# 章節包：人工智慧導論（AI）W4（10/1）第 05 章「貝氏網路的定義與警報器例子」 Ch13 Part 1（2021 錄影）影片 0:00:00–0:19:02，YouTube ID MxNi_mjW4qs，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_Ch13_Part1.逐字稿.txt。Notion 章節頁 https://app.notion.com/p/3ecfc631b0308143bb9bc5ea30a57b40（頁 ID 3ecfc631b0308143bb9bc5ea30a57b40），頁面標題「05 貝氏網路的定義與警報器例子（0:00–0:19）」。 ## 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) › 05｜Ch13 Part 1（2021 錄影）影片 [0:00:00–0:19:02](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=0s)｜投影片 Ch13 p.2–8｜上一章 [04 條件獨立與單純貝氏模型（0:18–0:31）](https://app.notion.com/p/3ecfc631b03081afb7ecc5dcaf0d4ce8)｜下一章 [06 語意與建構網路的步驟（0:19–0:33）](https://app.notion.com/p/3ecfc631b03081f19fe0d87a2b1bbab2) ## 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：[06 語意與建構網路的步驟（0:19–0:33）](https://app.notion.com/p/3ecfc631b03081f19fe0d87a2b1bbab2)｜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） - `## [0:00:00](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=0s) 為什麼需要貝氏網路`　老師講什麼：一句帶過 Ch12 的聯合機率複習；老師說把所有機率都列出來太難，善用條件獨立可以大幅簡化計算，貝氏網路就是為此設計的資料結構，由 Judea Pearl 發揚光大。 - `## [0:02:58](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=178s) 定義：有向無環圖與 parent`　老師講什麼：每個節點是一個隨機變數，箭頭從 X 指到 Y 代表 X 是 Y 的 parent；圖不能有環，所以是 DAG；每個節點有一個在給定 parent 下的條件機率分布，量化 parent 對它的影響。 - `## [0:05:16](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=316s) 拓撲代表條件獨立`　老師講什麼：網路的連法（topology）決定了變數之間的條件獨立關係；箭頭通常代表因果，領域專家可以憑經驗把圖畫出來，之後只要知道 parent 狀況就能算出 child 的機率。 - `## [0:07:03](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=423s) 牙痛例子`　老師講什麼：Weather 跟其他三個變數獨立；Cavity 同時導致 Toothache 和 Catch，兩者之間沒有連線，代表在已知有沒有蛀牙時它們條件獨立。 - `## [0:09:25](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=565s) 竊賊警報器情境`　老師講什麼：舊式警報器偶爾會被地震觸發，鄰居 John 有時把電話聲誤當警報、Mary 常聽大聲音樂而沒聽到；問題是鄰居打電話來時，家裡真的遭竊的機率多高。 - `## [0:12:01](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=721s) 網路假設與機率數字`　老師講什麼：假設兩個鄰居不互相串通、都感覺不到地震；Alarm 有 Burglary、Earthquake 兩個 parent，老師逐一念出 prior（0.001、0.002）與 Alarm、JohnCalls、MaryCalls 的條件機率。 - `## [0:14:53](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=893s) 條件機率表 CPT 與事前機率`　老師講什麼：CPT 列出節點在各種 parent 值組合下的機率；k 個布林 parent 就有 2 的 k 次方列，非布林就是各 parent 取值數相乘；沒有 parent 的節點用事前機率 prior。 - `## [0:16:48](https://www.youtube.com/watch?v=MxNi_mjW4qs&t=1008s) 隱性因素收進不確定性`　老師講什麼：Mary 聽音樂、電話響等細節不另外畫成節點，而是彙整在 JohnCalls、MaryCalls 的機率裡；這樣小小的 agent 也能應付很大的世界，想更精確再加變數。 ## 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） - (0:16:48) [強調] 「那特別要注意一點」 → 情境裡的細節（Mary 聽音樂、電話響）沒有畫成節點，而是彙整進 JohnCalls、MaryCalls 的條件機率裡 ## 3b. 數學段候選（程式抓的，只是提示；寫「跳過提示」行用） 0:00:00–0:01:00 (60s, score 9) 機率 for 好來我們今天呢要講的是第十三章Probabilistic Reasoning那我們上次在第十二章其實花了蠻大的一個力氣在為大家複習機率然後呢把整個機率的表達的形式變得更為更為FORMAL更更更更...FORMAL中文怎麼講更為FORMAL更正式那我們為什麼要帶入機率呢 0:13:30–0:14:30 (60s, score 8) 機率 機率是0.001其實蠻低的地震發生的機率呢0.002這樣子那在這所以你有兩個你這個alone這個node有兩個parent就是有沒有竊賊跟有沒有地震那我們就可以寫一下它的conditional probability寫成一個表比如說又有竊賊又有地震我會想的機率是0.95有竊賊沒地震我想的機率0.94 0:16:00–0:17:00 (60s, score 7) 機率 矩陣 哇那你這個矩陣呢就會是要有5乘3這麼多個這麼多個entry好那沒有parent的node它也有一個機率這個就是所謂的事前機率所以就像這裡這個有沒有竊賊這上面沒有parent啊所以這個機率是什麼呢基本上就是這個地區經過長期的觀察之後那我們知道說 3 段候選（門檻 3.0 字／30 秒） ## 4. 這章摘要與重要度 （Ch13 Part 1 影片，時間是那支影片的時間）從 Ch12 的聯合機率接過來，定義貝氏網路（DAG＋條件機率表），用牙痛和竊賊警報器兩個例子示範怎麼畫圖、怎麼填 CPT。（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：** - Ch13 p.3 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch13_p003.png - Ch13 p.4 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch13_p004.png - Ch13 p.5 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch13_p005.png - Ch13 p.6 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch13_p006.png - Ch13 p.7 → C:\D槽\TAICA課程\_work\notes-v2\ai-w4\img\brief_Ch13_p007.png --- Ch13 p.2 --- • This chapter introduces Bayesian network. Representing Knowledge 2 --- Ch13 p.3 --- • Recall the variables Toothache, Cavity, Catch, and Weather. We argued that Weather is independent of the other variables; we argued that Toothache and Catch are conditionally independent, given Cavity. • The conditional independence of Toothache and Catch, given Cavity, is indicated by the absence of a link between Toothache and Catch. Representing Knowledge 3 --- Ch13 p.4 --- • You have a new burglar alarm (竊盜警報器) installed at home. It is fairly reliable at detecting a burglary, but also responds on occasion to minor earthquakes. • You also have two neighbors, John and Mary, who have promised to call you at work when they hear the alarm. John nearly always calls when he hears the alarm, but sometimes confuses the telephone ringing with the alarm and calls then, too. Mary, on the other hand, likes rather loud music and often misses the alarm altogether. Representing Knowledge 4 --- Ch13 p.5 --- Representing Knowledge 5 [IMAGE-ONLY] --- Ch13 p.6 --- • The network structure shows that burglary and earthquakes directly affect the probability of the alarm’s going off, but whether John and Mary call depends only on the alarm. • The network thus represents our assumptions that they do not perceive burglaries directly, they do not notice minor earthquakes, and they do not confer (協商) before calling. Representing Knowledge 6 --- Ch13 p.7 --- • The conditional distributions are shown as a conditional probability table, or CPT. • A node with no parents has only one row, representing the prior probabilities of each possible value of the variable. • The probabilities actually summarize a potentially infinite set of circumstances in which the alarm might fail to go off (high humidity, power failure, dead battery, cut wires, a dead mouse stuck inside the bell, etc.) or John or Mary might fail to call and report it (out to lunch, on vacation, temporarily deaf, passing helicopter, etc.). • In this way, a small agent can cope with a very large world, approximately. Representing Knowledge 7 --- Ch13 p.8 --- • We can calculate the probability that the alarm has sounded, but neither a burglary nor an earthquake has occurred, and both John and Mary call. Representing the full joint distribution 8 ## 7. 逐字稿（0:00:00 前後各多 1 分鐘，原始行） [00:00:00] 好來我們今天呢要講的是第十三章 [00:00:03] Probabilistic Reasoning [00:00:05] 那我們上次在第十二章其實花了蠻大的一個力氣 [00:00:10] 在為大家複習機率 [00:00:13] 然後呢把整個機率的表達的形式 [00:00:17] 變得更為 [00:00:19] 更為FORMAL更更更 [00:00:23] 更...FORMAL中文怎麼講 [00:00:25] 更為FORMAL更正式 [00:00:28] 那我們為什麼要帶入機率呢 [00:00:32] 所以說在往回推 [00:00:34] 我們當時在第四章的時候就講到說 [00:00:36] 那現實世界當中的很多的資訊都有不確定性 [00:00:40] 因此我們要引入機率 [00:00:43] 那到了第十二章呢 [00:00:44] 我們就把機率呢整個複習過了一次 [00:00:48] 到了第十三章我們就真的要利用機率 [00:00:51] 來做一些資訊的推論 [00:00:54] 好 [00:00:56] 那所以說呢我們在第十二章 [00:00:58] 我們就看到說我們常常要去預估 [00:01:01] 這個所謂的Joint Probability Distribution [00:01:04] 那它通常可以用來解答 [00:01:07] 我們想要了解的某一個問題 [00:01:10] 可能出現的機率有多高 [00:01:13] 那根據呢我們手邊 [00:01:15] 擁有的Evidence [00:01:16] 擁有的這個資訊 [00:01:18] 基於我們現有的這個資訊 [00:01:20] 那我們去預估 [00:01:22] 那麼某一件事情會出現的機率是怎麼樣 [00:01:25] 所以我們在第十二章就講到 [00:01:28] Joint Probability [00:01:30] 那為了要 [00:01:33] 但是呢機率我們顯然知道它是一個 [00:01:36] 相對比較有用的一個工具 [00:01:38] 但是在現實世界當中呢 [00:01:40] 我們要把所有的機率 [00:01:42] 都制定出來 [00:01:45] 事實上是蠻困難的 [00:01:47] 是蠻困難的 [00:01:49] 那而且我們從過去的經驗裡面也看到說 [00:01:52] 如果我們能夠妥善的應用獨立性 [00:01:55] Independence [00:01:57] 跟Conditional Independence [00:01:58] 的話 [00:02:05] 其實我們在計算這些Joint Distribution [00:02:07] Joint Probability Distribution的時候 [00:02:09] 我們的計算可以簡化很多 [00:02:11] 因此呢這一章我們主要就是要來介紹 [00:02:13] 能夠讓我們妥善利用 [00:02:15] Conditional Independence的 [00:02:17] 一個資料的結構 [00:02:19] 那這個就是所謂的 [00:02:21] 貝氏網路 [00:02:23] Bayesian Network [00:02:25] 而Bayesian Network它發揚光大 [00:02:28] 主要就在於 [00:02:30] 我們之前曾經介紹過的一個 [00:02:32] 什麼Judea Pearl [00:02:34] 這位學者之手 [00:02:36] 那如果你還直接再回想到 [00:02:38] 我們最早第一章第二章 [00:02:40] 在介紹AI的 [00:02:42] 這個歷史的時候 [00:02:44] Judea Pearl就是在1990年代 [00:02:46] 1980年代1990年代 [00:02:48] 去開發 [00:02:50] Probabilistic Reasoning [00:02:52] 他做出很多的貢獻 [00:02:54] 所以後來呢也拿到了Turing Award [00:02:58] 那一個貝氏網路是什麼呢 [00:03:00] 它其實是一個有像圖 [00:03:02] Direct Graph [00:03:04] 這個大家應該知道Direct Graph是什麼意思 [00:03:06] 那就是說 [00:03:08] 裡面有Age [00:03:10] 有Node [00:03:12] 那每一個Node都會有對應的 [00:03:14] 機率的資訊 [00:03:16] 那它的Age是一個有 [00:03:18] 方向性的Age [00:03:20] 所以叫做Direct Graph [00:03:22] 那每一個Node代表的是一個 [00:03:24] Random Variable [00:03:26] 而這個Random Variable可以是Discrete [00:03:28] 也可以是Continuous [00:03:30] 那 [00:03:32] 再來呢我的Link是怎麼樣 [00:03:34] 或者說我的這個Age [00:03:36] 是怎麼樣呢 [00:03:38] 如果有一個箭頭從Node X [00:03:40] 指向Node Y [00:03:42] 那我們就說X是Y的Parent [00:03:44] 好 [00:03:46] X是Y的父母 [00:03:48] 那因為是有像圖 [00:03:50] 那而且我們規定了 [00:03:52] 這個Graph呢 [00:03:54] 不能夠有Cycle [00:03:56] OK [00:03:58] Direct Acyclic Graph [00:04:00] Cycle的意思就是說 [00:04:02] 我X指到Y [00:04:04] Y指到Z [00:04:06] Z如果又指回X的話 [00:04:08] 那它就不是 [00:04:10] 它就會產生一個Cycle [00:04:12] 那被視網路是一個 [00:04:14] 沒有Cycle的有像圖 [00:04:16] 所以它是DAG [00:04:18] Direct Acyclic Graph [00:04:20] 好 [00:04:22] 那每一個Node的XI呢 [00:04:24] 都有一個Conditional Probability Distribution [00:04:26] 就是給定 [00:04:28] 的Parent [00:04:30] 那麼這個XI [00:04:32] 出現的機率 [00:04:34] 的這個Distribution [00:04:36] 就是Conditional Probability Distribution [00:04:38] 那它呢能夠 [00:04:40] 量化我這些 [00:04:42] 這個XI [00:04:44] 的Parent [00:04:46] 它的父母對於這個Node XI [00:04:48] 的影響是怎麼樣 [00:04:50] 它能夠量化這件事 [00:04:52] 這件事情就是用一個 [00:04:54] Conditional Probability Distribution [00:04:56] 來表達 [00:04:58] OK [00:05:00] 所以說呢被視網路是一個 [00:05:02] 用來表達 [00:05:04] 知識的一個有用的 [00:05:06] 一個資料結構 [00:05:08] 用來表達知識的 [00:05:14] 好那 [00:05:16] 那一個網路它的Topology [00:05:18] 長什麼樣子呢 [00:05:20] Topology的意思就是說 [00:05:22] 我的Node跟XI之間誰跟誰要連 [00:05:24] 那有幾個Node什麼等等的 [00:05:26] 這個叫Topology [00:05:28] 整個網路的 [00:05:30] 這個Topology [00:05:32] 就界定了 [00:05:34] 我這些Random Variable之間的 [00:05:36] Conditional Independence的關係 [00:05:38] OK [00:05:40] 那概念上來講 [00:05:42] 嗯 [00:05:45] 就是說 [00:05:47] 一個箭頭 [00:05:49] 代表的就是 [00:05:51] 我如果X有一個箭頭指向Y [00:05:53] 代表說我X呢 [00:05:55] 會直接影響到Y [00:05:57] 那代表的也是 [00:05:59] X可能是某種原因 [00:06:01] 它導致於Y [00:06:03] 這樣子的結果 [00:06:05] 那通常對於 [00:06:07] 我們要處理一些 [00:06:09] 知識的推論 [00:06:11] 或者是呈現 [00:06:13] 那對於Domain Asper [00:06:15] 對於這個領域的專家來講呢 [00:06:17] 他可能根據他的經驗 [00:06:19] 根據他擁有的知識 [00:06:21] 他可以去 [00:06:23] 手繪出這個 [00:06:25] 我這個被視網路 [00:06:27] 誰跟誰有關誰要放在Parent [00:06:29] 誰要放在這個Child [00:06:31] 誰會指向誰 [00:06:33] 他的知識背景 [00:06:35] 來把這個Graph畫出來 [00:06:37] 好 [00:06:39] 那一旦這個被視網路的Topology [00:06:41] 決定了之後 [00:06:43] 我們呢就可以根據 [00:06:45] 這個Topology [00:06:47] 那我們可以去計算 [00:06:49] 裡面任何一個Node的 [00:06:51] Conditional Probability Distribution [00:06:53] 只要告訴我 [00:06:55] Parent的狀況怎麼樣 [00:06:57] 我就能夠去預估出 [00:06:59] Child的Conditional Probability Distribution [00:07:01] Conditional Probability Distribution [00:07:03] 那我們再回到 [00:07:05] 之前我們曾經舉過的一個例子 [00:07:07] 就是牙痛的那個例子 [00:07:09] 我們從這個例子呢 [00:07:11] 來慢慢的介紹被視網路 [00:07:13] 所以當時我們講到有四個變數 [00:07:15] 牙痛 [00:07:17] 有沒有牙痛 [00:07:19] 然後呢有沒有蛀牙 [00:07:21] 我探針有沒有卡住 [00:07:23] 跟天氣怎麼樣 [00:07:25] 那之前我們也提到過了 [00:07:27] 其實天氣怎麼樣 [00:07:29] 跟另外三個變數是獨立的 [00:07:31] OK [00:07:33] 牙痛有沒有卡住 [00:07:35] 其實是Depends on [00:07:37] 有沒有蛀牙 [00:07:39] 所以其實如果是以這四個變數來講 [00:07:41] 他們之間的關係呢 [00:07:43] 就可以表達成下面這個圖 [00:07:45] 就是Whether這個變數是 [00:07:47] 獨立於其他三個人的 [00:07:49] 那這三個人呢 [00:07:51] Cavity [00:07:53] 他可能會導致牙痛 [00:07:55] 也有可能會導致於 [00:07:57] 探針卡住 [00:07:59] 所以這個就是一個有像圖 [00:08:01] 一個沒有Cycle的有像圖 [00:08:05] 那Conditional independence of [00:08:07] tooth egg and the catch [00:08:09] given cavity is indicated [00:08:11] by the absence of link [00:08:13] between tooth egg and the catch [00:08:15] 所以這 [00:08:17] 要講的事情是說 [00:08:19] 牙痛跟探針卡住 [00:08:21] 這兩個變數 [00:08:23] 基本上是怎麼樣 [00:08:25] Conditional independence [00:08:27] Condition on cavity [00:08:29] 在告知你 [00:08:31] 有沒有蛀牙的情況底下 [00:08:33] 有沒有牙痛 [00:08:35] 跟探針會不會卡住 [00:08:37] 這兩件事情是 [00:08:39] 獨立的 [00:08:41] 是獨立的 [00:08:43] 所以說這兩個之間沒有任何的 [00:08:45] 連結 [00:08:47] 主要的原因是 [00:08:49] 在告訴你他的Parent [00:08:51] 的情況底下 [00:08:53] 其實這兩個是獨立的 [00:08:55] 那這件事情表達在哪裡呢 [00:08:57] 就是表達在 [00:08:59] 我Tooth egg跟Catch之間 [00:09:01] 沒有link [00:09:03] 這件事情上 [00:09:05] 那概念上 [00:09:07] 我們知道蛀牙 [00:09:09] 可能會導致牙痛 [00:09:11] 蛀牙可能會導致 [00:09:13] 你探針會不會卡住 [00:09:15] 那但是呢 [00:09:17] 牙痛跟探針有沒有卡住 [00:09:19] 他是Conditional independence [00:09:23] 好 [00:09:25] 那我們再舉另外一個例子 [00:09:27] 假設你有一個切到的警報器 [00:09:29] OK [00:09:31] 你放在家裡面 [00:09:33] 那他基本上 [00:09:35] 是還蠻reliable的 [00:09:37] 但有時候呢 [00:09:39] 也會錯 [00:09:41] 所以你看啊這個又是一個 [00:09:43] non deterministic [00:09:45] 的一個情境 [00:09:47] 那所以說呢 [00:09:49] 如果你家裡被 [00:09:51] 竊賊闖入的話 [00:09:53] 你這個竊到的警報器 [00:09:55] 可能就會在那裡響 [00:09:57] 那這個竊到警報器是那種比較舊的 [00:09:59] 舊式的 [00:10:01] 他沒有連網路 [00:10:03] 所以說呢他並沒有說 [00:10:05] 透過什麼IOT啊 [00:10:07] 送一個email給你 [00:10:09] 會送一個簡訊給你 [00:10:11] 沒有他就是會在那邊響 [00:10:13] 吸引人家注意這樣子 [00:10:15] 之所以是舊型的這個警報器 [00:10:17] 那響的時候誰會聽到呢 [00:10:19] 就你的鄰居嘛 [00:10:21] 那假設你有兩個鄰居John跟Mary [00:10:23] 那這兩個 [00:10:25] 都是好鄰居 [00:10:27] 他們都保證說呢 [00:10:29] 每次他聽到你家的警報器響了 [00:10:31] 他就會打電話給你 [00:10:33] 但是呢每個人 [00:10:35] 又有每個人不同的個性 [00:10:37] John他其實很好 [00:10:39] 每次他聽到警報器響的時候 [00:10:41] 他就會打給你 [00:10:43] 但有的時候啊 [00:10:45] 他耳朵不太好 [00:10:47] 他會有點confuse [00:10:49] 有時候其實不是你家的警報器在響 [00:10:51] 有時候是你家的電話在響 [00:10:53] 所以他有時候會confuse [00:10:55] 他就嗯這到底是警報器在響 [00:10:57] 還是電話在響 [00:10:59] 他如果認為是電話在響 [00:11:01] 那他可能就沒有打 [00:11:03] 沒有打電話給你 [00:11:05] 沒有打電話通知你說你家有竊竊 [00:11:07] 跑進來了這樣 [00:11:09] 那所以這會有一個機率的問題 [00:11:11] 有時候他會覺得 [00:11:13] 這好像是警報器響他就打給你 [00:11:15] 有時候他可能會覺得說 [00:11:17] 這好像是電話在響 [00:11:19] 那他就不打給你 [00:11:21] 那Mary呢 [00:11:23] Mary主要是因為她在家都常常聽很大聲的音樂 [00:11:25] 所以說呢 [00:11:27] 他們沒有聽到這個警報器在響 [00:11:29] 不過他們都是好鄰居 [00:11:31] 他們一旦聽到警報 [00:11:33] 他們認為聽到警報器在響 [00:11:35] 他們都會打給你 [00:11:37] 那所以現在今天呢 [00:11:39] 如果說今天這個 [00:11:41] 你的鄰居打電話來了 [00:11:43] 請你去預估出 [00:11:45] 你家現在 [00:11:47] 遭到竊賊侵入的機率 [00:11:49] 是多少 [00:11:51] OK現在就是面對一個 [00:11:53] 這樣的一個問題 [00:11:55] 那我們可以利用一個被視網路來描述 [00:11:57] 這整個的關係 [00:11:59] 那 [00:12:01] 這個network structure呢 [00:12:03] 再來就是說你這個警報器 [00:12:05] 你這個警報器 [00:12:07] 什麼時候會響呢 [00:12:09] 基本上就是有竊賊進來的時候會響 [00:12:11] 但有時候 [00:12:13] 如果有地震 [00:12:15] 稍微搖一下他可能也會 [00:12:17] 也會響這樣子 [00:12:19] 那所以我們就要畫 [00:12:21] 一個網路來描述這些事情 [00:12:23] 那我們有幾個假設 [00:12:25] 我們有假設說 [00:12:27] 第一個就是你的警報器 [00:12:29] 雖然蠻reliable [00:12:31] 但是有時候地震來他也會響一下 [00:12:33] 那再來就是說 [00:12:35] 你的鄰居John跟Mary呢 [00:12:37] 他們不會互相 [00:12:39] 串通 [00:12:41] 因為可能一個住左邊一個住右邊 [00:12:43] 那他們彼此間不會互相溝通 [00:12:45] 也就是說 [00:12:47] 警報器如果響了 [00:12:49] 他們不會互相溝通 [00:12:51] John不會去問Mary說 [00:12:53] 欸你有沒有聽到啊 [00:12:55] 欸你如果也有聽到我們再打電話不會 [00:12:57] 他們就各自的行為是獨立的 [00:12:59] 就對了 [00:13:01] 那而且呢我們也假設說 [00:13:03] 他們都感覺不到地震 [00:13:05] 他們感覺不到地震 [00:13:07] 好那整個 [00:13:09] 情況我們大概可以表達成這樣 [00:13:11] 今天一個警報器 [00:13:13] 會不會響取決於 [00:13:15] 有沒有竊賊入侵 [00:13:17] 然後呢 [00:13:19] 有沒有這個 [00:13:21] 有沒有地震 [00:13:23] 那可能我同時又有竊賊同時又有地震 [00:13:25] 那也說不定啊 [00:13:27] 那天生在這個社區呢 [00:13:29] 竊賊入侵的 [00:13:31] 機率是0.001 [00:13:33] 其實蠻低的 [00:13:35] 地震發生的機率呢0.002 [00:13:37] 這樣子 [00:13:39] 那在這 [00:13:41] 所以你有兩個 [00:13:43] 你這個alone這個node有兩個parent [00:13:45] 就是有沒有竊賊 [00:13:47] 跟有沒有地震 [00:13:49] 那我們就可以寫一下它的conditional probability [00:13:51] 寫成一個表 [00:13:53] 比如說又有竊賊又有地震 [00:13:55] 我會想的機率是0.95 [00:13:57] 有竊賊沒地震 [00:13:59] 我想的機率0.94 [00:14:01] 沒竊賊有地震 [00:14:03] 想的機率0.29 [00:14:05] 兩個都沒有 [00:14:07] 我想的機率是0.001 [00:14:09] 那想了之後 [00:14:11] 它影響的是說 [00:14:13] John會不會打電話 [00:14:15] Mary會不會打電話 [00:14:17] 如果有 [00:14:19] 有響的話John會打電話的 [00:14:21] 機率是0.9 [00:14:23] 沒有響的話John會打電話的 [00:14:25] 機率是0.05 [00:14:27] 因為可能是因為電話響 [00:14:29] 他誤以為是警鈴在響 [00:14:31] 所以還是有0.05的機會 [00:14:33] John會打電話 [00:14:35] 那Mary的話呢 [00:14:37] 個別是0.7跟0.01 [00:14:39] 所以這大概是表達了 [00:14:41] 整個這個問題的一個 [00:14:43] 被視網路 [00:14:45] 好 [00:14:47] 所以說呢 [00:14:49] 我們可以看到說 [00:14:51] 剛剛在這個alone那邊 [00:14:53] 我們有制定了一個conditional probability table [00:14:55] 或者簡稱C [00:14:57] 它基本上就是在表達 [00:14:59] 某一個node [00:15:01] condition on它的parent的 [00:15:03] 各式各樣不同的value [00:15:05] 它對應的conditional [00:15:07] probability distribution [00:15:09] in general [00:15:11] a table for a boolean variable [00:15:13] with k一個boolean parent [00:15:15] contains 2的k次方independent [00:15:17] specifal [00:15:19] probability [00:15:21] 這個alone的兩個parent [00:15:23] 剛好都是 [00:15:25] boolean variable [00:15:27] 就是有或沒有 [00:15:29] 地震也是有或沒有 [00:15:31] 那有或沒有 [00:15:33] 那我有兩個parent [00:15:35] 所以說呢 [00:15:37] 我的這個CPT裡面 [00:15:39] 我就會有2的2次方4個entry [00:15:41] OK [00:15:43] 這個是如果你是boolean的parent的話 [00:15:45] 那你如果不是boolean [00:15:47] 你比如說我某個變數 [00:15:49] 我有5種可能的值 [00:15:51] 那當然你的這個table [00:15:53] 可能就會有更多 [00:15:55] 你光比如說第一個parent [00:15:57] 可能的值 [00:15:59] 第二個parent又有3種可能的值 [00:16:01] 哇那你這個矩陣呢 [00:16:03] 就會是要有5乘3 [00:16:05] 這麼多個 [00:16:07] 這麼多個entry [00:16:09] 好 [00:16:11] 那沒有parent的node [00:16:13] 它也有一個機率 [00:16:15] 這個就是所謂的事前機率 [00:16:17] 所以就像這裡 [00:16:19] 這個有沒有竊賊 [00:16:21] 這上面沒有parent啊 [00:16:23] 所以這個機率是什麼呢 [00:16:25] 基本上就是這個地區 [00:16:27] 經過長期的觀察 [00:16:29] 之後那我們知道說 [00:16:31] 天生這個地區會產生 [00:16:33] 會有竊賊的機率是0.001 [00:16:35] 天生這個地區 [00:16:37] 會有地震的機率是 [00:16:39] 0.002 [00:16:41] 這個叫事前機率 [00:16:43] prior probability [00:16:46] 好那 [00:16:48] 那特別要注意一點 [00:16:50] 就是說我們剛剛前面的整個問題的描述 [00:16:52] 有提到說Marry有時候在聽 [00:16:54] 很吵的音樂啦 [00:16:56] 然後有時候電話鈴會響啦 [00:16:58] 這些要件 [00:17:00] 都沒有表達在 [00:17:02] 剛剛的這個網路裡面 [00:17:04] 都沒有表達在這裡面 [00:17:06] 那為什麼呢 [00:17:08] 基本上我們把這些比較 [00:17:10] 隱性的因素 [00:17:12] 都summarize在 [00:17:14] 這個along to [00:17:16] John Cole跟Marry Cole的這個 [00:17:18] uncertainty裡面 [00:17:20] 就是說這些不確定 [00:17:22] 不確定性的因素 [00:17:24] 都已經整合在這個 [00:17:26] 兩個table裡面了 [00:17:28] 這樣的不確定性已經在這裡面了 [00:17:30] 要不然你要考慮的東西太多了 [00:17:32] 對不對好比如說 [00:17:34] 你可能還要再考慮到說除了Marry [00:17:36] 有沒有在聽大聲音樂之外 [00:17:38] 你要考慮到說Marry可能剛好 [00:17:40] 不在家啦或者是說 [00:17:42] Marry剛好有一個訪客啦 [00:17:44] 或者怎麼樣 [00:17:46] 那這個列舉不完嘛 [00:17:48] 所以基本上我們是用比較簡化的 [00:17:50] 方式合理的方式 [00:17:52] 來表達整個問題的knowledge [00:17:54] OK [00:17:58] 好那所以說呢我們也考 [00:18:00] 也免除了一些 [00:18:02] 可能很細 [00:18:04] 而且無法量化的比如說 [00:18:06] 可能溫度濕度 [00:18:08] 溫度濕度很高所以你的這個 [00:18:10] 警報器失靈啊 [00:18:12] 或者沒電了啊 [00:18:14] 等等等等這個我們都不考慮 [00:18:16] John或Marry他出去吃飯了啊 [00:18:18] 他出去度假了 [00:18:20] 這個我們都不考慮 [00:18:22] 好那所以說呢 [00:18:24] in this way a small agent [00:18:26] can cope with a very large world [00:18:28] 那就是因為有這樣的一些假設 [00:18:30] 所以我們可以用剛剛上面 [00:18:32] 這個簡單的網路的結構 [00:18:34] 就能夠去模擬一個 [00:18:36] 很大而複雜的 [00:18:38] 這個世界 [00:18:40] the degree of approximation [00:18:42] can be improved if we introduce [00:18:44] additional relevant information [00:18:46] 當然你要安排的 [00:18:48] 再更仔細也可以 [00:18:50] 那你這個網路就變得比較複雜 [00:18:52] 那而且你 [00:18:54] 你要能夠寫得出 [00:18:56] 這裡面的每一個 [00:18:58] no的conditional probability [00:19:00] 好 [00:19:02] 那所以呢以上是一個 [00:19:04] 簡單的貝斯網路的一個介紹 [00:19:06] 那接下來 [00:19:08] 貝斯網路代表的 [00:19:10] 其實就是實體世界當中的 [00:19:12] 一些knowledge [00:19:14] 或者一些相關的意義 [00:19:16] 那我們可以從兩個角度 [00:19:18] 來去了解貝斯網路的 [00:19:20] 他的語意是怎麼樣 [00:19:22] 第一個呢我們貝斯網路可以 [00:19:24] 視為是join probability [00:19:26] distribution的一種呈現 [00:19:28] 對吧 [00:19:30] 我們剛剛一直在講的 [00:19:32] 第二種我們可以把它表達成是一種 [00:19:34] 我們可以把它視為是一種 [00:19:36] conditional independence statement [00:19:38] 的一種編碼方式 [00:19:40] 也是嘛 [00:19:42] 你根據哪一個know的 [00:19:44] 誰指到誰 [00:19:46] 方向怎麼樣 [00:19:48] 他基本上就是在incode [00:19:50] 你的conditional independence [00:19:52] 的狀況嘛 [00:19:54] 而這兩個 [00:19:56] 角度基本上是 [00:19:58] 等價的 [00:20:00] 只是說呢 [00:20:02] 看你的目的而定 ## 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。