# 章節包：人工智慧導論（AI）W3（9/24）第 07 章「不確定性與機率基礎」 影片 2:29:37–2:53:55，YouTube ID S1km7opW6rw，逐字稿 C:\D槽\TAICA課程\人工智慧導論\第三周1150924\W3_人工智慧導論_朱威達.逐字稿.txt。Notion 章節頁 https://app.notion.com/p/3e6fc631b030818b8460e7499c1c5521（頁 ID 3e6fc631b030818b8460e7499c1c5521），頁面標題「07 不確定性與機率基礎（2:29–2:53）」。 ## 1. 第一行（直接照抄，不要改） [人工智慧導論](https://app.notion.com/p/3e6fc631b0308131b213f0a3d93fe91d) › [W3（9/24）](https://app.notion.com/p/3e6fc631b0308137bbd8e73f5c6f1b62) › 07｜影片 [2:29:37–2:53:55](https://www.youtube.com/watch?v=S1km7opW6rw&t=8977s)｜投影片 Ch12 p.2–17｜上一章 [06 部分觀察與線上搜尋（2:16–2:29）](https://app.notion.com/p/3e6fc631b0308161a1a1c05842cdd2c7)｜下一章 無 ## 1b. 最後一行（直接照抄，放在 Self-check 後面，當全頁最後一行） 這週讀完了。下一週第一章：[01 機率的表示法與基本公理（0:00–0:15）](https://app.notion.com/p/3ecfc631b030815aa226c2d0b9d9456b)｜回到週頁：[W3（9/24）](https://app.notion.com/p/3e6fc631b0308137bbd8e73f5c6f1b62) ## 2. 各段標題（照順序；每段一個 ## 標題，直接照抄連結） - `## [2:29:37](https://www.youtube.com/watch?v=S1km7opW6rw&t=8977s) 從第四章跳到第十二章`　老師講什麼：課本 Ch5–10 講符號邏輯學派，現在幾乎沒人用，所以整段跳過；Ch12 開始把不確定性納入，時代感大約是 1980–90 年代 AI 開始引入機率。 - `## [2:32:29](https://www.youtube.com/watch?v=S1km7opW6rw&t=9149s) 為什麼要處理不確定性`　老師講什麼：Agent 常常只能部分觀察環境，或者動作是 non-deterministic（叫吸塵器往右，它不一定真的往右），所以可能永遠無法確定自己在哪個狀態、做完一串動作會停在哪。 - `## [2:34:02](https://www.youtube.com/watch?v=S1km7opW6rw&t=9242s) 牙醫例子：邏輯規則寫不完`　老師講什麼：用 propositional logic 寫診斷規則：「牙痛 → 蛀牙」不對，牙痛可能是牙齦、口腔破洞甚至撞到門；反過來「蛀牙 → 牙痛」也不對，不是所有蛀牙都會痛。 - `## [2:37:33](https://www.youtube.com/watch?v=S1km7opW6rw&t=9453s) 邏輯失敗的三個原因`　老師講什麼：Laziness：原因和結果列不完；theoretical ignorance：醫學本身還沒有完整理論（例如失智症）；practical ignorance：就算知道規則，要做的檢查太多太貴。 - `## [2:39:41](https://www.youtube.com/watch?v=S1km7opW6rw&t=9581s) 用機率摘要不確定性`　老師講什麼：機率可以把「懶得列」和「做不到完整檢查」的不確定性摘要起來。例如牙痛病人有 80% 有蛀牙；多了牙齦病史等新證據，機率就更新成 0.4；這些說法互不矛盾，機率取決於目前已知的證據。 - `## [2:43:53](https://www.youtube.com/watch?v=S1km7opW6rw&t=9833s) 效用與決策理論`　老師講什麼：回到第二章的 utility-based agent：每個狀態有 utility（效用），機率加上效用就是 decision theory；agent 是 rational 的，若且唯若它選擇 expected utility 最高的動作（MEU 原則）。 - `## [2:45:47](https://www.youtube.com/watch?v=S1km7opW6rw&t=9947s) 樣本空間與事件`　老師講什麼：丟兩顆骰子有 36 種結果，全部結果叫 sample space（Ω），每個結果 ω 的機率介於 0 和 1、總和為 1。我們關心的組合叫 event，AI 裡也叫 proposition，例如點數和為 11 的機率是 2/36。 - `## [2:49:57](https://www.youtube.com/watch?v=S1km7opW6rw&t=10197s) 條件機率與乘法規則`　老師講什麼：看到證據後的機率是 conditional probability，例如第一顆是 5 點時兩顆相同的機率是 1/6；小鎮蛀牙率 25% 和牙痛病人蛀牙率 60% 兩者都對。P(a|b) = P(a∧b)/P(b)，移項就是 product rule：P(a∧b) = P(b)P(a|b)。 ## 3. 老師強調／會考／不考的地方（原句已驗證；寫進筆記時 ASR 錯字要改正） - (2:31:02) [不考] 「所以我們直接跳過我們直接進入到第十二章」 → 課本 Ch5–10（符號邏輯學派）整段跳過不上（原話是「跳過」，沒有明說不考） - (2:43:40) [強調] 「所以這邊只是要跟大家強調說你在預估一個機率的時候其實是根據你現有已知的某一些資訊來去預估這個機率」 → 機率取決於目前已知的證據；不同證據下的機率陳述（0.8、0.4…）彼此不矛盾 - (2:51:42) [強調] 「那請注意喔這兩個句話這兩個機率都是對的沒有互相衝突」 → 先驗機率 P(cavity) 和條件機率 P(cavity | toothache) 可以同時成立、互不衝突 ## 3b. 數學段候選（程式抓的，只是提示；寫「跳過提示」行用） 2:48:00–2:49:00 (60s, score 12) 機率 總和 分之 等於 加總 加起來 它的機率怎麼估比如說一個proposition5這個5出現的機率就等於是能夠造成這個proposition的所有的element所有的可能的情況的機率加總講得文燒燒的什麼意思啊就是說假設我今天有興趣的是總和為11點的情況 2:52:00–2:53:30 (90s, score 21) 機率 等於 分之 乘上 probability a given b是什麼意思呢在知道b的情況之下a的機率是多少那這機率怎麼算呢好在conditional probability裡面呢大家以前學機率應該學過這個它等於是probability b分之probability a and b的意思嘛如果要講成白話來我用白話把這個數學式子講一次在知道b 2 段候選（門檻 5.0 字／30 秒） ## 4. 這章摘要與重要度 跳過 Ch5–10 直接進 Ch12：用牙醫例子說明邏輯規則不夠用、要改用機率，並複習樣本空間、條件機率和乘法規則。（核心） ## 5. 整堂課的提醒（ASR 錯字、老師口誤、投影片缺公式等；只用跟這章有關的） - 0:00:42–0:09:57 直播沒有聲音（0:00:42 只有一句「今天是9月24號」），從 0:09:57 的「上課注意事項」才開始有內容。不確定這 9 分鐘有沒有漏掉課程內容。 - 這堂有兩次下課：1:10:01–1:21:32、2:04:58–2:16:36。 - Ch12 投影片本機沒有（課程網站連不上），第 07 章的 Exam-ready 要等主理人從 NTU COOL 下載後再補（停車場 P1）。 - Ch4 講義 PDF 頁碼有跳號：_text 的 p.27 以後，投影片上印的頁碼是 52–63。本週 slides 欄一律用 _text 的 PDF 頁序 p.N。 - 0:53:50–0:55:00 逐字稿有大量重複和亂碼（八皇后 fitness 的例子），老師那段講的 fitness 定義聽不清楚。 - 課本 Ch5–10（符號邏輯）整段跳過，Ch4 講完直接進 Ch12（2:30:39）。 - 老師講的和課本不一樣：老師把牛頓法說成 line search 找最好 α 的一種做法（1:38:54、1:44:29、1:47:11）；投影片 p.20、p.23 則是把 Newton–Raphson 當成另一種更有效的方法，直接解 ∇f(x)=0，更新式是 x ← x − H⁻¹∇f。寫筆記建議照課本寫，另加一句「注意：老師口頭說的是……」。 - 「不考」這類 emphasis 共 4 條（1:06:10、1:30:17、2:00:18、2:31:02），老師的原話都是「略過不談／不會告訴你／不再講／跳過」，沒有一條明說「不考」。直接標【老師說不考】可能太強，建議寫成內文的「注意：本課不講……」，由寫章節的人判斷。 - 0:53:50–0:55:00 逐字稿亂掉：「這個」連續重複十幾次，還有「measure 3 種不同的劑다車 種」「erlebt,omination」。八皇后 fitness 的定義聽不清楚；推測是課本的定義（互不攻擊的皇后對數，24／23／20／11 分），寫筆記照課本寫。 - Ch4 PDF 頁碼跳號：_text 的 p.26 之後，p.27 投影片上印的是 52，一路到 p.35＝63。印刷頁 27–51 不在講義裡，老師也沒講（推測是課本 4.3 非確定性動作等內容，不確定）。p.4、p.28 是純圖片頁，要看圖。 - 1:17:52 那行「我們在這一張的前半段那一邊呢」時間戳疑似錯位：它的語意接的是 1:21:32，老師實際應該是 1:21:3x 左右才開始講課。休息結束時間我用 1:21:32。 - 已知事實說「可能還有 Ch3 收尾」：這堂沒有用到 Ch3 投影片，只在 2:24:29 口頭提到上一章的 DFS、BFS、A*。Ch4 p.2–9 上週（W2）已經講過（W2 逐字稿 2:29:44 講了 p.8 的 86%／14%），本週只是快速複習。 - 老師口頭說小鎮蛀牙的先驗機率是 25%（2:51:1x）；我記得課本（AIMA 4e）是 P(cavity)=0.2、P(cavity|toothache)=0.6，但不確定。等 Ch12 投影片到手再核對。 - Stochastic beam search 老師口頭說「跟我目前現有的 Solution 差不多的挑的機率越高」（0:48:23），講得不太清楚；投影片 p.12 的說法是挑選機率是 value 的遞增函數。寫筆記照投影片寫。 - 第 06 章只有 13 分鐘，比 15 分鐘的下限短。它前面是下課、後面接 Ch12，沒辦法合理併到別章，所以維持獨立一章。 - emphasis 的 quote 照規定用逐字稿原文，裡面有 ASR 錯字，寫進筆記時要改成正確的字。本週常見錯字可以補進 fix_transcript.py 的 ASR 表：Hear/Heel Climbing＝Hill Climbing、Semantic Unnealing／Seminity Unlimited／Seminating and Nearing＝Simulated Annealing、Local Bean Search／Local Research＝Local Beam Search、經驗演算法／經易演算法＝基因演算法、chromazone＝chromosome、Colon＝column、八王二＝八皇后、修道口＝虛擬碼、T度／t度＝梯度、State Piste Assent＝steepest ascent、S1/S2＝x1/x2、助療＝蛀牙、simple space＝sample space、Peper-Z（2:39:38，推測＝propositional logic）、一頓＝一對（doubles）、汗毛牌＝號碼牌、admission＝admissible、snide＝Slido。 - [第 07 章] [投影片 2026-10-01 補到] 這章草稿是在沒有投影片時寫的。審稿時必做：(1) 第一行換成章節包第 1 節那行（投影片頁碼已更新）；(2) Exam-ready 每一行標「（自擬，投影片待補）」或 (my wording) 的英文，全部換成章節包第 6 節的投影片原句並標頁碼（例 Ch12 p.31），中文解釋跟著改；投影片有、筆記沒有的重要句子補進去；(3) 正文和概念檔裡的 (my wording) 定義改成投影片原句；(4) 投影片的數字、符號、例子跟草稿不同時，以投影片為準。 ## 6. 投影片文字（這章範圍） **這幾頁的公式或內容只在圖裡（文字檔抓不到），寫 Exam-ready 與公式前先用 Read 看這幾張圖：** - Ch12 p.2 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p002.png - Ch12 p.3 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p003.png - Ch12 p.4 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p004.png - Ch12 p.5 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p005.png - Ch12 p.6 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p006.png - Ch12 p.7 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p007.png - Ch12 p.9 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p009.png - Ch12 p.11 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p011.png - Ch12 p.12 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p012.png - Ch12 p.13 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p013.png - Ch12 p.14 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p014.png - Ch12 p.15 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p015.png - Ch12 p.16 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p016.png - Ch12 p.17 → C:\D槽\TAICA課程\_work\notes-v2\ai-w3\img\brief_Ch12_p017.png --- Ch12 p.2 --- • Agents may need to handle uncertainty, whether due to partial observability, nondeterminism, or a combination of the two. An agent may never know for certain what state it’s in or where it will end up after a sequence of actions. • An example of uncertain reasoning: diagnosing a dental patient’s toothache. Let us try to write rules for dental diagnosis using propositional logic, so that we can see how the logical approach breaks down. Acting Under Uncertainty 2 --- Ch12 p.3 --- • Consider the following simple rule: • The problem is that this rule is wrong. Not all patients with toothaches have cavities; some of them have gum disease, an abscess, or one of several other problems: • Unfortunately, in order to make the rule true, we have to add an almost unlimited list of possible problems. Acting Under Uncertainty 3 (潰瘍) (蛀牙) --- Ch12 p.4 --- • We could try turning the rule into a causal rule: • But this rule is not right either; not all cavities cause pain. The only way to fix the rule is to make it logically exhaustive: to augment the left-hand side with all the qualifications required for a cavity to cause a toothache. Acting Under Uncertainty 4 --- Ch12 p.5 --- • Trying to use logic to cope with a domain like medical diagnosis thus fails for three main reasons: • Laziness: It is too much work to list the complete set of antecedents (前項) or consequents (後項). • Theoretical ignorance: Medical science has no complete theory for the domain. • Practical ignorance: Even if we know all the rules, we might be uncertain about a particular patient because not all the necessary tests have been or can be run. Acting Under Uncertainty 5 --- Ch12 p.6 --- • Our main tool for dealing with degrees of belief is probability theory. • Probability provides a way of summarizing the uncertainty that comes from our laziness and ignorance, thereby solving the qualification problem. • This belief could be derived from statistical data—80% of the toothache patients seen so far have had cavities—or from some general dental knowledge, or from a combination of evidence. Acting Under Uncertainty 6 --- Ch12 p.7 --- • Probability statements are made with respect to a knowledge state, not with respect to the real world. We say “The probability that the patient has a cavity, given that she has a toothache, is 0.8.” • If we later learn that the patient has a history of gum disease, we can make a different statement: “The probability that the patient has a cavity, given that she has a toothache and a history of gum disease, is 0.4.” • If we gather further conclusive evidence against a cavity, we can say “The probability that the patient has a cavity, given all we now know, is almost 0.” Note that these statements do not contradict each other; each is a separate assertion about a different knowledge state. Acting Under Uncertainty 7 --- Ch12 p.8 --- • An agent must first have preferences between the different possible outcomes of the various plans. • We use utility theory to represent and reason with preferences. (The term utility is used here in the sense of “the quality of being useful”.) • Utility theory says that every state has a degree of usefulness, or utility, to an agent and that the agent will prefer states with higher utility. Uncertainty and rational decisions 8 --- Ch12 p.9 --- • Preferences, as expressed by utilities, are combined with probabilities in the general theory of rational decisions called decision theory: • The fundamental idea of decision theory is that an agent is rational if and only if it chooses the action that yields the highest expected utility, averaged over all the possible outcomes of the action. This is called the principle of maximum expected utility (MEU). Uncertainty and rational decisions 9 --- Ch12 p.10 --- • Probabilistic assertions (主張) talk about how probable the various worlds are. • In probability theory, the set of all possible worlds is called the sample space. The possible worlds are mutually exclusive and exhaustive. • For example, if we are about to roll two (distinguishable) dice, there are 36 possible worlds to consider: (1,1), (1,2), ..., (6,6). The Greek letter Ω (uppercase omega) is used to refer to the sample space, and ω (lowercase omega) refers to elements of the space, that is, particular possible worlds. What probabilities are about 10 --- Ch12 p.11 --- • A fully specified probability model associates a numerical probability P(ω) with each possible world. The basic axioms of probability theory: • For example, if we assume that each die is fair and the rolls don’t interfere with each other, then each of the possible worlds (1,1), (1,2), ..., (6,6) has probability 1/36. What probabilities are about 11 --- Ch12 p.12 --- • Probabilistic assertions and queries are not usually about particular possible worlds, but about sets of them. For example, we might be interested in the cases where the two dice add up to 11, the cases where doubles are rolled, and so on. In probability theory, these sets are called events. In AI, the sets are always described by propositions (命題) in a formal language. • For each proposition, the corresponding set contains just those possible worlds in which the proposition holds. The probability associated with a proposition is defined to be the sum of the probabilities of the worlds in which it holds: What probabilities are about 12 (13.2) --- Ch12 p.13 --- • For example, when rolling fair dice, we have P(Total = 11) = P((5, 6)) + P((6, 5)) = 1/36 + 1/36 = 1/18. • Probabilities such as P(Total = 11) and P(doubles) are called unconditional or prior probabilities (and sometimes just “priors” for short); they refer to degrees of belief in propositions in the absence of any other information. What probabilities are about 13 --- Ch12 p.14 --- • Most of the time, however, we have some information, usually called evidence, that has already been revealed. For example, the first die may already be showing a 5. • In that case, we are interested not in the unconditional probability of rolling doubles, but the conditional or posterior probability (or just “posterior” for short) of rolling doubles given that the first die is a 5. This probability is written P(doubles|Die1=5), where the “ | ” is pronounced “given.” What probabilities are about 14 --- Ch12 p.15 --- • Similarly, if I am going to the dentist for a regular checkup, the probability P(cavity) = 0.2 might be of interest; but if I go to the dentist because I have a toothache, it’s P(cavity | toothache) = 0.6 that matters. • It is important to understand that P(cavity)=0.2 is still valid after toothache is observed. When making decisions, an agent needs to condition on all the evidence it has observed. What probabilities are about 15 --- Ch12 p.16 --- What probabilities are about 17 [IMAGE-ONLY] --- Ch12 p.17 --- • The definition of conditional probability, Equation (13.3), can be written in a different form called the product rule: • The product rule is perhaps easier to remember: it comes from the fact that, for a and b to be true, we need b to be true, and we also need a to be true given b. What probabilities are about 18 ## 7. 逐字稿（2:29:37 前後各多 1 分鐘，原始行） [02:28:38] OK [02:28:40] 那所以說 [02:28:41] 雖然我們這裡講Online Search Agent [02:28:44] 或者這個Online Search Agent [02:28:46] 但它其實只是說 [02:28:48] 你不同的問題的定義 [02:28:51] 雖然說我們講了好多的Search [02:28:53] 對不對 [02:28:54] Online Search [02:28:55] Bean Search [02:28:56] 然後什麼什麼Search [02:28:57] 什麼什麼Search [02:28:58] 但雖然它都叫Search [02:29:00] 但是有時候它們的地位 [02:29:02] 是不太一樣的 [02:29:03] 有的時候是針對不同問題的定義 [02:29:05] 有的時候是不同的 [02:29:06] 不同的搜尋的策略 [02:29:08] 有的時候根本就是一種演算法 [02:29:10] 但是我們都叫它什麼什麼Search [02:29:13] OK [02:29:14] 好 [02:29:15] 那所以 [02:29:17] 最後面這裡就稍微講一下 [02:29:19] 這個所謂的Online Local Search [02:29:21] 這樣子 [02:29:22] 所以最後面這一塊 [02:29:23] 是比較聊聊天的 [02:29:25] 比較沒有具體的例子 [02:29:29] 好 [02:29:30] 所以講到這裡 [02:29:31] 我們就完成了第四章 [02:29:37] 接下來呢 [02:29:39] 我們就要進入到第十二章 [02:29:42] 一下怎麼跳那麼多 [02:29:44] 好 [02:29:46] 還記得我們在講那個 [02:29:48] 人工智慧的歷史的時候 [02:29:50] 我們就講說 [02:29:51] 在什麼1950年代 [02:29:54] 1955年 [02:29:55] 1956年出現了AI這個詞 [02:29:57] 後來就開始大幅的進展 [02:29:59] 然後大概到了 [02:30:01] 1980年代開始 [02:30:05] 就是會引入這個機率來進行 [02:30:09] 這個AI的發展 [02:30:11] 對不對 [02:30:12] 所以我們現在呢 [02:30:13] 其實就是直接從 [02:30:15] 整個General的AI的一些定義 [02:30:19] 我們直接就跳到1980年代1990年代 [02:30:22] 中間大概在冷戰時期 [02:30:27] 那時候大部分的AI的學者 [02:30:30] 在走的是符號邏輯學派 [02:30:33] 的那一些東西 [02:30:35] 因為到現在已經 [02:30:37] 真的幾乎沒有了 [02:30:39] 所以我們完全跳過 [02:30:42] 所以你從第四章 [02:30:44] 所以你如果去看我們那本很厚的書 [02:30:46] 第二個part [02:30:48] 什麼五六七八九十 [02:30:50] 這幾章 [02:30:51] 都在講那些符號邏輯學派的那些東西 [02:30:54] 那因為在現在這個年代 [02:30:57] 我等一下要講的這個東西 [02:30:59] 你都覺得很老了 [02:31:00] 更不用講那些東西就更老了 [02:31:02] 所以我們直接跳過 [02:31:04] 我們直接進入到第十二章 [02:31:06] 第十二章呢 [02:31:09] 我們開始要考慮一些所謂的 [02:31:12] 不確定性進來 [02:31:14] 所以在剛剛前面的第四章 [02:31:17] 我們已經有稍微講到一點點 [02:31:19] 就是說 [02:31:20] 如果今天這個環境裡面的資訊 [02:31:22] 我們只能夠部分觀察到 [02:31:25] 所以當我們在做一些決策的時候 [02:31:27] 有時候我們得要 [02:31:29] 我們可以盲目的嘗試 [02:31:33] 這是blind search [02:31:35] 那如果我們多知道一點點 [02:31:38] 我們有某種heuristic的話 [02:31:40] 我們可以用A star search [02:31:42] 對不對 [02:31:44] 好 [02:31:45] 那如果我們沒有heuristic [02:31:47] 或者說我們有heuristic [02:31:49] 我們如果去評判 [02:31:50] 走哪一步會比較好 [02:31:52] 那這時候呢 [02:31:53] 就有人提出說 [02:31:55] 我們應該要引入機率 [02:31:57] 因為機率天生 [02:31:59] 就是可以拿來表達所謂的不確定性 [02:32:02] 某一條路可能有用的機率有多高 [02:32:07] 你可以去進行這樣的一個評判 [02:32:09] 所以第十二章呢 [02:32:11] 我們其實主要是為大家複習機率 [02:32:15] 那你在整個AI發展的過程當中 [02:32:18] 你可以把它自己想像成 [02:32:20] OK我現在已經開始進入到90年代了 [02:32:23] 1990年代了 [02:32:25] 那種感覺 [02:32:27] 好 [02:32:29] 那他說啊 [02:32:30] 為什麼要引入uncertainty [02:32:32] 不確定性 [02:32:34] 我們需要處理不確定性 [02:32:36] 因為很多時候呢 [02:32:37] 我們只有partial observable [02:32:41] 我們只是部分知道 [02:32:43] 我們所處在這個agent [02:32:45] 只有部分知道你這整個環境的資訊 [02:32:48] 這整個PAS你只有部分知道的資訊 [02:32:52] 或者是說呢 [02:32:53] 你是non-determinant [02:32:57] 還記得這什麼意思嗎 [02:33:00] 就是說 [02:33:01] 有沒有你還記得那個 [02:33:02] 吸塵器的例子 [02:33:04] 假設你叫它往右轉 [02:33:06] 它沒有真的往右走呢 [02:33:09] 因為機器故障的關係 [02:33:11] 或者因為某種控制什麼的關係 [02:33:13] 或者是某一些noise的關係 [02:33:15] 你叫它往右走 [02:33:16] 它就沒有真的往右走 [02:33:18] 實體世界有這種情況啊 [02:33:20] 這就是non-deterministic [02:33:24] 或者是說你根本就是 [02:33:25] 環境也看得不清不楚 [02:33:27] 然後呢 [02:33:28] 你這臺機器也爛爛的 [02:33:30] 那種一些爛東西 [02:33:33] 然後呢 [02:33:34] 你叫它做一個什麼事情 [02:33:35] 然後就是 [02:33:36] 就是做不好 [02:33:38] 也許混合在一起 [02:33:40] 所以你的agent [02:33:41] 就是必須要處理一些uncertainty [02:33:46] 那agent呢 [02:33:48] may never know [02:33:50] for certain what state it's in [02:33:53] or where it will end up [02:33:55] after a sequence of actions [02:33:57] 所以很多實體世界當中的情況是這樣子的 [02:34:02] 那底下呢 [02:34:03] 我們就要來 [02:34:04] 主要用一個例子 [02:34:05] 來引導這整個說明 [02:34:09] 牙醫的例子 [02:34:11] OK [02:34:12] 假設呢 [02:34:13] 牙痛了 [02:34:14] 你牙痛了 [02:34:15] 你就看牙醫 [02:34:16] 這樣子 [02:34:17] 欸 [02:34:18] 如果你牙痛 [02:34:19] 你就看牙醫 [02:34:20] 我們現在牙醫要進行診斷呢 [02:34:22] 怎麼診斷 [02:34:23] 我們先試著 [02:34:25] 寫規則看看 [02:34:27] 所以 [02:34:28] Write a rule for dental diagnosis [02:34:31] using propositional logic [02:34:33] 這個propositional logic [02:34:35] 就是我們跳調的那幾個chapter [02:34:38] 在講的東西 [02:34:41] 它花了好幾個chapter [02:34:42] 在講這種propositional logic [02:34:45] 那我們來看一下 [02:34:46] 我們來看一下 [02:34:48] 為什麼寫propositional logic [02:34:50] 不會work [02:34:52] 所以可能是這樣啊 [02:34:53] 今天你牙痛了 [02:34:55] 你去看牙醫 [02:34:56] 假設這個牙醫心中 [02:34:58] 只有一條規則就是 [02:35:00] 你牙痛是不是 [02:35:01] 啊你蛀牙了 [02:35:03] 這樣子 [02:35:04] 你覺得這樣對嗎 [02:35:06] 事實上常常是不對的 [02:35:08] 你今天是會牙痛 [02:35:11] 有可能是引發 [02:35:13] 有可能 [02:35:14] 我就 [02:35:15] 我聽到你的描述說你牙痛 [02:35:17] OK [02:35:18] 如果我給你的結論 [02:35:21] 只有唯一一個就是 [02:35:22] 你有蛀牙 [02:35:24] 那這樣子常常會判斷錯 [02:35:27] 事實上這個規則有可能是 [02:35:29] 你牙痛是不是 [02:35:30] OK [02:35:31] 你可能是因為蛀牙 [02:35:33] 或者是你的牙齦有問題 [02:35:36] 或者是 [02:35:37] 你嘴巴有潰牙 [02:35:39] 你嘴巴破 [02:35:42] 或者是怎麼樣怎麼樣怎麼樣 [02:35:44] 或者是怎麼樣怎麼樣怎麼樣 [02:35:46] 這樣子才是一個距離實體環境 [02:35:49] 比較正確的一個描述嘛 [02:35:51] 對不對 [02:35:52] 好 [02:35:53] 當然不幸的是 [02:35:55] 你為了要讓這整個描述變得 [02:35:58] 合理而完整 [02:36:00] 你這個後面這個or [02:36:02] or or [02:36:03] 你可能or不完啊 [02:36:04] 你這個條件太多了 [02:36:06] OK [02:36:08] 你牙痛 [02:36:09] 你牙痛說不定是因為 [02:36:10] 你剛剛走路撞到門 [02:36:12] 你牙齒在那邊流血啊 [02:36:14] 對不對 [02:36:15] 有可能是這樣啊 [02:36:16] 你有可能是神經痛啊 [02:36:18] 你牙沒有問題 [02:36:20] 你是神經在痛啊 [02:36:21] 好 [02:36:22] 各自怎麼樣 [02:36:23] 好那你說 [02:36:24] 不然這樣子 [02:36:25] 我可不可以改過來 [02:36:26] 寫另外一個規則 [02:36:27] 就是說 [02:36:28] 你只要有蛀牙 [02:36:30] 你就會牙痛這樣子 [02:36:32] 但其實這個規則也是錯的 [02:36:36] 也是錯的 [02:36:38] 不是所有的蛀牙都會造成牙痛啊 [02:36:42] 這樣子 [02:36:43] 所以這個也不對 [02:36:45] 好所以這裡就用這個例子來告訴你說 [02:36:48] 如果你要用logic [02:36:52] propositional的方式 [02:36:54] 來診斷牙痛的話 [02:36:58] 這根本就不切實際 [02:37:00] 所以這直接打臉 [02:37:02] 有沒有1960年代當時 [02:37:04] 理論那些 [02:37:06] 特級符號學派 [02:37:08] 當然當時還很久以前啊 [02:37:10] 他們就弄很多這種logic [02:37:12] 他就不是 [02:37:13] 我們在開學立唐課都講說 [02:37:15] OK [02:37:16] 只要你能夠把你的知識寫成logic [02:37:18] 我就一定有辦法證明啊 [02:37:20] 對不對 [02:37:21] 就講一大堆嘛 [02:37:22] 但你就從這個簡單的例子裡面 [02:37:25] 你就知道說 [02:37:26] 你光牙痛診斷這件事情 [02:37:28] 你就沒有辦法完整的寫出 [02:37:32] 原因是什麼 [02:37:33] 第一個 [02:37:34] laziness [02:37:36] 懶惰 [02:37:37] 就是說 [02:37:38] 你不管你這個proposition [02:37:40] 你是前項還是後項 [02:37:42] 可能都有一大堆要寫的 [02:37:45] 而且搞不好寫不完 [02:37:47] 你無法窮取出所有的原因 [02:37:49] 或者窮取出所有的結果 [02:37:52] 這是第一種阻礙 [02:37:55] 第二種阻礙是 [02:37:56] 有些東西 [02:37:58] 你可能由到目前為止 [02:38:01] 你也不知道為什麼會 [02:38:05] 會這樣子 [02:38:09] 當然牙痛可能已經研究很透徹了 [02:38:11] 但是比如說 [02:38:13] 失智症 [02:38:14] 比如說肺症 [02:38:15] 為什麼老人會失智 [02:38:17] 可能目前在醫學界 [02:38:18] 也沒有一個完整的理論來說 [02:38:21] 因為什麼什麼什麼 [02:38:23] 而什麼什麼什麼 [02:38:24] 你根本也沒有一個理論 [02:38:26] 完整的理論來描述它 [02:38:28] 所以你根本就寫不完 [02:38:30] 那個logic [02:38:32] 那也有可能是 [02:38:34] practical ignorance [02:38:36] 就算我們知道這些規則 [02:38:39] 我們 [02:38:40] ok [02:38:43] 就算我們有一個完整的規則 [02:38:45] 我們很多時候呢 [02:38:47] 也無法排除所有的情況 [02:38:51] 因為你可能要做各式各樣不同的檢查 [02:38:55] 比如說假設我們現在已經完全知道 [02:38:58] 為什麼老人會失智 [02:38:59] 他是因為腦子裡面的什麼 [02:39:02] 某種蛋白的累積 [02:39:04] 再加上血糖 [02:39:06] 血壓 [02:39:08] 等等等等 [02:39:09] 再加上某一種 [02:39:12] 細胞裡面的什麼什麼病變 [02:39:14] 整個綜合起來就一定會有失智 [02:39:17] 你即使你知道 [02:39:20] 你也變成你要做好多不同的檢查 [02:39:23] 你才知道說 [02:39:24] 他的什麼什麼什麼 [02:39:25] Alpha蛋白 [02:39:26] 濃度有到多少累積多少 [02:39:28] 再加上你的血液裡面的什麼指數等 [02:39:31] 你可能也 [02:39:33] 就實際應用上也太貴 [02:39:36] 這就是為什麼 [02:39:38] 沒有辦法光靠Peper-Z去模仿 [02:39:41] 那怎麼辦呢 [02:39:42] 我們現在的工具就是我們引入機率 [02:39:45] 講半天就是為了引入機率 [02:39:47] 那機率呢 [02:39:49] 提供了一個辦法 [02:39:50] 讓我們去摘要所謂的不確定性 [02:39:55] 這個不確定性有可能源自於 [02:39:58] 我們懶惰懶得寫這些前後項 [02:40:02] 或者是說 [02:40:03] 你實際在真正應用上 [02:40:05] 你就是沒有辦法做出百分之百的檢測 [02:40:08] 你只能夠用機率來summarize這件事情 [02:40:11] 那 [02:40:16] 所以你可以這樣子啊 [02:40:17] 比如說根據過去的統計經驗 [02:40:19] 你可以說 [02:40:20] 過去啊 [02:40:21] 百分之八十的牙痛的病患 [02:40:24] 我過去 [02:40:25] 我是一個老醫生 [02:40:27] 根據我過去看診三十年的經驗 [02:40:30] 百分之八十有牙痛的病人 [02:40:33] 他 [02:40:35] 有助療 [02:40:37] 這句話沒有錯 [02:40:39] 對不對 [02:40:40] 沒有錯 [02:40:41] 但是呢 [02:40:42] 可能可以幫助我進行診斷 [02:40:45] OK [02:40:46] 那你可以根據 [02:40:47] OK [02:40:48] 你說你牙痛了是吧 [02:40:49] 那我心中就已經大概知道 [02:40:51] 你八成是有助療 [02:40:53] 那接下來我再做一些檢測 [02:40:55] 我再多看了一些證據之後 [02:40:57] 那我就可以 [02:40:59] 百分之九十五認定 [02:41:01] 你有沒有助療過 [02:41:03] 有助療過沒助療過 [02:41:04] 以此類推 [02:41:06] 好 [02:41:07] 那 [02:41:08] 所以說呢 [02:41:09] 他說機率啊 [02:41:10] 基本上有修過機率統計 [02:41:12] 應該大概會有很多修過機率統計吧 [02:41:14] 好我們接下來就是複習 [02:41:16] 機率基本上是根據你目前已知的資訊 [02:41:20] 它是跟你目前已知的資訊是搭配在一起的 [02:41:24] 好 [02:41:25] 比如說 [02:41:26] the probability that the patient has a cavity [02:41:29] given that she has a toothache is 0.8 [02:41:33] 好 [02:41:34] 就是說 [02:41:35] 他有牙痛的情況下 [02:41:37] 他有助療的機率是百分之八十 [02:41:40] 好所以我觀測到的是他已經牙痛了 [02:41:44] 在他已經牙痛 [02:41:45] 我知道我看到這個事實的情況之下 [02:41:48] 他有助療的機率是百分之八十 [02:41:51] 這樣 [02:41:52] 那也許 [02:41:53] 接下來醫生就看一下他這個人的病歷呀 [02:41:56] 發現他過去有牙齦的一些疾病的歷史 [02:42:01] 好那這時候 [02:42:03] 我有了新的evidence [02:42:04] 我有新的資訊了 [02:42:08] 給第一個這個病人有牙痛 [02:42:10] 而且他有牙齦 [02:42:11] 他有牙齦的疾病史 [02:42:15] 他有助療的機率是0.4 [02:42:19] 因為我有了一個新的knowledge進來 [02:42:23] 我多參考了一個新的knowledge [02:42:26] 所以我去update [02:42:28] 我整個機率的推算 [02:42:30] 好 [02:42:31] 那我收集越多的evidence [02:42:34] 我就可以越精準的來描述他的狀況 [02:42:37] 他說 [02:42:38] 這個病人呢 [02:42:40] 我們 [02:42:41] 根據目前我們所得知的所有的證據 [02:42:46] 他有牙痛 [02:42:47] 他有牙齦的疾病史 [02:42:50] 我給他拍了S光 [02:42:52] 我看得到的嘴巴用燈去照 [02:42:58] 去看 [02:42:59] 根據這以上所有的證據 [02:43:02] 他有助療的機率等於0 [02:43:06] 這樣子 [02:43:07] 這是有可能的 [02:43:08] 我看到任何 [02:43:10] 我基於這些證據 [02:43:12] 我就判別說 [02:43:14] 他有助療的機率等於0.4 [02:43:17] 以上這三句話 [02:43:18] 每一句都是對的 [02:43:20] 好 [02:43:21] All these statements do not contradict each other [02:43:26] 這些句子 [02:43:27] 這些statements [02:43:29] 都沒有矛盾喔 [02:43:31] 所以他基於不同的knowledge base的情況之下 [02:43:35] 我去預估這個機率就會不一樣 [02:43:38] 每一句都是對的 [02:43:39] 對 [02:43:40] 所以這邊只是要跟大家強調說 [02:43:43] 你在預估一個機率的時候 [02:43:45] 其實是根據你現有已知的某一些資訊來去預估這個機率 [02:43:49] 這樣 [02:43:53] 好 [02:43:54] 那 [02:43:55] OK [02:43:56] 所以引入機率之後呢 [02:43:57] 我們之前提到一些 [02:44:01] utility based agent [02:44:03] 大家還記得嗎 [02:44:04] 我們在第二章 [02:44:05] 介紹我們的agent是什麼 [02:44:07] 從最簡單的基本反射的agent [02:44:10] 然後再來goal based agent [02:44:11] model based agent [02:44:12] 再來是utility based agent [02:44:14] 對不對 [02:44:15] 我們現在進入到utility based agent [02:44:17] 當你面對你觀測到某一些訊息 [02:44:20] 你要決定哪一些動作效益最高的時候 [02:44:24] 你就可以引入機率 [02:44:28] 那所以就讓agent呢 [02:44:32] 他對你不同的動作有一些偏好 [02:44:36] utility theory says that [02:44:38] every state has a degree of usefulness or utility [02:44:41] 有某一些效益 [02:44:44] 那我們應該會偏向於 [02:44:47] 讓效益最大化的那樣子的動作 [02:44:51] 好 [02:44:54] 那所以說呢 [02:44:55] 考慮到機率 [02:44:57] 考慮到效益兩個整合起來呢 [02:44:59] 就是你可以做決策 [02:45:01] 你做決策 [02:45:03] 那 [02:45:04] 所以說呢 [02:45:05] 這個所謂的discipline theory [02:45:07] 他其實就是說 [02:45:09] 一個agent呢 [02:45:10] 我們說他是理性的 [02:45:12] if and only if [02:45:14] he choose the action that yields the highest expected utility [02:45:18] 這句話我們在第二章也講過 [02:45:20] 什麼叫做是一個理性的agent呢 [02:45:23] 就是根據他現有的資訊 [02:45:26] 他去做出能夠極大化效益的那種agent [02:45:32] 就叫做rational agent [02:45:34] ok [02:45:36] 那這個principle呢 [02:45:37] 也叫做maximal expected utility [02:45:39] 就是極大化 [02:45:41] 預估的效益 [02:45:47] 機率呢 [02:45:48] 基本上就是在描述 [02:45:50] 某一個世界出現的狀況 [02:45:53] 去描述它的uncertainty [02:45:55] 好 [02:45:56] 那所有可能出現的狀況呢 [02:45:59] 就稱呼叫做simple space [02:46:02] 好 [02:46:03] 所以舉個例子來講 [02:46:04] 丟兩顆骰子 [02:46:06] 你可能可以出現36種狀況 [02:46:09] 好 [02:46:10] 比如說兩顆都丟出1啊 [02:46:12] 一顆丟出1 [02:46:13] 第一顆丟出1 [02:46:14] 第二顆丟出2啊 [02:46:16] 好 [02:46:17] 或者一直到第一顆丟出6 [02:46:18] 第二顆丟出6啊 [02:46:20] 所以總共 [02:46:21] 第一顆有6種狀況 [02:46:22] 第二顆有6種狀況 [02:46:24] 36種狀況 [02:46:26] 這36種狀況呢 [02:46:27] 我們稱呼它叫做simple space [02:46:30] 我們習慣呢 [02:46:31] 用大寫 [02:46:33] 大寫的字母來表達它 [02:46:35] 比如說 [02:46:36] 這個希臘字母大寫omega [02:46:38] 來代表這整個simple space [02:46:40] 小寫的omega呢 [02:46:42] 來代表了 [02:46:43] 在這個simple space裡面的某一個狀態 [02:46:47] 某一個狀態 [02:46:49] 好 [02:46:50] 那我們都知道嘛 [02:46:51] 你任何的某一個狀態出現的機率 [02:46:54] 介於0到1之間 [02:46:55] 你所有的狀態 [02:46:56] 在這個simple space裡面所有的狀態 [02:46:59] 出現的機率加起來要等於1嘛 [02:47:01] 那所以說呢 [02:47:04] 你是這36種狀態裡面的 [02:47:06] 任何某一個狀態出現的機率 [02:47:08] 就是36分之1嘛 [02:47:10] 這是古典機率 [02:47:11] 那很多時候 [02:47:15] 我們 [02:47:16] 有興趣的 [02:47:18] 可能不是單一的某一個狀態 [02:47:20] 我們可能是對某一種組合 [02:47:23] 我們比較有興趣 [02:47:24] 比如說我們對於 [02:47:26] 兩顆骰子的點數加起來 [02:47:28] 等於11的這件事情 [02:47:30] 我們感覺到有興趣 [02:47:32] 我們稱呼這種 [02:47:33] 叫做一個event [02:47:35] 一個event [02:47:37] 那或者是說呢 [02:47:38] 在AI裡面呢也稱呼 [02:47:40] 這是一個proposition [02:47:42] 你可以用文字來描述出一個proposition [02:47:45] 就是說 [02:47:46] 是對於 [02:47:47] 兩個骰子的點數加起來等於11 [02:47:49] 這件事情有興趣 [02:47:50] 請幫我估算 [02:47:51] 兩個骰子丟出 [02:47:53] 總和是11的機率這樣子 [02:47:56] 那對於每一個proposition呢 [02:48:00] 它的機率怎麼估 [02:48:04] 比如說一個proposition [02:48:06] 5 [02:48:07] 這個5出現的機率 [02:48:10] 就等於是 [02:48:11] 能夠造成 [02:48:13] 這個proposition的 [02:48:15] 所有的 [02:48:17] element [02:48:19] 所有的可能的情況的機率加總 [02:48:22] 講得文燒燒的 [02:48:24] 什麼意思啊 [02:48:25] 就是說假設我今天有興趣的是 [02:48:27] 總和為11點的情況 [02:48:30] 那有可能是什麼 [02:48:31] 就只有兩種狀況嘛 [02:48:32] 第一顆丟出5點 [02:48:34] 第二顆丟出6點 [02:48:35] 或者是第一顆丟出6點 [02:48:36] 第二顆丟出5點 [02:48:38] 對不對 [02:48:39] 所以我想要去預估說 [02:48:40] 總和是11點的機率 [02:48:43] 我就是把剛剛那兩種狀況的機率 [02:48:45] 個別都是1 3 6分之1 [02:48:47] 兩個加起來 [02:48:48] 6分之2 [02:48:50] 就這意思 [02:48:52] 寫成數學就是這樣 [02:48:55] OK [02:48:59] 所以這裡就講到這件事 [02:49:02] 講到這件事 [02:49:04] OK [02:49:05] 所以說呢 [02:49:06] 我們有興趣的proposition [02:49:08] 可能是 [02:49:09] 比如說總和41點的啦 [02:49:11] 或者說我們丟出來的 [02:49:13] 兩顆骰子 [02:49:14] 是同樣點數的啦 [02:49:16] 這些東西 [02:49:17] 那這些機率呢 [02:49:18] 到目前為止我們講的這些機率呢 [02:49:20] 都是unconditional [02:49:22] unconditional [02:49:25] 那也就是說沒有一些附帶的先決條件的 [02:49:30] 就是說某件事情出現的機率是怎麼樣 [02:49:32] 某件事情出現的機率是怎麼樣 [02:49:34] 好附帶一體 [02:49:37] 我現在看到一些數字 [02:49:38] 所以我要講第二個通關密因 [02:49:40] 這這麼突然 [02:49:42] 5665好了 [02:49:44] 請助教幫我記一下 [02:49:46] 因為等一下也快下課了 [02:49:48] 還活著的人應該不多了 [02:49:51] 第二個通關密因就是這一 [02:49:53] 剛剛講的這個 [02:49:55] 好 [02:49:57] 好 [02:49:58] 那 [02:49:59] 所以我們剛剛前面講的這些都是 [02:50:01] unconditional的probability [02:50:03] 那很 [02:50:04] 你在學機率的時候你就知道嘛 [02:50:06] 其實很多時候是 [02:50:07] 我們觀察到一些evidence [02:50:09] 我們當我們在看到某一個evidence的情況之下 [02:50:12] 某一件事情發生的機率 [02:50:14] 那這個機率就是所謂的conditional probability [02:50:17] conditional probability [02:50:20] 條件機率 [02:50:21] 所以比如說 [02:50:24] 在我看到第一顆骰子是五點的情況之下 [02:50:29] 那麼我兩顆骰子丟出來的點數是 [02:50:33] 一模一樣的機率是多少 [02:50:36] 是多少 [02:50:40] 第一顆已經是五點了 [02:50:42] 那其實你要讓它丟出來點數一模一樣 [02:50:45] 代表你第二個骰子也必須丟出五點 [02:50:48] 這件事情就會發生嘛 [02:50:50] 所以說呢這個機率就是等於多少 [02:50:52] 六分之一對不對 [02:50:54] 所以呢在數學上呢我們通常 [02:50:56] 用這個直線的這一槓 [02:50:58] 代表的是given [02:51:00] given [02:51:01] 第一個骰子等於五點的情況之下 [02:51:04] 你會丟出一雙的機率是多少 [02:51:08] ok [02:51:10] 好 [02:51:11] 那所以一樣回到這個牙醫的例子 [02:51:15] 今天 [02:51:17] 在某一個小鎮裡面 [02:51:19] 蛀牙的機率其實根據過去醫師的統計結果呢 [02:51:24] 可能是25% [02:51:26] 這樣子 [02:51:27] 好 [02:51:28] 那但是呢今天有一個人走進了我的診所 [02:51:33] 他說他牙痛 [02:51:35] 那他有蛀牙的機率呢 [02:51:38] 可能就上升到60% [02:51:40] 這樣子 [02:51:41] 好 [02:51:42] 那請注意喔 [02:51:44] 這兩個句話 [02:51:45] 這兩個機率都是對的 [02:51:47] 沒有互相衝突 [02:51:49] 沒有互相衝突 [02:51:55] probability [02:51:56] 只是這樣 [02:52:00] probability a given b [02:52:01] 是什麼意思呢 [02:52:02] 在知道b的 [02:52:04] 情況之下 [02:52:05] a的機率是多少 [02:52:07] 那這機率怎麼算呢 [02:52:09] 好在conditional probability裡面呢 [02:52:11] 大家以前學機率應該學過這個 [02:52:14] 它等於是probability b分之probability a and b [02:52:19] 的意思嘛 [02:52:21] 如果要講成白話 [02:52:22] 來我用白話把這個數學式子講一次 [02:52:26] 在知道b的情況之下 [02:52:28] a發生的機率怎麼算 [02:52:31] 那就等於是 [02:52:33] b發生的機率 [02:52:35] 分之a b都發生的機率 [02:52:39] 這就是把這個數學式子 [02:52:41] 翻譯成白話的意思嘛 [02:52:43] 對不對 [02:52:44] 在知道第一顆骰子是五點的情況之下 [02:52:47] 我會丟出一頓的機率是多少 [02:52:52] 就等於是丟出五點的機率 [02:52:55] 分之丟出五點 [02:52:58] 而且產生出一頓的機率 [02:53:02] 這個就是conditional probability [02:53:05] 我這邊可以講得比較快 [02:53:08] 因為大家應該都學過 [02:53:10] 那把剛剛上面的式子上面轉一下 [02:53:13] 你就變成是這個啊 [02:53:14] a b都發生的機率 [02:53:17] 就等於是什麼 [02:53:18] b發生的機率在乘上 [02:53:20] b發生的情況之下 [02:53:22] a發生的機率 [02:53:23] 那就叫做a b都發生的機率 [02:53:27] 這叫product rule [02:53:32] ok [02:53:33] 好 [02:53:34] 那所以呢 [02:53:36] 很快的走完這幾頁的影片 [02:53:38] 這完全都是複習 [02:53:40] 其實接下來也是複習啦 [02:53:42] 好接下來也是複習 [02:53:43] 不過呢 [02:53:44] 剛好這裡是一個小小段落 [02:53:46] 而且呢我們時間好像也快差不多了 [02:53:49] 我們看一下slide頭上面 [02:53:53] 沒有問題啦 [02:53:55] 那我們最後就要走一下抽獎的環節 [02:54:03] 我們用checkgpt [02:54:16] 我們才15 [02:54:17] 你才發出15張汗毛牌啊 [02:54:20] 確定喔 [02:54:21] 1到15 [02:54:22] 人不在場的就抽到也不算喔 [02:54:25] 從1到15 [02:54:27] 隨機抽出6位 [02:54:33] 6個數字 [02:54:35] 不能重複 [02:54:38] 確定喔 [02:54:41] 1到15 [02:54:42] 所以啊 [02:54:43] 線上的同學 [02:54:44] 我們成大才15個同學 [02:54:46] 坐在實體的這個課堂上 [02:54:48] 你看多可憐 [02:54:49] 我們號稱有130個人修啊 [02:54:52] 好來 [02:54:53] 等一下抽到的同學呢 [02:54:55] 欸你有沒有 ## 8. 寫作規則 （這是 `_筆記SOP.md` 第 3.1、4、5、6 節的濃縮版。兩者衝突時以 SOP 為準。） 讀者：碩士生，兩門課期末是英文考試。要只看筆記就能學會，講得比老師好懂。畫面要簡潔。 **概念優先（2026-09-26 主理人）**：主理人只想懂概念，不想補數學、不想看程式碼和座標圖。兩門課的考試也都是問答題、不考算式（AI W1 1:16:52；NLP W3 1:47:41、2:48:36）。所以： - 每段預設看得到的只有：白話摘要（2–4 句）＋**一句生活比喻**（例：模擬退火像投資理財，年輕時敢冒險、越老越保守）＋「考試可能怎麼問」一句。 - 數學推導、公式、手算、程式碼、座標圖，全部收進標題寫「（進階，可跳過）」的摺疊，例如「它到底怎麼運作？（進階，可跳過）」。每段最多一個進階摺疊，不要寫長篇計算。 - 演算法要能「用文字說出步驟」（考試可能要你描述），這一點放在預設看得到的地方，不用數字。 - **重心比例**：白話理論與概念模式（它在解決什麼問題、核心想法、跟別的方法差在哪、優缺點、生活比喻）占主要篇幅；數學與程式細節只用一兩句帶過，細節收進進階摺疊。 **圖文並茂（2026-09-26 主理人：不要只有文字）**： - 每章至少 2–3 個圖，放在**預設看得到**的地方，每個圖前後各用一兩句白話說明「這張圖在看什麼」。 - 流程、步驟、因果、比較 → 用 mermaid 流程圖（```mermaid，flowchart LR 或 TD；節點文字用中文、加雙引號；一張圖不超過 10 個節點）。 - 投影片上的示意圖、架構圖 → 用 [[IMG: …]] 放投影片圖。 - 仍守「每個 ## 段落最多一種視覺元素」。 ### 輸出兩個檔 1. `chNN.md`（Notion 寫法，不含頁面標題），結構固定： - 第一行：章節包第 1 節那行，原樣照抄。 - 第二行起（有數學段才寫）：**跳過提示**，每段一行，讓主理人看影片時知道從哪跳到哪。用章節包第 3b 節的候選當提示，對照第 7 節逐字稿確認（只標老師連續講公式、推導、矩陣、微積分、機率計算、程式細節超過約 1 分鐘的段落；概念講解和比喻不算）： `跳過提示：(1:31:02–1:35:40) 老師在推導梯度公式，聽不懂可以直接跳到 [1:35:40](YouTube 連結)，接著講「步長 α 怎麼選」。` - `## 重點`：三點中文，每點一到兩句。 - `## Exam-ready`：3–10 行英文，**從章節包的投影片文字逐字抄**，每行 `- **Term**: "原句"（Ch3 p.14）`。老師有明確證據才在行尾加 `【老師強調】(h:mm:ss)`。 **每一行下面一定要有一行縮排的中文解釋**（主理人英文不好，看不懂的英文等於沒用）： ``` - **Hill climbing**: "It keeps track of one current state and on each iteration moves to the neighboring state with highest value."（Ch4 p.5） - 中文：爬山法只記住「現在這一個狀態」，每一輪都移到分數最高的鄰居。白話：一直往比較高的地方走一步。 ``` 中文要先把句子意思講清楚，再補一句白話；最後用「英文（中文）」列出這句裡 1–3 個難字，例：sparse（稀疏）、distinct terms（不重複的字）。 **一行只放一句投影片原句**。同一頁有多句要考就拆成多行，每行各接一行中文；不要用分號串三句以上，不要把計算量 O(...) 塞進去。 - 章節包第 2 節的每一段：`## [h:mm:ss](連結) 標題`（照抄），下面 2–4 句白話摘要，其餘全部收進摺疊： ```
問句（例：用生活例子講，BFS 在做什麼？） 內容
``` 摺疊種類（需要才放）：用生活例子講？／它到底怎麼運作？／要先懂什麼？（老師假設你會的數學或概念，短版教學）／老師原話是什麼？（「原話」(h:mm:ss)，只放重要的，最多 5 句）。 - 「它到底怎麼運作？」要用一組小數字把這段的演算法**真的跑 1–3 步**（例：算出梯度、更新一次、比較兩個 α），不是只示範定義的加減乘除。全章盡量沿用同一組數字，讓前一段的答案能在下一段被驗證。 - 每段正文要回答讀者最可能卡住的一個「為什麼」。投影片公式方向跟題目相反、或投影片說「解不出來」時，用一兩句講出原因，自己補的標（我補充）。 - 投影片句子停在公式前（公式在圖裡）時：Exam-ready 在粗體詞條上補公式、引號內保持原句；正文寫出同一條式子。公式圖看章節包第 6 節列出的 PNG。 - `## Self-check`：2–4 題英文考題，答案收摺疊。**至少一題考老師強調的內容**；只出 explain／why／compare 這類問答題，**不出要代數字計算的題目**（考試不考算式）；不出「老師和投影片哪裡不同」這類不會考的題目。每題格式： ```
Q1. English question?（中文：中文題目） **Answer**: English answer. 中文：把答案完整講一遍（不是只翻一句），讓看不懂英文的人也知道要怎麼答。
``` - **最後一行**：章節包第 1b 節那行（下一章連結），原樣照抄。讓讀完的人直接點下一章。 - 不要把章節包或這份規則裡的指示句寫進筆記（例如「寫筆記時照投影片寫」「已改正 ASR 錯字」）。 - 長度：全文不超過 16,000 字元（跟 check_note.py 同一個數字）。**不要為了壓字數反覆刪改**（實測一章最多花 12 輪在刪字）；超過時只刪進階摺疊裡的第二組算例，比喻、比較表、圖說、「老師說不用背」的提醒都不刪。 - 預設看得到的正文不放計算量 O(...)、代號對照（例如 SMART 字母）、課本出處考據，一律移進進階摺疊。 2. `chNN.concepts.json`：JSON 陣列，4–12 個考試可能問的術語，每個物件： `name`（英文）、`zh`、`type`（概念／演算法／公式／人物事件／前置知識／行政）、`signal`（"老師說會考"／"老師強調"／"核心（我判斷）"／""）、`evidence`（有 signal 前兩種時必填：原句＋時間）、`definition_en`（投影片原句；沒有就註明 (textbook)／(lecture)／(my wording)）、`plain`（一句中文）、`a4`（≤150 字元英文，可夾極短中文；期末拼貼用的小方塊）、`time`、`slides`、`prereq`（英文名陣列）。 ### 風格鐵律 - 不用 emoji 或裝飾符號（✓✗★⚠ 都不要；→ 可以）。不用 callout。不用 `$`。時間不要用 code 樣式。 - 每個 `##` 段落最多一種視覺元素：一張圖、或一個表格、或一個 mermaid。 - 摺疊標題是問句，前面不加符號。 - 圖片最多 3 張，只放文字取代不了的圖。放法：單獨一行 `[[IMG: | 中文圖說]]`，PNG 用 `slides_to_png.py <圖片資料夾> <頁> --dpi=110` 產生。 - 考試訊號只在老師明確說時標。老師只說「不用背」「不講」就寫「注意：……」。 - 老師口誤或跟投影片不同：照投影片寫，加「注意：老師口頭說的是……」。 - 引用老師的話時，ASR 錯字改成正確的字。 ### 沒有投影片時 不要憑記憶逐字重現課本段落或數值表。英文定義用自己的話寫、句尾標 (my wording)；Exam-ready 每行標「（自擬，投影片待補）」。例子只用老師講的。 ### 寫完之後（只做一次） 跑檢查： `C:\Users\user\.cache\meeting-record\venv\Scripts\python.exe C:\Users\user\.claude\scripts\check_note.py --transcript <逐字稿> --slides <投影片 txt …> --start <起> --end <訖> --vid <影片 ID>` - STYLE／VISUAL／TIME／FORMAT：全部改掉。 - QUOTE：確認是不是你改正了 ASR 錯字（是就保留），不是就改成原文或拿掉引號。 - ENGLISH：確認是不是投影片斷行造成的（是就保留），不是就改成投影片原句。 **省額度守則**：章節包裡已經有你需要的全部資料。不要再去讀整份逐字稿、整份投影片、segments.json 或手冊。一次寫好整個檔（Write 一次），檢查後集中修改。