# 章節包：人工智慧導論（AI）W4（10/1）第 03 章「貝氏定理與腦膜炎例子」 Ch12 Part 3（2021 錄影）影片 0:00:00–0:18:47，YouTube ID bJM9vgr6iy4，逐字稿 C:\D槽\TAICA課程\人工智慧導論\第四周1151001\W4_人工智慧導論_Ch12_Part3.逐字稿.txt。Notion 章節頁 https://app.notion.com/p/3ecfc631b0308195b80eee3967f27362（頁 ID 3ecfc631b0308195b80eee3967f27362），頁面標題「03 貝氏定理與腦膜炎例子（0:00–0:18）」。 ## 1. 第一行（直接照抄，不要改） [人工智慧導論](https://app.notion.com/p/3e6fc631b0308131b213f0a3d93fe91d) › [W4（10/1）](https://app.notion.com/p/3ecfc631b03081e895d2c5f3aec0353e) › 03｜Ch12 Part 3（2021 錄影）影片 [0:00:00–0:18:47](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=0s)｜投影片 Ch12 p.40–47｜上一章 [02 用聯合分布推論與獨立性（0:15–0:41）](https://app.notion.com/p/3ecfc631b03081bdb8b1e658c224b992)｜下一章 [04 條件獨立與單純貝氏模型（0:18–0:31）](https://app.notion.com/p/3ecfc631b03081afb7ecc5dcaf0d4ce8) ## 1b. 最後一行（直接照抄，放在 Self-check 後面，當全頁最後一行） 讀完了嗎？下一章：[04 條件獨立與單純貝氏模型（0:18–0:31）](https://app.notion.com/p/3ecfc631b03081afb7ecc5dcaf0d4ce8)｜回到週頁：[W4（10/1）](https://app.notion.com/p/3ecfc631b03081e895d2c5f3aec0353e) ## 2. 各段標題（照順序；每段一個 ## 標題，直接照抄連結） - `## [0:00:01](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1s) 從 product rule 推出貝氏定理`　老師講什麼：把 product rule 的兩種寫法相等、兩邊同除 P(a)，得到 P(b|a)=P(a|b)P(b)/P(a)，老師強調這是機率推論最重要的式子。 - `## [0:01:45](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=105s) 推廣到隨機變數與其他證據`　老師講什麼：同一個式子可以寫成隨機變數的形式，也可以把其他已知證據 e 一起放進條件裡。 - `## [0:02:07](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=127s) 為什麼有用：因果方向與診斷方向`　老師講什麼：表面上只是換來換去，但實務上常常 P(effect|cause) 好取得、P(cause|effect) 很難直接估；由病因推症狀是因果方向，由症狀推病因是診斷方向。 - `## [0:05:53](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=353s) 腦膜炎例子：算出 0.0014`　老師講什麼：已知腦膜炎造成頸椎僵硬的機率 0.7、腦膜炎事前機率 1/50000、頸椎僵硬機率 0.01，代入貝氏定理得到頸椎僵硬的人有腦膜炎的機率只有 0.0014。 - `## [0:08:32](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=512s) 為什麼結果這麼小：事前機率`　老師講什麼：頸椎僵硬的事前機率遠高於腦膜炎，分子乘上很小的 P(m) 再除以相對大的 P(s)，結果就很低，跟直覺不一樣。 - `## [0:10:18](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=618s) 不算 P(s)：用正規化`　老師講什麼：可以只算分子，把有腦膜炎和沒腦膜炎兩種情況都算出來再正規化，代價是要多估 P(s|沒腦膜炎)；老師說 no free lunch，哪個好取得要看情況。 - `## [0:12:31](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=751s) 為什麼不直接統計診斷方向`　老師講什麼：很有經驗的醫生也許心裡知道頸椎僵硬的人五千個裡有一個是腦膜炎，這種情況確實不需要貝氏定理。 - `## [0:15:11](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=911s) 診斷知識很脆弱：大流行時要更新`　老師講什麼：腦膜炎大流行時 P(m) 升高，只靠經驗的醫生不知道怎麼調整，用貝氏定理的醫生可以代入新的 P(m) 算出更準的 P(m|s)；老師延伸到做事要跟著新資訊更新。 ## 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） - (0:00:01) [強調] 「Base rule是在做機率推論裡面最重要的一項原則跟工具。」 → 貝氏定理在機率推論中的地位 - (0:01:12) [強調] 「那這個式子大家不要小看它,它可以說是讓現代的AI系統,讓它有機率推論的最重要的一個式子。」 → 貝氏定理是現代 AI 機率推論最重要的式子 - (0:17:19) [強調] 「所以我要講的點就這個」 → 經驗得來的診斷機率在情況改變時會失準，貝氏定理能納入新的事前機率更新 ## 3b. 數學段候選（程式抓的，只是提示；寫「跳過提示」行用） 0:07:00–0:08:00 (60s, score 14) 機率 分之 乘上 等於 M代表的是有腦膜炎那把剛剛上面那些描述呢寫成機率形式就是說患有腦膜炎會造成頸椎告訴你有腦膜炎那他會有頸椎僵硬的機率是0.7腦膜炎的機率呢五萬分之一頸椎僵硬的機率呢0.01好那麼現在有一個人進來了有一個病人進來了未知的情況他說呢他頸椎僵硬那麼他患有腦膜炎的機率是多少呢 0:09:00–0:10:00 (60s, score 13) 機率 分子 分母 乘上 腦膜炎主要是因為這個分子分母的彼此對應的關係因為他說患有頸椎僵硬的機率其實遠高於患有腦膜炎的機率在這個地區患有頸椎僵硬的機率遠高於患有腦膜炎的機率因此雖然說患有腦膜炎會頸椎僵硬的機率是0.7這麼高 2 段候選（門檻 5.3 字／30 秒） ## 4. 這章摘要與重要度 （Ch12 Part 3 影片，時間是那支影片的時間）從 product rule 推出貝氏定理，說明它為什麼能「由果推因」，用腦膜炎例子算出反直覺的 0.0014，並解釋為什麼經驗統計的診斷機率比不上貝氏定理。（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） - 這週老師採非同步上課，給三支 2021 年錄的舊影片。各章的影片時間是那一支影片自己的時間，章節第一行寫了是哪一支。 - [Ch12 Part 2] 這支是 2021 年錄的舊影片（10/1 非同步上課三支之一），內容只有上課，沒有提到作業、日期或考試安排。 - [Ch12 Part 2] 影片最後在 0:41:36「講到這邊我們想先」句子講到一半就斷了，接續內容應在 Ch12 Part 3。 - [Ch12 Part 2] 老師引用的是課本舊版編號（equation 13.1、13.2；3rd edition 的機率章是 Ch13），今年課本第 4 版是 Ch12，公式編號可能不同。 - [Ch12 Part 2] Ch12 投影片本機沒有，章節的 Exam-ready 英文要用老師唸出的投影片英文句或自己的話（標 my wording），不要憑記憶背課本原文。 - [Ch12 Part 3] 這是 2021 年的錄影。片尾 0:31:05 老師說「下一次上課」會講 Bayesian network，這是 2021 年的課程安排，不代表今年的進度。今年接下來是 Ch13 Part 1 影片，內容剛好接得上。 - [Ch12 Part 3] Ch12 投影片本機沒有，slides 欄寫「Ch12（投影片待補）」。老師在 0:21:29 說「回去翻一下之前那幾頁」、0:27:48 說「最後兩頁」，都要等拿到投影片才能對頁碼。 - [Ch12 Part 3] 逐字稿 0:01:45–0:02:20 有語音辨識重複句和亂碼（日文、土耳其文碎字），內容只有「推廣到隨機變數、可以加入其他證據」一句，寫的時候不要照抄。 - [Ch12 Part 3] 語音辨識常見錯字：Base rule／Best Rule＝Bayes' rule、腦模擬＝腦膜炎、cursal＝causal、cost＝cause、to sac＝toothache、探身＝探針（probe）、basion network＝Bayesian network、頭影片＝投影片。 - [Ch12 Part 3] 預期中的 wumpus world 例子這支片沒有講；絕對獨立（天氣）只在 0:24:48 順口帶過一句，可能 Part 2 已經講過。 - [Ch13 Part 1] 這支是 2021 年錄的舊影片（10/1 非同步上課的三支之一）。影片裡沒有提到作業、日期或考試安排，所以沒有需要標成「2021 年說法」的行政資訊。 - [Ch13 Part 1] Ch13 投影片本機沒有，slides 欄一律寫「Ch13（投影片待補）」。老師口頭引用的是課本第 3 版的圖號（Figure 14.3），第 4 版對應的是 Ch13，拿到投影片後要再核頁碼。 - [Ch13 Part 1] 逐字稿把「貝氏網路」辨識成「被視網路／備試網路／被子網路／貝斯網路」，把 Earthquake 辨識成「R-squared／EarthCraft」，把 axioms 辨識成「axing」，把 It contains 辨識成「Lay contains」，寫筆記時要改回正確寫法。 - [Ch13 Part 1] 影片停在「怎麼建構貝氏網路」（0:48:13 老師說「稍微告一個段落」），本章第二大問題「怎麼用貝氏網路做推論」留到之後的影片。 - [Ch12 Part 2] Ch12 投影片本機沒有，無法對照頁碼；老師在 0:31:13 說「回到45頁」，指的是算 P(cavity|toothache)=0.6 那一頁（2021 版投影片 p.45），拿到投影片後可用來對齊頁碼。 - [Ch12 Part 2] 老師引用 equation 13.1、13.2（課本第 3 版編號），今年第 4 版是 Ch12，編號可能是 12.1、12.2，不確定。 - [Ch12 Part 2] 0:03:06 逐字稿寫 Weather 的機率「0.6、0.1、0.29、0.11」，0:03:3x 又說「0.6、0.1、0.29、0.01」；課本例子應是 0.01（加總才等於 1），以 0.01 為準。 - [Ch12 Part 2] 0:29:55 附近逐字稿把 0.008 有時寫成 0.08（例如 0:31:5x「0.12 除上 0.12 加 0.08」）；正確是 <0.12, 0.08>，正規化後 0.6／0.4（0.12/0.2=0.6），寫筆記時要統一成 0.08。 - [Ch12 Part 2] ASR 錯字很多：to sec／to snack／tootsack＝toothache、注牙＝蛀牙、join＝joint、the basic action Asian＝the basic axioms、正宗5＝正中午、random robot＝random variable、出題字的e＝粗體字的 e。0:02:02–0:02:34 有 Whisper 重複段落與亂碼（"propablythe patient...tis act"），內容是 P(cavity|¬toothache, teen)=0.1 的例子。 - [Ch12 Part 2] 影片開頭直接從隨機變數講起，沒有重講 W3 的條件機率與 product rule，只在 0:02:04 用「給定沒牙痛的青少年蛀牙機率 0.1」一句回顧，已併在第 1 章第 1 段。 - [Ch12 Part 2] 第 2 章約 25.7 分鐘，略超過 25 分鐘；獨立性（0:35:50 起約 6 分鐘）太短不足以單獨成章，所以併入第 2 章。 - [Ch12 Part 3] 只切成 2 章：第 1 章約 18.8 分鐘、第 2 章約 12.9 分鐘。第 2 章比 15 分鐘短一點，但它是一個完整主題（多證據、條件獨立、naive Bayes），又是片尾，切不出第 3 章，併進第 1 章會超過 30 分鐘，所以維持 2 章。 - [Ch12 Part 3] 沒有投影片，所以每段對應哪一頁沒辦法確認。老師的數字（0.7、1/50000、0.01、0.108、0.016、0.871／0.129）看起來跟 AIMA 課本一致，但沒有拿投影片核對過。 - [Ch12 Part 3] 老師在 0:20:28 一度把 0.016 唸成「0.01 呃 0.016」，應以 0.016 為準。 - [Ch12 Part 3] 0:13:47 老師說的「五千分之一」是假設中有經驗醫生的診斷數字，跟算出來的 0.0014（約 1/714）不一樣；寫筆記時要說清楚兩者是不同來源，不要混在一起。 - [Ch12 Part 3] 片尾 0:30:54 老師說「今天我們主要講的就是整個機遇的介紹」，聽起來 Part 3 是 2021 年某一堂課的結尾，Part 2 與 Part 3 可能是同一堂課的前後段，主 session 合併時可以留意章節之間是否有重疊。 - [Ch13 Part 1] 沒有投影片可對照，章節只能照逐字稿切，頁碼範圍全部待補。拿到 Ch13 投影片後要補每章的頁碼，並核對 Exam-ready 英文句。 - [Ch13 Part 1] 老師引用「figure 14.3」是課本第 3 版的編號（第 3 版貝氏網路在 Ch14，第 4 版在 Ch13），筆記引用圖號時要註明版本。 - [Ch13 Part 1] 0:23:21 逐字稿說聯合機率算出來是「0.00628」，課本的值是 0.000628（0.90×0.70×0.001×0.999×0.998）；同一段 John 打電話的機率被辨識成「0.98」，前面 0:13:31 說的是 0.9。不確定是老師口誤還是辨識錯，寫筆記時照課本數字寫，並加一句「注意」。 - [Ch13 Part 1] 逐字稿有大量貝氏網路的錯字（被視網路、備試網路、被子網路、貝斯網路）和英文辨識錯誤（R-squared＝Earthquake、Lay contains＝It contains、axing＝axioms），寫筆記與 Exam-ready 時要改正。 - [Ch13 Part 1] 全片沒有老師明說「會考／不考」的地方；emphasis 只列了帶強調語氣的句子（特別要注意、這是要注意的、ordering 很重要、不要忘了同一個分布）。 - [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.40 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p040.png - Ch12 p.41 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p041.png - Ch12 p.43 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p043.png - Ch12 p.44 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p044.png - Ch12 p.45 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p045.png - Ch12 p.46 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p046.png - Ch12 p.47 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p047.png --- Ch12 p.40 --- • Product rule can actually be written in two forms: • Equating the two right-hand sides and dividing by P(a), we get • This equation is known as Bayes’ rule (also Bayes’ law or Bayes’ theorem). This simple equation underlies most modern AI systems for probabilistic inference. Bayes’ Rule 51 --- Ch12 p.41 --- Bayes’ Rule 52 [IMAGE-ONLY] --- Ch12 p.42 --- • On the surface, Bayes’ rule does not seem very useful. It allows us to compute the single term P(b | a) in terms of three terms: P(a | b), P(b), and P(a). That seems like two steps backwards, but Bayes’ rule is useful in practice because there are many cases where we do have good probability estimates for these three numbers and need to compute the fourth. • Often, we perceive as evidence the effect of some unknown cause and we would like to determine that cause. In that case, Bayes’ rule becomes Applying Bayes’ rule: The simple case 53 --- Ch12 p.43 --- • The conditional probability P(effect | cause) quantifies the relationship in the causal direction, whereas P(cause | effect) describes the diagnostic direction. • In a task such as medical diagnosis, we often have conditional probabilities on causal relationships (that is, the doctor knows P(symptoms | disease)) and want to derive a diagnosis, P(disease | symptoms). • For example, a doctor knows that the disease meningitis (腦膜炎) causes the patient to have a stiff (僵硬) neck, say, 70% of the time. The doctor also knows some unconditional facts: the prior probability that a patient has meningitis is 1/50,000, and the prior probability that any patient has a stiff neck is 1%. Applying Bayes’ rule: The simple case 54 --- Ch12 p.44 --- • Letting s be the proposition that the patient has a stiff neck and m be the proposition that the patient has meningitis, we have • Notice that even though a stiff neck is quite strongly indicated by meningitis (with probability 0.7), the probability of meningitis in the patient remains small. This is because the prior probability of stiff necks is much higher than that of meningitis. Applying Bayes’ rule: The simple case 55 --- Ch12 p.45 --- • One can avoid assessing the prior probability of the evidence (here, P(s)) by instead computing a posterior probability for each value of the query variable (here, m and ¬m) and then normalizing the results. The same process can be applied when using Bayes’ rule. We have • Thus, to use this approach we need to estimate P(s | ¬m) instead of P(s). There is no free lunch—sometimes this is easier, sometimes it is harder. Applying Bayes’ rule: The simple case 56 --- Ch12 p.46 --- • One obvious question to ask about Bayes’ rule is why one might have available the conditional probability in one direction, but not the other. In the meningitis domain, perhaps the doctor knows that a stiff neck implies meningitis in 1 out of 5000 cases; that is, the doctor has quantitative information in the diagnostic direction from symptoms to causes. Such a doctor has no need to use Bayes’ rule. • Unfortunately, diagnostic knowledge is often more fragile (脆弱) than causal knowledge. If there is a sudden epidemic of meningitis, the unconditional probability of meningitis, P(m), will go up. Applying Bayes’ rule: The simple case 57 --- Ch12 p.47 --- • The doctor who derived the diagnostic probability P(m | s) directly from statistical observation of patients before the epidemic will have no idea how to update the value, but the doctor who computes P(m | s) from the other three values will see that P(m | s) should go up proportionately with P(m). Most important, the causal information P(s | m) is unaffected by the epidemic, because it simply reflects the way meningitis works. Applying Bayes’ rule: The simple case 58 ## 7. 逐字稿（0:00:00 前後各多 1 分鐘，原始行） [00:00:01] Base rule是在做機率推論裡面最重要的一項原則跟工具。 [00:00:13] 首先我們來看,我們之前講過這個Product rule, [00:00:16] Probability A and B就等於是Probability B乘上Probability A given B。 [00:00:22] 也可以是寫成這樣,是一樣的意思。 [00:00:26] 那你如果把等號左右兩邊,equate the two right hand side and divide it by probability A, [00:00:36] 就是說,因為等號左邊都一樣嘛,所以等號右邊,第一個式子的等號右邊跟第二個式子的等號右邊也一樣。 [00:00:45] 然後呢,大家同儲Probability A,那你就可以得到這個式子。 [00:00:51] 好,那這是什麼呢? [00:00:53] 那Probability B given A等於是Probability A分之Probability B乘上Probability A given B。 [00:01:00] 那這個Equation呢,稱為是Base rule,或者是Base law,或者是Base theory。 [00:01:12] 那這個式子大家不要小看它,它可以說是讓現代的AI系統,讓它有機率推論的最重要的一個式子。 [00:01:24] 就是我們要算, [00:01:25] 給定A的情況底下B出現的機率。 [00:01:28] 這機率怎麼算呢? [00:01:30] 就等於是A出現的機率分之B出現的機率在乘上B出現的情況底下A出現的機率。 [00:01:38] 好,那等一下我們會看到一些例子說明為什麼這個那麼重要。 [00:01:45] 好,那一樣的,我們可以把它推展到Random Variable的形式。 [00:01:50] 所以Probability Y given X就等於是Probability X分之Probability Y乘上Probability X given X。 [00:01:54] 好,那一樣的,我們可以把它推展到Random Variable的形式。 [00:01:55] 所以Probability Y given X就等於是Probability X分之Probability Y乘上Probability X given X。 [00:01:56] 好,那一樣的,我們可以把它推展到Random Variable的形式。 [00:01:57] 好,那一樣的,我們可以把它推展到Random Variable的形式。 [00:01:59] 甚至我如果有考慮其它的Evidence的話 [00:02:00] 甚至我如果有考慮其它的Evidence的話 [00:02:03] 也可以一起把它加進來。 [00:02:05] 也可以一起把它加進來。 [00:02:07] 好,那表面上這個Baselaw好像沒什麼用嘛。 [00:02:10] 好,那表面上這個Baselaw好像沒什麼用嘛。 [00:02:12] これは是讓我們從... [00:02:14] 我們要去算Probability B givenA。 [00:02:16] 我們只是把這個的計算寫成是Probability B跟Probability A。 [00:02:18] 我們只是把這個的計算寫成是Probability A跟Probability B跟Probability A givenB的一些値 cloth göster出來。 [00:02:20] 這個的計算呢 寫成是 [00:02:23] probability A, probability B 跟 [00:02:26] probability A given B 的一些相乘相除的結果 [00:02:29] 表面上好像沒什麼用 [00:02:32] 只是這樣子換來換去 [00:02:35] 但實際上 base rule is useful in practice [00:02:38] because there are many cases [00:02:41] where we do have good probability estimate [00:02:44] for these three numbers and the need to compute the force [00:02:47] 在很多實際的問題上 [00:02:50] 我們沒有辦法 [00:02:53] 直接去估算 [00:02:56] probability B given A [00:02:59] 但是實際上我們有辦法算出 [00:03:02] 這三個數字 [00:03:05] 相對來講比較容易算出probability A [00:03:08] given B 但是我們算不出probability B [00:03:11] given A 就資料的蒐集或者是 [00:03:14] 統計的時候有可能 [00:03:17] 常常會出現這樣的一個情況 [00:03:20] 比如說舉例來講我們常常是 [00:03:23] 看到了某一個 [00:03:26] 某一個結果 [00:03:29] 我們要去推估它的原因 [00:03:32] 所以我們常常想要做這個級率的運算 [00:03:35] 就是probability cost given effect [00:03:38] 就是說我們觀察到一件事情的 [00:03:41] 結果我們要去推 [00:03:44] 告訴你這個結果是長這樣 [00:03:47] 它的原因 [00:03:48] 它原因可能有原因一 [00:03:50] 原因二 [00:03:51] 原因三 [00:03:52] 那它個別這些原因的機率是多少 [00:03:56] 那這件事情是就有點類似說 [00:03:59] 我們在做醫療的診斷 [00:04:01] 我們看到的結果是你牙痛 [00:04:04] 那可能造成牙痛 [00:04:06] 可能有第一個原因第二個原因第三個原因 [00:04:09] 我們想要去推算這個原因 [00:04:11] 但這個機率很難算 [00:04:14] 那根據Best Rule [00:04:16] 我們可以把這個機率改寫成 [00:04:19] probability effect [00:04:21] 分支probability cost [00:04:23] 乘上probability effect given cost [00:04:26] 反而右邊雖然牽涉到三個機率 [00:04:29] 但這三個機率可能是好算的 [00:04:32] 可能是比較好取得的 [00:04:35] 好 [00:04:37] 那所以說呢probability cost [00:04:40] given cost [00:04:41] 我要去算effect [00:04:43] 這個呢是一個cursal direction [00:04:46] 就是這是一個因果關係 [00:04:48] 我告訴你原因 [00:04:50] 我告訴你一個原因 [00:04:51] 它會產生出哪些結果的機率是這個 [00:04:56] 我們可以利用這個機率來去推算 [00:04:59] 我告訴你結果 [00:05:01] 那它是某種原因造成這個結果的機率 [00:05:04] 所以這個是在做診斷 [00:05:07] 上面這個是在因果關係 [00:05:11] In a task [00:05:12] 比如說今天在一個醫療診斷的這個問題裡 [00:05:16] 某一個疾病導致於有某些症狀 [00:05:21] 這個叫做因果關係 [00:05:23] 給定這個疾病 [00:05:24] 那它產生出這種症狀 [00:05:27] 那這個是經過大量的研究之後 [00:05:31] 比如說統計之後 [00:05:33] 我們知道說它有這個疾病 [00:05:35] 那它會有哪些症狀 [00:05:37] 這是因果關係 [00:05:39] 那在一開始一個未知的 [00:05:41] 一個新的病人進來的時候 [00:05:43] 他只知道症狀 [00:05:45] 好 [00:05:46] 給定症狀 [00:05:48] 那它是什麼疾病造成這樣的症狀 [00:05:51] 這個就是在做診斷的 [00:05:53] 所以現在來舉個例子 [00:05:55] 一個醫生知道 [00:05:57] 這個腦膜炎 [00:05:59] 會造成 [00:06:01] 這個頸椎僵硬 [00:06:04] 腦膜炎 [00:06:06] 如果一個人患有腦膜炎 [00:06:08] 有百分之 [00:06:09] 是這樣的嗎 [00:06:15] 對 [00:06:16] 有百分之七十的機率 [00:06:19] 患有腦膜炎的人會頸椎僵硬 [00:06:23] OK [00:06:24] 那此外呢 [00:06:26] 這個醫生又知道一些unconditional的事實 [00:06:32] 比如說某一個地區 [00:06:34] 患有腦膜炎的機率是五萬分之一 [00:06:37] 那這個是可以藉由 [00:06:39] 普遍的統計而得的 [00:06:42] 比如說我們在某個地區 [00:06:45] 這個患有腦膜炎的機率是這樣 [00:06:47] 五萬分之一 [00:06:48] 那某個地區 [00:06:50] 頸椎僵硬的會是1% [00:06:54] 好 [00:06:55] 那假設令S代表的是頸椎僵硬 [00:07:00] M代表的是有腦膜炎 [00:07:02] 那把剛剛上面那些描述呢 [00:07:04] 寫成機率形式就是說 [00:07:06] 患有腦膜炎會造成頸椎 [00:07:09] 告訴你有腦膜炎 [00:07:10] 那他會有頸椎僵硬的機率是0.7 [00:07:13] 腦膜炎的機率呢五萬分之一 [00:07:16] 頸椎僵硬的機率呢 [00:07:18] 0.01 [00:07:19] 好 [00:07:20] 那麼現在有一個人進來了 [00:07:22] 有一個病人進來了 [00:07:23] 未知的情況 [00:07:25] 他說呢他頸椎僵硬 [00:07:27] 那麼他患有腦膜炎的機率是多少呢 [00:07:30] 那我們就可以利用Best Rule [00:07:32] 就寫成是 [00:07:33] Probability S分之Probability M [00:07:36] 乘上Probability S given M [00:07:39] 那把剛剛上面這些數字帶進去 [00:07:41] 0.01分之0.7乘上五萬分之一 [00:07:44] 就等於0.0014 [00:07:46] 所以一個人進來 [00:07:47] 他說他有頸椎僵硬 [00:07:49] 他患有腦膜炎的機率是 [00:07:52] 0.0014 [00:07:55] OK [00:07:56] 好 [00:07:57] 那這個機率呢 [00:07:59] 也許有點出乎你的意料之外 [00:08:02] 因為當你 [00:08:05] 當你在看到這個敘述的時候 [00:08:08] 就是說 [00:08:09] 有腦膜炎 [00:08:11] 的時候 [00:08:13] 會造成頸椎僵硬的機率 [00:08:15] 高達70% [00:08:18] 可是今天如果有一個病人進來 [00:08:21] 他說他頸椎僵硬 [00:08:24] 這個地區的病人進來了 [00:08:27] 他說他頸椎僵硬 [00:08:29] 他實際上患有腦膜炎的機率 [00:08:32] 只有0.0014 [00:08:34] 好像有一點超出 [00:08:37] 我們的直覺的預期對不對 [00:08:41] 好 [00:08:42] 那 [00:08:43] 呃 [00:08:44] 事實上呢 [00:08:45] the probability of 腦膜炎 [00:08:47] in the patient remains small [00:08:50] 事實上是很小的 [00:08:52] 那為什麼那麼小呢 [00:08:54] 其實是因為 [00:08:55] the prior probability of stiff necks [00:08:59] is much higher than that of [00:09:02] 腦膜炎 [00:09:04] 主要是因為這個分子分母的 [00:09:06] 彼此對應的關係 [00:09:08] 因為 [00:09:09] 他說 [00:09:11] 患有頸椎僵硬的機率其實遠高於 [00:09:13] 患有腦膜炎的機率 [00:09:16] 在這個地區 [00:09:18] 患有頸椎僵硬的機率 [00:09:21] 遠高於患有腦膜炎的機率 [00:09:24] 因此 [00:09:25] 雖然說 [00:09:27] 患有腦膜炎 [00:09:29] 會頸椎僵硬的機率是0.7這麼高 [00:09:32] 但是你看他的分子 [00:09:34] 他乘上一個 [00:09:36] 腦膜炎的事前機率是一個很小的值 [00:09:40] 一乘之後這個分子變很小 [00:09:42] 你除上這個相對大的分母 [00:09:45] 所以呢 [00:09:46] 你這整個預估出來的機率 [00:09:48] 就是這麼的低 [00:09:50] 就這麼的低 [00:09:52] 所以有的時候我們在 [00:09:54] 看到這些事實的陳述 [00:09:56] 好像 [00:09:58] 我們會推算出 [00:10:00] 某一件事情好像機率很高 [00:10:02] 但其實你真的下去算一下 [00:10:04] 他跟你的直覺不太一樣 [00:10:06] 好 [00:10:08] 那 [00:10:10] OK [00:10:13] 那 [00:10:16] 他說呢 [00:10:17] 其實 [00:10:18] One can avoid assessing the probability of the evidence [00:10:22] 就是說其實啊 [00:10:24] 這裡要應用到一個 [00:10:25] 我們剛剛曾經用過的一個招式 [00:10:27] 就是說 [00:10:29] 這裡啊這個分母 [00:10:31] 就是頸椎僵硬的機率 [00:10:35] 事實上他告訴我們說 [00:10:36] 其實啊 [00:10:37] 我們可以不用真的去evaluate這個 [00:10:40] 頸椎僵硬的機率 [00:10:41] 我其實也可以推算出 [00:10:43] 類似這樣的結果 [00:10:45] 那比如說就是這個probability [00:10:48] M given S [00:10:50] 這裡的大M就是有腦膜炎跟沒腦膜炎 [00:10:53] 還記得嗎 [00:10:54] 這個conditional probability可以寫成是 [00:10:57] 這個版本的 [00:11:00] 正規化的版本 [00:11:02] 它可以正規化 [00:11:04] 就是我只保留分子的部分 [00:11:06] 我分子的部分這裡是腦膜炎嘛 [00:11:08] 我可以分成有腦膜炎跟沒腦膜炎 [00:11:10] 的兩個狀況 [00:11:12] 就寫成這樣 [00:11:14] 那所以我可以完全不靠probability S [00:11:18] 我就把這兩個機率去算出來 [00:11:21] 撐開來 [00:11:22] 然後呢我再做一個正規化 [00:11:23] 其實可以得到一樣的一個結果 [00:11:27] To use this approach [00:11:29] We need to estimate [00:11:31] 但是呢就是說 [00:11:32] 當然了你如果要用這種方式的話 [00:11:35] 你得要去預估出 [00:11:36] 沒有腦膜炎的情況底下 [00:11:39] 頸椎僵硬的機率 [00:11:42] 你不算probability S [00:11:44] 那你但是要多一個這個東西 [00:11:46] 你要去進行預估 [00:11:48] There is no free lunch [00:11:49] Sometimes this is easier [00:11:51] Sometimes it is harder [00:11:53] 那這個機率到底好不好算呢 [00:11:55] 就看狀況而定 [00:11:57] 有的時候說不定是probability S比較好算 [00:12:01] 有的時候是這個比較好算 [00:12:03] 或者說也不講算啦 [00:12:05] 比較好取得啊 [00:12:07] 當你在做一些臨床的 [00:12:09] 一些統計的時候 [00:12:11] 也許有的時候是右邊這個比較好取得 [00:12:13] 也許有時候是左邊這個比較好取得 [00:12:15] 那就看狀況而定 [00:12:18] 所以這裡只是再次的 [00:12:20] 再提一次 [00:12:21] 你其實可以不用 [00:12:23] 那個分母的那個機率 [00:12:25] 你也可以去預估出 [00:12:26] 這個機率的值 [00:12:30] 好 [00:12:31] 那當在用這個base rule的時候 [00:12:34] 一個明顯的一個question就是說 [00:12:37] Why one might have available [00:12:40] the conditional probability [00:12:42] in one direction [00:12:43] but not the other [00:12:45] 你說 [00:12:46] 我們剛剛的動作是在算 [00:12:49] probability M given S嗎 [00:12:52] 那在計算這個機率的時候 [00:12:54] 我們得要用到probability S given M [00:12:57] 那你可能會覺得說 [00:13:00] 可是 [00:13:02] 我要計算這個M given S的時候 [00:13:04] 我要用到S given M [00:13:06] 那憑什麼 [00:13:08] 你如果可以得到S given M [00:13:10] 你幹嘛不能得到M given S呢 [00:13:13] 我這邊幹嘛要用一個倍式定義 [00:13:17] 你在那邊算來算去 [00:13:19] 我能不能直接根據統計 [00:13:21] 我就得到這個probability M given S呢 [00:13:24] 你可能會有一個這樣的一個疑問 [00:13:27] 那感覺不就是前後的一個對調而已嗎 [00:13:30] 順序對調而已嗎 [00:13:32] 事實上在這個腦模擬的這個domain [00:13:35] 醫生也許醫生知道說 [00:13:40] 這個頸椎僵硬呢 [00:13:45] 代表的這個 [00:13:47] 代表會有腦模擬的機率是五千分之一 [00:13:51] 也許他知道 [00:13:53] That is the doctor has quantitative information [00:13:56] in the diagnosis direction [00:13:58] from symptoms to cause [00:14:00] 就是說不定啦 [00:14:02] 有一個醫生非常有經驗 [00:14:04] 他常常看頸椎僵硬的病人 [00:14:08] 那他後來呢 [00:14:09] 也進行診斷 [00:14:10] 那真的確實有去知道說 [00:14:13] 這個病人是有腦模擬或沒有腦模擬的 [00:14:16] 他說不定他真的根據他過去 [00:14:18] 看了大量的病人之後 [00:14:20] 他的經驗統計起來 [00:14:23] 他的確也許他可以整理出 [00:14:26] 五千個頸椎僵硬的裡面 [00:14:28] 真的有一個是腦模擬 [00:14:30] 如果是這樣子 [00:14:31] 其實這個超級有經驗的醫生 [00:14:35] 當有一個新的病人進來 [00:14:38] 他說他頸椎僵硬的時候 [00:14:40] 他其實他心裡面已經有一個答案了 [00:14:42] 他知道說 [00:14:43] 這個頸椎僵硬的病人 [00:14:45] 他有腦模擬的機率是五千分之一 [00:14:48] 好 [00:14:50] 那你就不用這樣子算了 [00:14:52] 你就是根據你的經驗是 [00:14:54] 是這樣就可以了 [00:14:56] 有沒有可能呢 [00:14:57] 有可能 [00:14:58] 有可能 [00:14:59] 好 [00:15:00] 那你說這樣子那base rule就沒有用啦 [00:15:03] 好 [00:15:04] 如果在這樣的情況底下 [00:15:06] 這個醫生的確不需要用base rule [00:15:08] 好 [00:15:09] 但是很不幸的事情是說呢 [00:15:11] 這個診斷的知識是有一點脆弱的 [00:15:16] 他比這樣子的 [00:15:18] 他比較像是依賴他的個人的經驗 [00:15:23] 而不是根據一個更具有公信力 [00:15:27] 或者是累積更多的因果關係的事實而來的 [00:15:34] 比如說突然在某個情況底下 [00:15:37] 發生腦膜炎大流行 [00:15:40] 好 [00:15:41] 那如果在 [00:15:43] 因為某種原因 [00:15:45] 比如新的病毒 [00:15:46] 或者什麼病媒紋的傳播或怎麼樣 [00:15:49] 突然某個地區腦膜炎大流行 [00:15:52] 那這個時候unconditional probability [00:15:55] probability M就會升高 [00:15:57] 這個地區比如說 [00:15:58] 之前臺南不是有登革熱嗎 [00:16:00] 好 [00:16:01] 突然在某一個期間 [00:16:03] 腦膜炎大流行 [00:16:05] 那這個時候probability M [00:16:07] 就會增加 [00:16:09] 好 [00:16:10] 你probability M如果增加 [00:16:11] 如果在這個階段大流行階段 [00:16:14] 有一個頸椎僵硬的病人進來 [00:16:17] 這個時候 [00:16:18] 這個相當有經驗的醫生 [00:16:21] 還能夠說 [00:16:23] 他真正患有腦膜炎的機率只有五千分之一嗎 [00:16:27] 這個時候 [00:16:28] 他的經驗就不夠reliable [00:16:32] 就不靠譜了 [00:16:33] 為什麼 [00:16:34] 因為今天你probability M變了 [00:16:37] 相反的如果他用的是被試定理 [00:16:40] 在這裡的話 [00:16:42] 他有辦法納入新的probability M [00:16:47] 來估算出更為準確的probability M given S [00:16:54] 這樣大家懂我意思嗎 [00:16:56] 也就是說今天如果是腦膜炎大流行的期間 [00:16:59] 等於是我擁有了一些 [00:17:02] 我update了我的資訊 [00:17:04] 我擁有一些新的資訊 [00:17:06] 我根據新的狀況去update我的背景知識 [00:17:11] 那我有機會去update更準確的probability M given S [00:17:17] OK [00:17:19] 所以我要講的點就這個 [00:17:21] 就是說的確 [00:17:22] 雖然有可能一個超有經驗的醫生 [00:17:25] 根據他過去看診的經驗 [00:17:27] 我可以直接在心中預估出一個這個機率 [00:17:31] 可是這個機率 [00:17:32] 當情況變的時候 [00:17:35] 事實上是會變的 [00:17:37] 那你如果只是純粹都靠經驗 [00:17:40] 你沒有跟上新的時代 [00:17:42] 那麼你這個預估出來的機率 [00:17:44] 可能就是不準的 [00:17:46] 這個跟我們很多在科學上 [00:17:51] 政治上 [00:17:52] 社會上 [00:17:53] 人生 [00:17:54] 你說老腮乎 [00:17:57] 過去我做一個事情 [00:17:59] 我可能都常常怎麼做 [00:18:01] 那他就用他幾十年來累積的經驗 [00:18:03] 一直這樣子做 [00:18:04] 可是時代在改變嘛 [00:18:06] 說不定有新的工具 [00:18:07] 或新的什麼什麼資訊進來 [00:18:09] 或者因為全球暖化的關係 [00:18:11] 你就應該要怎麼樣會怎麼做比較好 [00:18:14] 你如果沒有跟著去update的話 [00:18:16] 那麼你做出來的結果可能就不好 [00:18:19] 其實就是這個意思 [00:18:22] 好 [00:18:23] 那所以這裡就講說 [00:18:24] 如果這個醫生還是堅持 [00:18:26] 根據他過去的經驗 [00:18:27] 去預估這個probability M given S的話 [00:18:30] 那他其實就have no idea [00:18:33] how to update the value [00:18:35] 但是如果這個醫生是根據base rule [00:18:38] 根據新的知識 [00:18:40] 來去預估這個probability M given S [00:18:43] 那他就可以做出更有效的判斷 [00:18:47] 好 [00:18:49] 那所以說呢 [00:18:50] 在這邊介紹了base rule的重要的內容 [00:18:55] 還有另外一個重要的意義 [00:19:01] 當我們有更多的資訊的時候 [00:19:05] 其實base rule呢 [00:19:07] 會讓我們有更彈性的這個能力 [00:19:11] 來combine更多的evidence [00:19:14] 好 [00:19:15] 所以what happens [00:19:16] when we have two or more pieces of evidence [00:19:19] 假設我們有更多的資訊 [00:19:21] 那怎麼整合呢 [00:19:23] 比如說 [00:19:25] a dentist conclude [00:19:27] if her nasty steel prop catch in the [00:19:31] 這個 [00:19:32] 哎 [00:19:33] 喇滴賽啊 [00:19:34] 就是說如果他的探身 [00:19:35] 他故意這個是書上這樣子寫了 [00:19:37] 如果他探身真的卡住了 [00:19:39] 好 [00:19:40] 那 [00:19:43] 本來呢 [00:19:44] 我們預估的是probability cavity given to sac ## 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。