# 章節包：人工智慧導論（AI）W4（10/1）第 04 章「條件獨立與單純貝氏模型」
Ch12 Part 3（2021 錄影）影片 0:18:47–0:31:39，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/3ecfc631b03081afb7ecc5dcaf0d4ce8（頁 ID 3ecfc631b03081afb7ecc5dcaf0d4ce8），頁面標題「04 條件獨立與單純貝氏模型（0:18–0:31）」。
## 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) › 04｜Ch12 Part 3（2021 錄影）影片 [0:18:47–0:31:39](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1127s)｜投影片 Ch12 p.48–55｜上一章 [03 貝氏定理與腦膜炎例子（0:00–0:18）](https://app.notion.com/p/3ecfc631b0308195b80eee3967f27362)｜下一章 [05 貝氏網路的定義與警報器例子（0:00–0:19）](https://app.notion.com/p/3ecfc631b0308143bb9bc5ea30a57b40)
## 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：[05 貝氏網路的定義與警報器例子（0:00–0:19）](https://app.notion.com/p/3ecfc631b0308143bb9bc5ea30a57b40)｜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）
- `## [0:18:49](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1129s) 合併多個證據：牙痛加探針卡住` 老師講什麼：有兩個以上證據時怎麼整合；牙醫知道牙痛又探針卡住後，查之前的聯合機率表正規化，得到有蛀牙 0.871、沒蛀牙 0.129。
- `## [0:21:08](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1268s) 變數一多查表做不下去，用貝氏定理改寫` 老師講什麼：聯合機率表不容易擴充，改寫成 α·P(cavity)·P(toothache∧catch|cavity)，改成估「有蛀牙時會出現這些症狀」的機率。
- `## [0:23:13](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1393s) N 個證據變數：2 的 N 次方種組合` 老師講什麼：再加上 X 光、飲食、清潔狀況等 N 個證據，表格會有 2 的 N 次方種組合，每格都要估很困難，需要對領域做額外的假設來簡化。
- `## [0:24:14](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1454s) 獨立與條件獨立` 老師講什麼：牙痛和探針卡住本身不一定獨立，但兩者都是蛀牙直接造成的，給定有沒有蛀牙之後就可以獨立，這叫 conditional independence。
- `## [0:25:49](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1549s) 拆成相乘：從指數變線性` 老師講什麼：符合條件獨立就能把 P(toothache∧catch|cavity) 拆成兩項相乘；實務上要靠大量資料判斷是否（近似）條件獨立；拆完後要估的數字隨變數數量線性成長而不是指數成長。
- `## [0:27:48](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1668s) 單純貝氏模型：一個原因多個症狀` 老師講什麼：一個原因加多個症狀的聯合機率＝原因的事前機率乘上每個症狀在該原因下的條件機率，能這樣拆就是因為條件獨立，這個機率分布叫 naive Bayes model。
- `## [0:29:39](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1779s) 為什麼叫 naive、實際表現` 老師講什麼：叫 naive 是因為症狀通常不是嚴格條件獨立，只是假裝它是，數學會簡單很多；又叫 Bayes classifier，實際在各領域表現都不錯。
- `## [0:30:50](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1850s) 總結與預告 Bayesian network` 老師講什麼：這部分從機率介紹導出最簡單的機率推論；下一步是用貝氏定理和條件獨立做 Bayesian network，老師說這是 1980 到 2010 年間 AI 的主流之一。
## 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）
（無）
## 3b. 數學段候選（程式抓的，只是提示；寫「跳過提示」行用）
0 段候選（門檻 3.2 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）用牙醫的牙痛加探針例子說明多個證據怎麼合併，帶出條件獨立讓計算從指數變線性，最後得到單純貝氏模型並預告 Bayesian network。（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.48 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p048.png
- Ch12 p.49 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p049.png
- Ch12 p.50 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p050.png
- Ch12 p.51 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p051.png
- Ch12 p.52 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p052.png
- Ch12 p.53 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p053.png
- Ch12 p.54 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p054.png
- Ch12 p.55 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch12_p055.png
--- Ch12 p.48 ---
•
What happens when we have two or more pieces of evidence? For example,
what can a dentist conclude if her nasty steel probe catches in the aching tooth
of a patient? If we know the full joint distribution (Figure 13.3), we can read
off the answer:
Using Bayes’ rule: Combining evidence
59
--- Ch12 p.49 ---
•
We know, however, that such an approach does not scale up to larger numbers
of variables. We can try using Bayes’ rule to reformulate the problem:
•
We need to know the conditional probabilities of the conjunction
toothache ∧catch for each value of Cavity.
•
If there are n possible evidence variables (X rays, diet, oral hygiene, etc.),
then there are 2n possible combinations of observed values for which we
would need to know conditional probabilities.
Using Bayes’ rule: Combining evidence
60
--- Ch12 p.50 ---
•
We need to find some additional assertions about the domain that will enable
us to simplify the expressions. The notion of independence in Section 13.4
provides a clue. It would be nice if Toothache and Catch were independent,
but they are not: if the probe catches in the tooth, then it is likely that the tooth
has a cavity and that the cavity causes a toothache.
•
These variables are independent, however, given the presence or the absence
of a cavity.
Using Bayes’ rule: Combining evidence
61
--- Ch12 p.51 ---
•
Each is directly caused by the cavity, but neither has a direct effect on the
other: toothache depends on the state of the nerves in the tooth, whereas the
probe’s accuracy depends on the dentist’s skill, to which the toothache is
irrelevant. This property is written as
•
This equation expresses the conditional independence of toothache and
catch given Cavity. We can plug it into Equation (13.16) to obtain the
probability of a cavity:
Using Bayes’ rule: Combining evidence
62
(13.17)
(13.18)
--- Ch12 p.52 ---
•
The general definition of conditional independence of two variables X and Y,
given a third variable Z, is
•
In the dentist domain, it seems reasonable to assert conditional independence
of the variables Toothache and Catch, given Cavity:
Using Bayes’ rule: Combining evidence
63
(13.19)
--- Ch12 p.53 ---
•
Given the assertion in Equation (13.19), we can derive a decomposition:
•
Conditional independence assertions can allow probabilistic systems to scale
up; moreover, they are much more commonly available than absolute
independence assertions.
Using Bayes’ rule: Combining evidence
64
--- Ch12 p.54 ---
•
The dentistry example illustrates a commonly occurring pattern in which a
single cause directly influences a number of effects, all of which are
conditionally independent, given the cause. The full joint distribution can be
written as
Naïve Bayes Models
65
--- Ch12 p.55 ---
•
Such a probability distribution is called a naive Bayes model—“naive”
because it is often used in cases where the “effect” variables are not strictly
independent given the cause variable. (The naive Bayes model is sometimes
called a Bayesian classifier.)
•
In practice, naive Bayes systems often work very well, even when the
conditional independence assumption is not strictly true.
Naïve Bayes Models
66
## 7. 逐字稿（0:18:47 前後各多 1 分鐘，原始行）
[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
[00:19:48] 如果今天他真的下去看診了
[00:19:50] 那麼
[00:19:51] 你在探身進去看診之前
[00:19:55] 你可能是有某一個預估的機率
[00:19:58] 你現在呢
[00:19:59] 探身下去探測了
[00:20:02] 然後呢有卡住或沒卡住了
[00:20:04] 這個時候醫生根據他有沒有卡住
[00:20:07] 他就得要去update
[00:20:09] 他的那個
[00:20:10] background knowledge
[00:20:12] 然後呢就要去update他預估
[00:20:14] 他有沒有
[00:20:16] 蛀牙的機率
[00:20:17] ok
[00:20:18] 好那在之前我們有說過
[00:20:20] probability cavity given to sac and the catch
[00:20:26] 這個機率就是有牙痛
[00:20:29] 呃
[00:20:30] 探針有卡住
[00:20:31] 好
[00:20:32] 那他cavity的狀況就是
[00:20:34] 0.108跟0.01
[00:20:36] 呃0.016吧
[00:20:38] 好
[00:20:39] 那你知道是有卡住的
[00:20:41] 有牙痛的
[00:20:42] 然後又有卡住的
[00:20:43] 那這個呢
[00:20:44] 你經過normalize之後呢
[00:20:46] 0.871
[00:20:47] 是有蛀牙的
[00:20:49] 0.129是沒蛀牙的
[00:20:51] 好
[00:20:52] 這個就跟
[00:20:53] 你探針還沒下去
[00:20:55] 你只是單純知道說牙痛
[00:20:58] 的時候
[00:20:59] 那所預估出來的機率就不一樣了
[00:21:01] 好
[00:21:05] 那但是我們知道說呢
[00:21:07] 欸
[00:21:08] 要是你今天的這個
[00:21:10] 呃
[00:21:11] variable的數量變得更多了
[00:21:14] 那他其實是不容易scale up
[00:21:17] 好如果說你的這個
[00:21:19] variable很多的話
[00:21:20] 那你要去算這個什麼join probability
[00:21:23] 其實是很複雜的
[00:21:24] 好
[00:21:25] 所以這時候呢我們可以使用base rule
[00:21:27] 來重新reformulate一下這個問題
[00:21:29] 好
[00:21:30] 就是說這個機率
[00:21:32] 可以描寫成
[00:21:34] 呃
[00:21:35] 可以倒過來有沒有
[00:21:37] probability cavity given這個東西
[00:21:40] 可以寫成是
[00:21:42] probability這個東西分支
[00:21:44] probability cavity在乘上
[00:21:46] probability cavity
[00:21:48] 欸
[00:21:49] toothache and catch given cavity
[00:21:52] 知道我在講什麼嗎
[00:21:54] 你去回去翻一下之前那幾頁頭影片
[00:21:57] 就是base rule了
[00:21:58] 然後呢
[00:21:59] 我把分母省略用一個α來寫
[00:22:02] 所以這個部分就是分子啊
[00:22:04] 你把它倒過來寫本來是
[00:22:06] cavity given
[00:22:08] 這個事情
[00:22:09] 現在變成什麼
[00:22:10] probability cavity乘上
[00:22:13] probability
[00:22:14] 這件事情given cavity
[00:22:16] 就倒過來寫
[00:22:18] 這個就是base rule嘛
[00:22:20] 對不對
[00:22:21] 好
[00:22:22] 那你要遇過這個機率
[00:22:23] 我可以把它倒過來寫變成這個啦
[00:22:26] 好
[00:22:27] 那
[00:22:28] 這個的話呢我們就得要知道說
[00:22:30] 呃
[00:22:31] 蛀牙的機率
[00:22:32] 他的視線機率在乘上
[00:22:34] 呃
[00:22:35] 如果有蛀牙的話
[00:22:36] 那麼會牙痛
[00:22:37] 而且探針會卡住的機率
[00:22:39] 我們就要去預估
[00:22:40] 這個conditional probability
[00:22:42] 好
[00:22:43] ok
[00:22:44] 那也許
[00:22:45] 呃
[00:22:46] 我們
[00:22:47] 就
[00:22:48] 比較容易取得這樣子的機率
[00:22:51] 而不容易算得這個機率
[00:22:53] 因為如果是
[00:22:54] 上面這個機率
[00:22:55] 我們
[00:22:56] 那是因為之前有這個table嘛
[00:22:58] 我們去查表
[00:22:59] 所以我們算得出這個機率啊
[00:23:01] 但是也許在一些實際的用途上
[00:23:04] 這個table裡面有些數值我們可能很難取得
[00:23:07] 所以
[00:23:08] 我們就得要去仰賴
[00:23:10] 這個東西嘛
[00:23:12] 好
[00:23:13] 那這只是一個簡單的例子喔
[00:23:15] 呃
[00:23:16] 如果今天有N個possible的evidence variable
[00:23:20] 比如說你可以照X光啦
[00:23:22] 醫生問你的飲食狀況啦
[00:23:24] 然後你的牙齒的清潔狀況啊什麼等等等等的
[00:23:28] 那這個時候就
[00:23:30] 你
[00:23:31] 如果還是依照這種
[00:23:33] table
[00:23:34] 見table
[00:23:35] 查table的形式
[00:23:36] 哇
[00:23:37] 那就不得了
[00:23:38] 你這個table就很大很大
[00:23:39] 好
[00:23:40] 你各個機率
[00:23:41] 每一格的機率
[00:23:42] 都要預估的出來
[00:23:43] 那這個就難了
[00:23:44] 對不對
[00:23:45] 好
[00:23:46] 那所以說呢
[00:23:47] 你如果有2的N次方這麼多種
[00:23:49] 啊
[00:23:50] possible的combination
[00:23:51] 那你這個table就很長很長
[00:23:54] 好
[00:23:55] 那這時候base rule呢
[00:23:56] 可以幫助我們來
[00:23:57] 有效率的來完成這件事
[00:24:00] 好
[00:24:01] we need to find some additional assertion
[00:24:04] about the domain
[00:24:05] that will enable us to simplify
[00:24:07] 好
[00:24:08] 那不只如此啊
[00:24:09] 不僅是我們可以做這樣的一個
[00:24:11] 呃
[00:24:12] 反轉
[00:24:13] 我們有時候呢
[00:24:14] 還可以考慮到independence的狀況
[00:24:17] 好
[00:24:18] 所以比如說
[00:24:19] 說不定啊
[00:24:20] 啊
[00:24:21] 如果說
[00:24:22] 呃
[00:24:23] 這個呃
[00:24:24] 有沒有牙痛
[00:24:25] 跟探針會不會卡住
[00:24:27] 如果這兩件事情是獨立的話
[00:24:29] 我們還可以把
[00:24:30] 這個再進一步的拆開簡化
[00:24:33] 好
[00:24:34] 拆開簡化
[00:24:35] 好
[00:24:37] 那但是我們當然知道了
[00:24:39] 這個有沒有牙痛跟探針有沒有卡住
[00:24:41] 可能是
[00:24:42] 可能不是獨立的啦
[00:24:43] 好
[00:24:44] 那
[00:24:47] 當然瞭如果是
[00:24:48] 比如說再加上一個天氣
[00:24:50] 天氣跟這些都是獨立的
[00:24:52] 那就可以特別的拆開這樣
[00:24:54] 好
[00:24:56] each is directly caused by the cavity
[00:24:59] the cavity
[00:25:00] but neither
[00:25:01] ok
[00:25:02] 好那這裡是講說呢
[00:25:03] 有的時候他們也許啊
[00:25:06] 牙痛跟探針有沒有
[00:25:08] 他們不是獨立的
[00:25:10] 啊
[00:25:11] 他們不是獨立的
[00:25:12] 但是呢
[00:25:13] 如果給定
[00:25:14] 他是有蛀牙或沒蛀牙的基礎之上
[00:25:18] 他就有可能是獨立的囉
[00:25:20] 啊
[00:25:21] 這個叫做conditional independence
[00:25:22] 這個也是
[00:25:23] 過去我們在學機率的時候
[00:25:25] 因為
[00:25:27] 蛀牙造成了
[00:25:29] 有可能會造成牙痛
[00:25:31] 也有可能造成
[00:25:32] 你探針會卡住
[00:25:34] 所以在給定你有蛀牙或沒蛀牙的情況底下
[00:25:37] 其實牙不牙痛
[00:25:39] 有牙痛
[00:25:40] 跟探針會被卡住
[00:25:42] 其實是
[00:25:43] 可能可以是獨立的
[00:25:45] 他們就是符合conditional independence
[00:25:48] 好
[00:25:49] 那如果符合conditional independence
[00:25:51] 那麼
[00:25:52] 我們就可以把
[00:25:54] 這個剛剛在寫在這裡的
[00:25:57] 這個
[00:25:58] 是conditional on cavity嘛
[00:26:00] 如果是
[00:26:01] 如果他們是conditional independence
[00:26:03] 我就可以把
[00:26:04] 左邊的這一項呢
[00:26:05] 又再拆分成
[00:26:07] 兩項相乘
[00:26:09] 就變成是底下這一個
[00:26:12] 就變成底下這一個
[00:26:13] 我們可以再
[00:26:14] 更進一步的
[00:26:15] 來
[00:26:16] 簡化
[00:26:17] 這樣子一個計算
[00:26:20] 那當然了
[00:26:21] 到底他們是不是conditional independence
[00:26:24] 以前我們學機率
[00:26:26] 其實從數學的觀點上
[00:26:27] 我們常常要去證明他
[00:26:29] 是或不是conditional independence
[00:26:32] 好
[00:26:33] 那在實際的問題上
[00:26:34] 我們可能得要經過
[00:26:36] 大量的這個資料的統計
[00:26:38] 那我們才能夠
[00:26:39] 去釐清說他是不是
[00:26:41] 或者是幾乎是不是
[00:26:43] conditional independence
[00:26:46] 好
[00:26:47] 那如果寫成這個
[00:26:49] random variable的形式
[00:26:50] 就是長這樣嘛
[00:26:52] 那所以這裡又again
[00:26:54] 這個又再重述一次
[00:26:55] 其實就是一樣的意思
[00:26:57] 好
[00:26:59] 那所以說呢
[00:27:00] 如果一切都很完美
[00:27:03] 這個join的
[00:27:05] probability density function
[00:27:07] 可以拆解成
[00:27:09] probability cavity
[00:27:10] 乘上probability
[00:27:12] 這兩件事情
[00:27:13] given cavity
[00:27:15] 那如果cavity
[00:27:16] 這兩個
[00:27:17] 牙痛跟探針有沒有卡住
[00:27:20] 是conditional independent的話
[00:27:22] 又可以進一步的拆解
[00:27:24] 變成這樣
[00:27:26] 那如果你可以這樣子拆的話
[00:27:28] 就會變成說
[00:27:29] 你要處理的這個
[00:27:31] 機率的這個形式啊
[00:27:32] 如果你有and個variable的話呢
[00:27:34] 你可以拆解成這個
[00:27:36] 它是linear的grow
[00:27:38] 而不是exponential grow
[00:27:43] OK
[00:27:44] 好
[00:27:46] 那好像講完了耶
[00:27:48] 最後最後最後兩頁頭影片
[00:27:50] 好
[00:27:52] 那
[00:27:54] 剛剛的這個這個
[00:27:56] 牙醫的這個例子
[00:27:58] 有點不太順
[00:28:02] 是怎麼樣
[00:28:03] 好
[00:28:06] 牙醫的這個例子呢
[00:28:10] 如果今天我們觀察到
[00:28:13] 它有好多的這個
[00:28:16] effect
[00:28:17] 就是說
[00:28:18] 我現在看到好幾個症狀
[00:28:20] 我今天呢
[00:28:21] 我常常是要估計的是一個
[00:28:22] full的join distribution
[00:28:24] 就是說
[00:28:26] 我有A症狀B症狀C症狀
[00:28:28] 然後呢
[00:28:29] 我的原因是什麼什麼的原因
[00:28:32] 我今天是因為什麼原因
[00:28:35] 造成什麼什麼什麼什麼症狀
[00:28:37] 這幾個共同發生在同一個病人身上嘛
[00:28:39] 好
[00:28:40] 那這個機率要怎麼求呢
[00:28:42] 那就是說天生
[00:28:44] 會有這個在這個地區有這個
[00:28:46] 有這個病的機率在乘上
[00:28:49] 我有這個病
[00:28:50] 產生出症狀一的機率在乘上
[00:28:52] 我有這個病
[00:28:53] 我會產生出症狀二的機率整個乘起來
[00:28:56] 所以這整個乘起來的結果
[00:28:58] 就是
[00:28:59] 就是這個join probability
[00:29:01] 好
[00:29:02] 那為什麼這個
[00:29:03] 這幾個不同的症狀可以這樣子
[00:29:05] 拆分開來乘呢
[00:29:07] 其實都是因為剛剛前面所說的
[00:29:10] conditional independence
[00:29:13] 好
[00:29:14] 如果這幾個症狀
[00:29:15] 你只要given
[00:29:17] 給定這個原因
[00:29:19] 他們是conditional independence的話
[00:29:21] 那他們就可以這樣子拆開來乘
[00:29:24] 那這件事情
[00:29:26] 如果說我們經過這樣子的一個推算
[00:29:29] 機率可以這樣子推算的話
[00:29:31] 這個就成為是一個naive的base model
[00:29:34] 這樣子的probability distribution
[00:29:37] 叫做naive base model
[00:29:39] naive這個字為什麼叫它呢
[00:29:41] 因為
[00:29:42] it's often used in cases
[00:29:44] where the effect variable are not strictly independent
[00:29:48] given the cause variable
[00:29:50] 就是說理論上它其實不是完全的
[00:29:53] conditional independent
[00:29:55] 但是我們假裝它是
[00:29:57] 那這種naive base的model呢
[00:30:00] 有時候又成為是base classifier
[00:30:03] 好
[00:30:04] 那
[00:30:05] 雖然它不是完美的
[00:30:07] 非常嚴格的conditional independent
[00:30:10] 但是我們
[00:30:12] 因為你數學上如果把它
[00:30:14] 假設成是conditional independent
[00:30:17] 那麼
[00:30:18] 我們這數學的這個計算就會容易很多
[00:30:20] 所以常常是數學上我們都假設它是
[00:30:23] 而實際我們應用的結果呢
[00:30:25] 發現這個naive base的system呢
[00:30:28] 其實通常也
[00:30:29] 運作的蠻不錯的
[00:30:31] 運作的蠻不錯的
[00:30:33] 雖然即使這個conditional independent assumption
[00:30:36] is not strictly true
[00:30:39] 它其實運作的也還蠻不錯的
[00:30:41] 在各個不同的領域
[00:30:43] 都運作的蠻不錯的
[00:30:45] 那這個呢就成為是naive base的model
[00:30:50] 那這個應該算是今天的最後一頁頭影片
[00:30:54] 那今天我們主要講的就是
[00:30:57] 整個機遇的介紹
[00:30:59] 然後呢最後的慢慢導出
[00:31:02] 機率推論這件事
[00:31:03] 這是最簡單的一個機率推論
[00:31:05] 那下一次上課我們就會進一步的
[00:31:09] 提到
[00:31:10] basion network
[00:31:12] 利用basion
[00:31:14] 的這個base rule
[00:31:15] 利用conditional independence
[00:31:17] 的這些內容
[00:31:18] 來進行一些事件機率的推導
[00:31:21] 那這一塊這個整個的領域
[00:31:24] 可以說是大概在
[00:31:26] 1980年代到2010年
[00:31:29] 的這二三十年間
[00:31:31] 最主要的一個主流
[00:31:33] 最主要的一個主流之一
[00:31:36] 好
## 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。