐵行情的變化。

內容涉及智財權只能簡單概述。

Forecasting of air pollutant concentrations using a hybrid deep learning network model.

一般預測系統將所有輸入變數餵至模型中，我們使用皮爾森相關係數來衡量目標變數和輸入變數的相關性，從中挑選相關性高的變數輸入至模型，此方法可以避免過度擬合且提升預測效果。我們提出的混合深度類神經網路包括擴張卷積(Dilated Convolution)和雙向GRU(Gated Recurrent Unit)從數據中學習局部特徵和時間特徵。此外，注意力結構允許模型專注於重要的特徵，使預測更加準確。 我們的方法和近期的空氣品質預測方法相比，預測效果明顯優於其他方法。

此篇論文發表於國際期刊Springer-Applied Intelligence (第一作者)URL：https://link.springer.com/article/10.1007/s10489-022-04191-y

Leveraging User Comments for Recommendation in E-Commerce

協同過濾方法無法有效處理資料稀疏性和擴展性，導致預測效果和效率低落。以往推薦系統是基於user-item rating matrix 來進行評分，然而我們通過Word2Vec將評論中的關鍵字轉換為詞向量，再將詞向量和評分矩陣一起納入考量，以此作為推薦系統的基礎，可以有效改善預測效果。自建構分群法(I-SCC)同時找出user之間的關聯性和item 之間的關聯性，分群結果可以有效看出推間的脈絡， A物品和B物品同時被購買時(獲得同一位user評價)，意味著高機率兩物品會被分為同一群。主成分分析(PCA)用來降低評分矩陣的維度，提高推薦系統的預測效率。 最後依據分群結果和降維的評分矩陣來導出用戶的偏好。 實驗顯示此方法優於分群方法和舊有方法。

此篇論文發表於國際期刊MDPI-applied science.(第二作者)  URL:https://www.mdpi.com/2076-3417/10/7/2540

跌倒偵測系統(大專生國科會計畫)

此系統是採用高斯混合模型(GMM)作為基礎。首先將以高斯混合模型來提取影像中的前景和後景，再來對前景執行三步驟組處理，第一步將前景轉為灰階，第二步將前景高斯模糊處理，第三步將前景擴張(Dilate)處理，再來對前景進行輪廓定位，最後依定位的座標和面積，並依兩值大小判斷此姿勢是否無法行動，如果無法行動則寄出郵件提醒家人。

手部姿勢辨別系統

首先透過web cam 擷取手部的影像，第一步影像透過濾鏡濾除不必要的背景，第二步用輪廓定位計算出手掌的形狀，第三步用凹凸偵測計算出手指間的凹凸點，最後依據凹凸點的數量來比對手勢，判斷此手勢是否正確，如果正確的話則在圖片上顯示設定文字。