# 章節包：自然語言處理（NLP）W1（9/10）第 07 章「NLP 的四個發展階段」
影片 1:47:14–1:59:07，YouTube ID EEbwXXoVQPY。Notion 章節頁 https://app.notion.com/p/3e7fc631b030812c8099fdb235641816（頁 ID 3e7fc631-b030-812c-8099-fdb235641816），頁面標題「07 NLP 的四個發展階段（1:47–1:59）」。
## 1. 第一行（直接照抄，不要改）
[自然語言處理](https://app.notion.com/p/3e6fc631b03081b4a9e8f91f3411f61f) › [W1（9/10）](https://app.notion.com/p/3e7fc631b0308199953aef38ee86b0ae) › 07｜影片 [1:47:14–1:59:07](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6434s)｜投影片 W1_NLP_brief_v2 p.1–3｜上一章 [06 課後問答：浮水印與 AI 界線（1:35–1:47）](https://app.notion.com/p/3e7fc631b0308154af87df0a9af15134)｜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 課程定位與傳統 NLP 流程（0:04–0:21）](https://app.notion.com/p/3e6fc631b03081e3872cf295fcfe1eaa)｜回到週頁：[W1（9/10）](https://app.notion.com/p/3e7fc631b0308199953aef38ee86b0ae)
## 2. 各段標題（照順序；每段一個 ## 標題，直接照抄連結）
- `## [1:47:14](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6434s) 換投影片：Introduction` 老師講什麼：投影片檔名的 W 原本是上課週，但後來不準，照編號順序上。Introduction 涵蓋以前 NLP 的基本處理方法，word2vec 放在下一份投影片。
- `## [1:48:57](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6537s) 為什麼還要學 LSA 與詞向量` 老師講什麼：現在把文字餵給 LLM 就好，但道理還是得懂。LSA 是 word2vec 之前判斷「貓跟狗比較像、跟卡車不像」的方法；懂脈絡才知道痛點在哪。
- `## [1:50:01](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6601s) 四階段：人懂到機器懂` 老師講什麼：1960 到 2010 年代的四個階段。前兩個靠人做，結果人看得懂；後來成本太高，改用統計與訓練，結果難解釋，但機器看得懂。
- `## [1:50:51](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6651s) 語言學：剖析樹與依存關係` 老師講什麼：最早用語法分析句子，建剖析樹（名詞片語、動詞片語）和依存關係（哪個形容詞修飾哪個名詞），找出主詞、動作與關鍵字。
- `## [1:52:10](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6730s) 人工建立知識圖譜` 老師講什麼：人把知識建成節點和關係，例如 COVID-19 是一種疾病、有哪些症狀，再沿著關係推論，像 IBM 系統從「水是液體、液體往低處流」推出水往低處流。
- `## [1:54:40](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6880s) 成本太高，改用統計` 老師講什麼：人建的知識量少、品質不一、很難合併。網路普及後有大量文字，改用統計：同一句出現的詞關係比較近（共現），靠這些關係推論語意，甚至能做翻譯。
- `## [1:56:20](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=6980s) 用模型學：只有機器看得懂` 老師講什麼：再往後用模型訓練，參數只有機器看得懂；有人研究 Transformer 每層在做什麼，但沒人真的知道 LLM 怎麼想。以前的做法受限於當時的資源與算力。
- `## [1:57:46](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=7066s) 下週預告與作業問答` 老師講什麼：下週從這裡接著講，大約第 3 週講到 word2vec 並公布作業一。作業會有 test data 讓你自己評估；網路上看到的是舊投影片，之後只會小幅更新或加新章節。
## 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）
- (1:48:54) [強調] 「但是有時候，這裡面的道理，還是得懂」 → 雖然現在直接用 LLM，傳統文字處理的道理還是要懂
- (1:49:33) [強調] 「他的確是談到了處理文字的重要的，精神」 → word embedding 不是 LLM，但抓到了處理文字的核心精神
## 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 3.0 字／30 秒）
## 4. 這章摘要與重要度
換到 Introduction 投影片，用一張 2021 年論文的圖說明 NLP 四個階段：語言學規則、人工知識圖譜、統計方法、模型學習；越往後越省人力，但越難解釋、只有機器看得懂。（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）
- 0:00:00–0:01:25 還沒開始上課；0:00:36 那串「志願自由生涯、紅色教堂…」是語音辨識幻覺，不是老師講的。
- 下課在 1:07:53，錄影裡只剩約 1 分半（1:07:53–1:09:19），老師說休息 10 分鐘，實際休息時段應該沒錄進去（推測，沒看影片確認）。
- 老師講 Syllabus-115.pdf 不是照頁碼順序：先講 p.1–33，接著跳到 p.43–51（課程內容、評分）和 Slido 問答，下課後才回頭講 p.34–42。所以第 04 章是 p.43–51、第 05 章是 p.34–42。
- 本週投影片是 Syllabus-115.pdf，加上 1:47:14 起的 W1_NLP_brief_v2.pdf p.1–3（檔名的 W1 不等於上課週）。brief p.3 那張「NLP 四階段」圖，W2 一開頭又講了一次。
- Slido 上有幾則助教的文字回覆，影片裡沒講到：考試可以用英文作答；作業有 2–3 週可以交；各校考試由 TAICA 在各校安排考場；清大實體教室在台達館 103；問問題可寄助教信箱 nthuikmlab@gmail.com；「會講 PEFT（LoRA），但 RL 不會講」。
- 第 06 章是下課後第二輪 Slido 問答，裡面有幾則行政回答（可重複提交、遲交扣分、作業調分），因為時間在第 04 章之後，所以留在第 06 章，不併進第 04 章。
- ASR 錯字對照：高鴻宇→高宏宇；自然源處理→自然語言處理；Edward Harvey→Eduard Hovy；LockedIn→Rocling；TradeGPT／TrackGP／ChangeGPT／ChangeBee／trekGPT／checkgpt→ChatGPT；Cloud→Claude；Entropy→Anthropic；Media→NVIDIA；game／GAME→GAN；Tronsky、Transcript 的 hierarchy→Chomsky（hierarchy）；Benji→Bengio；Wall-to-Vector／Vault to Vector／what vector／water vector→word2vec；Transformer Learning→Transfer Learning；Transformer Scratch→from scratch；Sleep／Sleepless→Syllabus；slide／SIDEL（指問答平台時）→Slido；Tica／臺卡／Tiger→TAICA；ntu庫／NTU酷→NTU COOL；摩克斯→MOOCs；持交→遲交；RIL→RL；Prong／PROM→prompt；勸／Chain／圈（指訓練時）→train；PFT→PEFT；Numeration→Normalization（Named Entity Normalization）；構制→構詞；Passing Tree→Parsing tree；Stop War→Stop word；One-Half Vector→One-hot vector；科技大學（0:38:25）→科技大擂台；國客會→國科會；黃淑駿→黃舒駿；regret→reject；deskregent→desk reject；dispution→distribution；Garantee→guarantee。
- 不確定的 ASR：0:50:37「Bloodbath的一系列的東西」推測是 BERT 家族（對照 Syllabus p.44 W9 BERT and its Family）；1:18:49「像中國大陸一樣用針灸的方式」推測是「蒸餾」（distillation）；1:18:00「Tide／Breeze／白龍」應是台灣模型 TAIDE、Breeze、Bailong；0:48:33「K3」不確定是哪個模型；1:34:55「Income」推測是 in-context learning。
- 考試名稱不一致：老師口頭說「期末考」，Syllabus p.44–45 寫 Exam／Midterm Exam（week 14, tentative）。是同一場，排在 W14，不在期末考週。
- 評分舊資料：Slido 同學提到 9/7 郵件寫「作業 70%＋Term Project 30%」，老師 0:59:29 說那是舊資料，現在是作業 75%＋考試 25%，沒有期末專題；p.45 另寫每份作業比重會微調 -3%～+3%。
- 考試算式：W1 老師 1:44:22 說「也許會有一題叫你們算一下 TFIDF」但隨即說好像沒意義；課程頁已寫「不考算式（例如 BM25 公式）」（來自之後的週次）。以課程頁較新的說法為準，筆記不要寫成「會考 TF-IDF 計算」。
- RL 說法不一致：老師 1:42:02 說 RL 設計「會提到啦但是不太會叫你們做」，Slido 助教回覆「會講 PEFT (LoRA), 但 RL 不會講」。理解成：不會有 RL 作業，最多概念帶過。
- 作業時間：老師 1:45:35 說作業「通常是一個月前會公佈」，Slido 助教回覆「作業會有 2～3 個禮拜的時間可以繳交」；兩者說的是不同事（公布時間 vs 繳交期限），寫筆記時不要混在一起。
- 投影片錯字：Syllabus p.38 寫「TD-IDF」，應為 TF-IDF（老師 1:23:49 口頭也說「這打錯了」）；p.7「Ger explanations」應為 Get explanations。
- 修課人數：老師口頭說往年 300–500 人，Syllabus p.3 寫班級人數 1200 人（今年上限），兩者不衝突。
- Syllabus p.47（TAICA 運算資源：100／500 運算元帳號）老師說「有一張投影片我沒有放」，只口頭說會當作業 bonus 發給前十名；投影片上的名額與金額以公告為準（p.47 寫 Wait for announcement）。
## 6. 投影片文字（這章範圍）
--- W1_NLP_brief p.1 ---
Natural Language Processing
Introduction
--- W1_NLP_brief p.2 ---
Outline
NLP Applications
General Text Processing
◦Indexing
◦Lexical processing
◦Document representation
Latent semantic analysis
Word Embedding
2
--- W1_NLP_brief p.3 ---
3
“Knowledgeable Machine Learning for Natural Language Processing”, H. Han, Communications of the ACM, 2021.
## 7. 逐字稿（1:47:14 前後各多 1 分鐘，原始行）
[01:46:14] 但是會不會調低
[01:46:16] 通常不會
[01:46:18] 因為
[01:46:20] 調高你們就
[01:46:21] 比較不會有怨氣嘛
[01:46:22] 所以我們都會把作業弄難一點
[01:46:25] 然後把它調高這樣你們會覺得
[01:46:27] 老師的恩澤這樣子
[01:46:28] 但是如果本來都很高分然後最後把它調低你們
[01:46:32] 大概低卡我就看不完
[01:46:36] 重點都還是在於鑑別度跟
[01:46:39] 這個整個
[01:46:41] 比重
[01:46:43] 好啦應該
[01:46:44] 沒有有些我可能就
[01:46:46] 有些我們就是
[01:46:53] offline再回一下好了
[01:46:57] 大概是這樣
[01:47:00] S一點
[01:47:14] 我秀一下我們
[01:47:15] 第一張內容前面一點點就好了
[01:47:19] 畢竟
[01:47:21] 畢竟是
[01:47:24] 直播錄影的
[01:47:26] 有沒有啊
[01:47:28] 嗯?
[01:47:34] 關了嗎
[01:47:41] 好
[01:47:42] 這個就是另外一份投影片喔就是我標W1的
[01:47:48] 就通常
[01:47:49] 那個投影片的前面那個week
[01:47:51] W就是通常會是上課的週數
[01:47:54] 不過後來也不太準
[01:47:55] 所以大概就是照這個這個編號的順序
[01:47:59] 上下來
[01:48:01] 好
[01:48:02] 那我只秀一下這個
[01:48:06] 好可以嗎
[01:48:07] 好
[01:48:16] 這邊主要是講Introduction
[01:48:18] 但這Introduction的內容大概也
[01:48:22] 大概也涵蓋以前NLP會上的所有東西這樣子
[01:48:25] 就是講
[01:48:27] 這個基本的處理方法這樣子
[01:48:29] 但是我把
[01:48:30] 這個Embedding
[01:48:32] 或是Vault to Vector擺在
[01:48:33] 下一個部分
[01:48:34] 這邊會提到一下這樣子
[01:48:37] 所以他重點會
[01:48:39] 先
[01:48:40] 讓你看看一些應用
[01:48:42] 然後會告訴你說一般我們在做文字處理的時候
[01:48:45] 會做什麼樣的事情
[01:48:47] 但是
[01:48:48] 可能你們現在都不覺得
[01:48:50] 該做這些事情
[01:48:51] 因為也不太需要反正餵給LM就好
[01:48:54] 但是有時候
[01:48:55] 這裡面的道理
[01:48:56] 還是得懂
[01:48:57] 那會先提一下LSA
[01:48:59] 就是
[01:49:01] 以前
[01:49:02] 在做NLP的人
[01:49:04] 沒有Vault to Vector
[01:49:05] 沒有Vault to Vector這些東西的時候
[01:49:07] 我們怎麼去了解語義的部分
[01:49:10] 我們怎麼知道貓跟狗比較像貓跟卡車比較不像這件事情
[01:49:14] 以前到底用什麼方法來做的
[01:49:17] 所以你們可能
[01:49:18] 又要
[01:49:19] 參觀一下博物館看一下說以前這些原始人
[01:49:22] 做的這些
[01:49:23] 工具到底是什麼
[01:49:24] 然後我們會秀一下Vault Embedding
[01:49:27] 當然你會覺得說
[01:49:29] 這個不是LM
[01:49:31] 沒錯
[01:49:32] 但是
[01:49:33] 他的確是談到了處理文字的重要的
[01:49:38] 精神
[01:49:39] 所以
[01:49:40] 你懂了這個脈絡之後
[01:49:43] 你就可以
[01:49:43] 比較知道
[01:49:45] 痛點是什麼
[01:49:46] 這個難的地方在哪裡
[01:49:48] 不然老實說你現在有
[01:49:51] 掛個API
[01:49:52] 做進去
[01:49:53] 寫分析
[01:49:54] 100行Viber Coding
[01:49:56] 一個晚上就做完了
[01:49:57] 你覺得那會有價值嗎
[01:49:59] 其實
[01:49:59] 很難
[01:50:01] 我就講這張圖就好了這張圖其實
[01:50:04] 其實是一個不是很舊的paper 2021年的一篇paper但是他
[01:50:08] 他秀了一個過程我覺得還蠻適合講NLP的發展過程
[01:50:13] 其實四個階段你看到這四個時間點
[01:50:16] 從
[01:50:17] 1960到2010
[01:50:18] 這樣子
[01:50:19] 那上面兩個比較舊
[01:50:21] 上面兩個比較舊但是他做出來的東西會
[01:50:24] 比較
[01:50:25] Human friendly就是
[01:50:26] 因為就是都要人進去做
[01:50:28] 所以人
[01:50:30] 對自己做出來的東西比較能夠理解說對這樣有用這樣的確有他的道理
[01:50:34] 但是越來越後發現
[01:50:36] 這好像
[01:50:37] cost太高了所以我們希望靠著一些大量
[01:50:40] 用統計
[01:50:41] 甚至靠訓練的方式來做
[01:50:43] 但是做出來的東西的確有一點難解釋難表示但是機器看得懂
[01:50:50] 機器看得懂
[01:50:51] 所以這大概是幾個階段
[01:50:55] 我們看一下就是從一開始
[01:50:58] 這個語言學的人
[01:51:01] 這個會希望說從語法上去分析所以你會看到一顆tree
[01:51:06] 這是原來的
[01:51:07] 整個句子
[01:51:08] 然後他會有noun phrase
[01:51:10] verb phrase
[01:51:11] 去做下來的
[01:51:12] 就以前我們
[01:51:13] 做nlp
[01:51:16] 起手式
[01:51:17] 就是會建passing tree
[01:51:19] 甚至會建所謂的dependency的關係
[01:51:22] 所謂dependency就是說
[01:51:23] 這個形容詞是形容這個名詞
[01:51:26] 會有一個這樣的topple出來這樣子
[01:51:28] 所以
[01:51:29] 有一些工具就可以讓你pass出一個句子裡面
[01:51:33] 這樣的關係是什麼
[01:51:35] 他的結構是什麼
[01:51:36] 你也知道一些詞性
[01:51:38] 這個是很久以前
[01:51:40] 這個語言學進來的
[01:51:41] 在做的事情
[01:51:43] 的確那時候也覺得
[01:51:45] 讓電腦搞懂這件事情的確應該要這樣做
[01:51:49] 他才知道說
[01:51:50] 有些形容詞是形容某個名詞片語
[01:51:53] 或是這個句子的
[01:51:56] 重點是什麼
[01:51:57] 因為我們知道英文重點你要看主詞
[01:52:01] 然後看他動作是什麼
[01:52:02] 所以就比較知道
[01:52:04] 怎麼樣這個句子的keyword
[01:52:07] 或是
[01:52:08] 想要表達意思是什麼
[01:52:10] 後來就覺得
[01:52:12] 那
[01:52:12] 應該要讓他聰明一點
[01:52:14] 所以我們就人也進去
[01:52:16] 建立一些explicit
[01:52:18] 但是explicit比較像是
[01:52:20] 資料形式用人建
[01:52:23] 所以如果你大概學過知識圖譜
[01:52:25] 就知道
[01:52:26] 這看起來就有點
[01:52:28] 有點結構化的句子有點但是他其實是一個比較
[01:52:32] 比較像free text
[01:52:33] 不是句子
[01:52:34] 不是句子但是他是結構化的知識
[01:52:37] 所以比如說
[01:52:38] 你會看到這些節點
[01:52:40] 節點的部分
[01:52:43] 節點的部分
[01:52:45] 然後他有所謂的age的關係
[01:52:48] 比如說這個是COVID-19
[01:52:50] 他其實是
[01:52:51] 這個
[01:52:51] 某個這種
[01:52:53] 疾病的這種instance
[01:52:55] 然後他會有什麼症狀就這些
[01:52:58] 那這些東西是靠人建的或者是說你可以從句子裡面去
[01:53:02] 截取出來
[01:53:04] 比如說有人說
[01:53:05] 我得了COVID-19然後覺得狀況怎麼樣那你就可以在這樣的一個age
[01:53:10] 去建立這樣的
[01:53:12] 的knowledge出來
[01:53:14] 那這樣knowledge出來之後其實很有用啊
[01:53:16] 就是
[01:53:17] 我可以trace啊因為比如說
[01:53:19] 我搞不好還有另外一個這個
[01:53:22] communicable
[01:53:24] communicable
[01:53:26] disease的
[01:53:27] 疾病
[01:53:28] 然後這個疾病呢
[01:53:29] 他可能跟COVID-19有點關係
[01:53:32] 那我可以
[01:53:32] 從這樣的trace裡面知道說搞不好
[01:53:35] 他也會有類似的症狀
[01:53:37] 就是說我從
[01:53:39] 已知資料建立出來的結構
[01:53:42] 我可以再去漲
[01:53:44] 再去學
[01:53:47] 這些knowledge出來
[01:53:49] 這就是為什麼當初
[01:53:52] 在那個AlphaGo出來之前
[01:53:55] 有一些非常聰明的系統
[01:53:57] 也蠻亮眼的
[01:53:58] 那裡面他的學法
[01:54:00] 就是像IBM那樣子有個系統
[01:54:03] 就是
[01:54:05] 他會去學說
[01:54:07] 水是液體
[01:54:09] 然後液體的特性是什麼
[01:54:10] 他會從高處往低處流
[01:54:13] 所以我就可以去推論說
[01:54:15] 水也會從高處往低處流
[01:54:18] 我就可以從這樣的知識圖譜裡面去做這樣的推論這樣的聯想
[01:54:23] 或是讓電腦自己去長出那些知識
[01:54:26] 有點像人在學知識的過程
[01:54:28] 所以這個以前
[01:54:30] 就是希望我們可以靠著
[01:54:32] 人給他一點的
[01:54:34] 這種seed
[01:54:35] 然後讓他去建構這樣的東西
[01:54:40] 那後來發現這實在成本太高了啊
[01:54:42] 因為人建出來的量少
[01:54:45] 而且quality也不一
[01:54:47] 有些人
[01:54:48] 隨便做做
[01:54:49] 有些人
[01:54:49] 而且
[01:54:50] 你很難去
[01:54:51] 很難去連貫啊
[01:54:52] 因為不同人做的
[01:54:54] 他寫的字也不太一樣啊
[01:54:56] 不同字的概念又不太一樣
[01:54:58] 其實
[01:54:59] 很難去merge
[01:55:00] 但是有很多
[01:55:01] 你可以去找一些開放的
[01:55:03] 那種
[01:55:05] 像Freebase這樣的比較大的
[01:55:07] 的資料庫來
[01:55:09] 去漲
[01:55:10] 但是其實上
[01:55:11] 還是
[01:55:12] 有限還是有限
[01:55:14] 所以後來就希望用大量的統計資料來選
[01:55:18] 所以這個其實點
[01:55:20] 後來
[01:55:21] 其實based on
[01:55:22] 為什麼有這些東西因為就是網路
[01:55:25] 發達就是
[01:55:26] World Wide Web起來之後有一大堆的文章一大堆文字是可以被accessible
[01:55:31] 所以這些東西可以被取得了可以被統計的
[01:55:34] 所以後來就有一些統計的做法
[01:55:36] 像我們提到要提的what vector
[01:55:39] 就是基本上我可以用統計的做法知道說
[01:55:41] 其實我不用告訴大家
[01:55:42] COVID-19是什麼
[01:55:44] 不用告訴他這些症狀是什麼
[01:55:45] 他可以靠著文章中的
[01:55:48] 貢獻性的關係所謂貢獻性是
[01:55:50] 同樣在一個句子裡面被描述出來的時候
[01:55:53] 我可以拉近這些關係
[01:55:56] 我就可以拉近說這個這個字詞其實存在一個關係
[01:56:00] 靠這些關係他就可以去推論
[01:56:03] 一些
[01:56:04] 語義
[01:56:05] 一些概念在裡面
[01:56:07] 這個是後來
[01:56:09] 大家覺得這個做法非常厲害甚至
[01:56:11] 他可以拿來
[01:56:12] 翻譯
[01:56:14] 就是完全英文的東西對照出法文或是其他語言
[01:56:18] 就可以翻譯
[01:56:20] 那後來
[01:56:21] 想說把這個東西再擴大一點我們做
[01:56:25] 用學的方式
[01:56:27] 用一個大模型
[01:56:29] 不過這時候還沒有很大
[01:56:32] 就是用model的方式去圈
[01:56:34] 圈完之後這些參數
[01:56:36] 是
[01:56:37] 只有機器看得懂人看不懂
[01:56:39] 所以你可以想象大語言模型那個幾個b連的參數
[01:56:42] 裡面
[01:56:44] 以前的確有一些人去研究啊
[01:56:46] 就是
[01:56:47] 每一層的transformal參數
[01:56:49] 有沒有一些特性有沒有一些分佈
[01:56:51] 但是都比較像是一廂情願的做法
[01:56:53] 這個這個
[01:56:54] 這一層好像在做什麼
[01:56:55] 那一層在做什麼
[01:56:57] 但是
[01:56:58] 的確有一些benchmark可以驗證但是
[01:57:01] Who knows
[01:57:02] 就是你又不是LM你怎麼知道他在想什麼
[01:57:04] 就是他怎麼靠那堆參數來做出這麼厲害的事情
[01:57:09] 就是有各式各樣的
[01:57:10] 的做法這樣子
[01:57:12] 但是我們希望說
[01:57:13] 他能夠把這麼大量的東西濃縮在幾個b連的參數裡面
[01:57:18] 學會
[01:57:19] 所以這一篇
[01:57:21] 當然如果你有興趣看這篇paper可以看一下因為前面會講比較多一點
[01:57:25] 他只是說這樣的一個history的過程
[01:57:28] 你就可以連貫說這個原來以前
[01:57:32] 這個
[01:57:33] 這些學者
[01:57:34] 都在幹這些傻事這樣子
[01:57:37] 但是也不得不幹這些傻事
[01:57:39] 因為當時的resource
[01:57:41] 跟
[01:57:41] 跟資料
[01:57:42] 跟算力也只能做這樣的事情
[01:57:46] 好
[01:57:47] 我想
[01:57:48] 就到這邊好了
[01:57:49] 就是
[01:57:50] 做個開場
[01:57:51] 然後我們下禮拜就從
[01:57:54] 這邊開始講起
[01:57:56] 那應該是在
[01:57:59] 一週到
[01:58:00] maybe是第3周就可以講到water vector
[01:58:02] 然後我們就會有第1個homework這樣子
[01:58:05] 好
[01:58:08] 有沒有問題
[01:58:09] 有沒有問題
[01:58:14] 沒有
[01:58:16] 不會告訴你
[01:58:17] 通常你算出來
[01:58:18] 東西就
[01:58:19] 他的我們會有
[01:58:21] 會有test data
[01:58:23] 你就可以去評估
[01:58:25] 是不是
[01:58:25] 每個作業不太一樣
[01:58:27] 每個作業不太一樣
[01:58:29] 但是比較不像是那種去看Leaderboard或是什麼的
[01:58:34] 的data這樣
[01:58:36] 不要擔心作業沒有很難
[01:58:40] 現在看到的是舊的
[01:58:42] 沒錯
[01:58:43] 我現在看到的是舊的但是有些後面東西
[01:58:46] 我覺得更新的機率也不會高
[01:58:50] 大概就是
[01:58:51] 一兩頁這樣子
[01:58:52] 但是可能會有一些
[01:58:54] 新的章節這樣子
[01:58:58] 好吧
[01:58:59] 有沒有其他問題
[01:59:03] 那我們今天就到這邊
[01:59:05] 我希望下禮拜可以看到各位
[01:59:07] 謝謝
## 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。