工商暨交通數據分析實驗室

1. 客製化類神經網路之設計：本部分的研究會從類神經網路的基礎概念出發，接著導引學生如何依據實際問題的需求，設計出客製化的類神經網路，例如高抗噪性、高輕量化、能在簡易硬體設備上運行的深度學習模型、又或者是易於工廠做AI模型維運的框架等。 →本訓練能協助同學們成為一位合格的AI RD工程師。
2. 大數據分析流程之設計：本部分的研究將指導學生從極度骯髒的真實資料開始，學習如何進行清洗資料、取特徵值、降維、分群分類、建模、與視覺化介面設計等步驟，最終完成符合廠商需求的大數據分析案。 →本訓練能協助同學們成為一位合格的資料工程師。
3. 可解釋化AI之設計：隨著AI技術的逐漸發展，近年的工廠對AI的期待已遠遠超過建模，而是希望透過可解釋化AI找出改善工廠不足之處並加以改善。而這能力也是本實驗室對學生的重點培養項目之一。 →本訓練能協助同學們成為一位合格的IT或資料工程師。
4. AI系統之架設：現階段做AI研究之碩班生大多只會做軟體分析而不會架設系統，而這點對學生們找工作時有非常重大影響，所以本實驗室有與AWS的業師合作，指導同學們學習把碩論開發的系統建立在雲端系統上。 →本訓練能協助同學們求職。

1. 時空大數據資料：包含各式交通資料集、人流資料集，氣候資料集之處理。
2. 工廠資料：包含CNC機台運作資料、工單排程等。
3. 醫療資料：包含各式疾病辨識、醫院管理數據之分析等。
4. 其他：本實驗室之應用場域不限上述三項，若同學們有興趣皆可自己提出，老師盡力協助各位同學完成分析。

1. 利用輕量化深度學習模型完成工廠資料與PM2.5資料的建模與預測
Development of Lightweight RBF-DRNN and Automated Framework for CNC Tool-Wear Prediction
https://ieeexplore.ieee.org/document/9748893
Selection of key features for PM2.5 prediction using a wavelet model and RBF-LSTM
https://link.springer.com/article/10.1007/s10489-020-02031-5
2. 利用可解釋化AI進行人流變動關鍵點之搜尋
Identifying Key Grid Cells for Crowd Flow Predictions Based on CNN-based Models with the Grad-CAM Kit
https://link.springer.com/article/10.1007/s10489-022-03988-1
3. 利用生成式對抗網路協助產業進行工單排程
Application of Generative Adversarial Network to Optimize Vehicle Allocation at Dispatch Stations of Paratransit Services
https://www.mdpi.com/2079-9292/11/3/423