# HANDOFF — L23102 Boss Review hotfix（共 3 張）

> 日期：2026-05-12
> 派工人：Heiter
> 來源：欣梅爾於 slides-pdf.html 留言 + boss_review.json
> 圖檔規格：16:9 / 2048x1152 / 繁體中文清楚可讀
> 章節擴張：17 → **18 頁**（P08 補 P08b 視覺化詳解頁）

## 鎖死規則

1. **絕對不要刪除或覆蓋既有 PNG**（v1/v2 保留作內部追溯）
2. 檔名依本檔指定，P06 / P08 加 `_v2` 後綴，P08b 為全新頁
3. 三個共通負向約束：嚴禁畫成 L23101 / L23103 / L23302 章節 / 嚴禁過頁鉤子 / 嚴禁右上角頁碼

## 3 張清單

| # | 檔名 | 動因 |
|---|---|---|
| 1 | `L23102_p06_sec3_1_geometric_meaning_v2.png` | v1 中 ②旋轉小格的「變換後」箭頭比「變換前」明顯變長，違反「旋轉保長度」原則；③剪切小格沒呈現「長度也變」，只畫了方向傾斜。 |
| 2 | `L23102_p08_sec3_3_ml_model_forms_v2.png` | v1 中第④格「特徵投影與空間壓縮」的 LDA 區塊只畫一個彎曲橢圓帶兩條線，沒資料點分群、沒投影軸線，看不出 LDA 概念。Autoencoder 區塊原版 OK 保留即可。 |
| 3 | `L23102_p08b_sec3_3_ml_model_forms_detail.png` | **新增頁**：P08 是 2x2 四格綜覽（每格空間小），補一張 6 格詳細視覺化，每方法獨立放大區塊。 |

## 共用變數

```
L_CODE = "L23102"
STYLE_BASE = "請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。"
TERMS_RULE = "不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。"
LAYOUT_RULE = "版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。"
```

## 共通負向約束（每張開頭附）

```
【共通負向約束】
1. 嚴禁畫成 L23101「機率/統計之機器學習基礎應用」、L23103「數值優化技術與方法」、L23302「模型選擇與架構設計」等其他章節 — 本章是 L23102，左上 L-code 寫「L23102」。
2. 嚴禁出現任何過頁鉤子文字。
3. 嚴禁出現右上角頁碼。
```

---

## 張 1：L23102_p06_sec3_1_geometric_meaning_v2.png

**Boss 留言**：「P06 旋轉圖部分長度改變，不應該改變 / 剪切可以強調『長度與角度皆改變』」

**核心修正**：
- ② 旋轉：兩箭頭長度**必須完全相同**（正交變換保長度）
- ③ 剪切：必須**明顯看到長度變了 + 角度傾斜**（雙重變化）

### 完整 Prompt（一字不差送 codex）

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：向量、矩陣左乘、線性變換、縮放（Scaling）、改變尺度但不改變方向、旋轉（Rotation）、改變向量的方向而不改變其長度、正交變換、特徵對齊、剪切（Shearing）、長度與角度皆改變、向量方向在空間中產生傾斜變化、非對角矩陣、投影（Projection）、高維向量投射到子空間、主成分空間、分類超平面、特徵空間的重構、重新編碼、強化資料的分群結構、降低維度冗餘、提高對特定方向的敏感度。

【🚨 視覺路徑鎖死規則 — v2 必修】
中央 2D 座標格展示向量 x 經矩陣 A 左乘後產生的四種幾何效果，**每格視覺必須遵守**：

① 縮放（Scaling）：變換後箭頭與變換前**同方向**，**長度不同**（變長或變短皆可）
② 旋轉（Rotation）：變換後箭頭與變換前**長度完全相同**，僅角度改變（正交變換保長度）
  ❌ 嚴禁變換後比變換前長或短
③ 剪切（Shearing）：變換後箭頭與變換前**長度不同 + 角度傾斜**，視覺上必須同時看到「長度變化」和「角度變化」
  ❌ 嚴禁只畫方向傾斜不改變長度
④ 投影（Projection）：變換後箭頭投影到子空間（垂直線或水平軸），明顯比變換前短

不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。

左上角標示「L23102」。主標題寫「3.（1）向量經過矩陣運算的幾何意涵」。中央以 2D 座標格展示向量 x 經矩陣 A 左乘後產生的四種幾何效果：縮放（Scaling）、旋轉（Rotation）、剪切（Shearing）、投影（Projection）四個小座標格並列，每格畫變換前後對照，並依上方鎖死規則繪製。每格下方加 1-2 行重點說明：
  ① 縮放：「改變尺度但不改變方向」
  ② 旋轉：「改變向量的方向而不改變其長度（正交變換保長度）」
  ③ 剪切：「長度與角度皆改變 — 非對角矩陣產生的傾斜效果」
  ④ 投影：「高維向量投射到子空間（主成分空間 / 分類超平面）」

最下方以一段話帶出這些操作的目的：對原始特徵空間的「重構」或「重新編碼」，讓資料在轉換後的空間中更利於模型處理（強化分群結構、降低維度冗餘、提高敏感度）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。

【共通負向約束】
1. 嚴禁畫成 L23101 / L23103 / L23302 等其他章節 — 本章是 L23102。
2. 嚴禁出現任何過頁鉤子文字。
3. 嚴禁出現右上角頁碼。

輸出檔名：L23102_p06_sec3_1_geometric_meaning_v2.png
```

---

## 張 2：L23102_p08_sec3_3_ml_model_forms_v2.png

**Boss 留言**：「P08 線性判別分析頭完全看不懂」

**核心修正**：第④格 LDA 區塊重畫 — 兩類資料點 + 投影軸 + 投影後分群。其他三格（線性迴歸、神經網路前向傳播、嵌入層）與 Autoencoder 半邊保留 v1 結構。

### 完整 Prompt（一字不差送 codex）

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：線性迴歸、邏輯迴歸、一維線性投影、多維特徵向量、神經網路中的前向傳播、線性變換、非線性激活、嵌入層（Embedding Layer）、離散類別、連續空間的向量表示、矩陣的線性查詢與轉換、特徵投影與空間壓縮、LDA（線性判別分析, Linear Discriminant Analysis）、Autoencoder、低維潛在向量空間。

公式符號必須保留：y = wᵀx + b；z⁽ˡ⁾ = W⁽ˡ⁾a⁽ˡ⁻¹⁾ + b⁽ˡ⁾。

不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。

左上角標示「L23102」。主標題寫「3.（3）線性變換在機器學習模型中的出現形式」。版面切成 2×2 四格，每格一種出現形式：

①線性迴歸與邏輯迴歸 — y = wᵀx + b 一維線性投影
（保留 v1 風格：散點資料 + 擬合線示意）

②神經網路前向傳播 — z⁽ˡ⁾ = W⁽ˡ⁾a⁽ˡ⁻¹⁾ + b⁽ˡ⁾，線性變換後接非線性激活
（保留 v1 風格：兩層節點 + 權重連線 + 激活函數標示）

③嵌入層（Embedding Layer）— 離散類別轉為連續空間的向量表示，本質是矩陣的線性查詢與轉換
（保留 v1 風格：類別 0/1/2/V-1 → 嵌入矩陣 E → 向量查表）

④特徵投影與空間壓縮 — LDA（Linear Discriminant Analysis）、Autoencoder 等將高維資料重構為低維潛在向量空間

【🚨 第④格 LDA 視覺化鎖死規則 — v2 必修】
第④格的 LDA 區塊必須清楚呈現以下三要素：
  (a) 左側畫兩類資料點：藍點 6-8 顆 + 紅點 6-8 顆，分布有明顯重疊但兩類中心可分
  (b) 中央畫一條投影軸（虛線箭頭，標示為 w 或「投影方向」）
  (c) 右側畫兩類資料點投影到該軸上的一維分布（兩個高斯峰分隔得最開）
  小標題：「找一條方向，讓兩類投影後分得最開」
  ❌ 嚴禁畫成單一彎曲橢圓加兩條線（v1 的錯誤）

第④格的 Autoencoder 區塊保留 v1 風格：encoder → bottleneck 低維潛在向量 z → decoder + 標重建誤差最小化。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

最底加金句：「核心：多種模型中的線性變換，都是對資料進行『投影 / 映射』，讓模型更容易學習與泛化」

【共通負向約束】
1. 嚴禁畫成 L23101 / L23103 / L23302 等其他章節 — 本章是 L23102。
2. 嚴禁出現任何過頁鉤子文字。
3. 嚴禁出現右上角頁碼。

輸出檔名：L23102_p08_sec3_3_ml_model_forms_v2.png
```

---

## 張 3：L23102_p08b_sec3_3_ml_model_forms_detail.png（新增頁）

**Boss 留言**：「P08 下面新增一張，看看能否用畫圖方式說明這幾種方法」

**核心需求**：P08 是 2x2 四格綜覽（每格空間小），補一張完整的 6 格詳細視覺化，每方法獨立放大區塊。

### 完整 Prompt（一字不差送 codex）

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：線性迴歸、邏輯迴歸、Sigmoid、決策邊界、神經網路前向傳播、權重矩陣、激活函數、ReLU、嵌入層（Embedding Layer）、嵌入矩陣、查表、LDA（Linear Discriminant Analysis）、投影軸、Autoencoder、編碼器（Encoder）、瓶頸（Bottleneck）、解碼器（Decoder）、重建誤差。

公式符號必須保留：y = wᵀx + b；z⁽ˡ⁾ = W⁽ˡ⁾a⁽ˡ⁻¹⁾ + b⁽ˡ⁾；x = E[i]；||x - x̂||²。

不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。

左上角標示「L23102」。主標題寫「3.（3）線性變換在機器學習模型中的出現形式 — 視覺化詳解」。版面切成 2 列 × 3 欄共 6 格，每格放大呈現該方法的具體幾何/結構視覺化：

【格 ① 線性迴歸】
散點分布（約 10 個點，沿斜線分布）+ 一條最佳擬合線
公式手寫框：y = wᵀx + b
下方一句：「一維線性投影 — 在輸入空間找一條最配資料的直線」

【格 ② 邏輯迴歸】
兩類資料點（藍/紅各 6 顆，二維分布）+ 一條決策邊界（直線）
右上小角附 Sigmoid 曲線 σ(z) = 1/(1+e^(-z))
下方一句：「線性決策邊界 + Sigmoid 將分數壓到 (0,1) 機率」

【格 ③ 神經網路前向傳播】
兩層節點圖（輸入層 3 個節點 → 隱藏層 4 個節點 → 輸出 1 個節點），權重連線以彩色箭頭表示
每個節點有偏置 b
隱藏層節點旁邊標激活函數 σ（如 ReLU 折線示意）
公式手寫框：z⁽ˡ⁾ = W⁽ˡ⁾a⁽ˡ⁻¹⁾ + b⁽ˡ⁾
下方一句：「線性變換 + 非線性激活的層級組合」

【格 ④ 嵌入層 Embedding Layer】
左邊：離散類別索引（0, 1, 2, ..., V-1 共 4-5 個）以小方塊呈現
中間：嵌入矩陣 E ∈ R^(V×d)（畫成矩陣方格 5 行 4 列）
右邊：查表結果 x = E[i]（一個連續向量條，4 個格子有色彩）
箭頭從「類別 i」→ 矩陣第 i 行 → 連續向量
下方一句：「離散類別 → 矩陣的線性查表 → 連續空間向量」

【格 ⑤ LDA 線性判別分析】
左側：兩類資料點（藍/紅各 6-8 顆二維分布，兩類中心可分但有重疊）
中央：投影軸 w（虛線箭頭）
右側：兩類在軸上的一維分布（兩個高斯峰分隔最開）
下方一句：「找方向 w，讓兩類投影後分得最開（最大化類間/類內變異）」

【格 ⑥ Autoencoder】
左：輸入 x（高維向量，畫 5-6 個小格）
中：encoder（漸縮三層）→ 瓶頸 z（低維向量，2-3 個小格）→ decoder（漸展三層）
右：重建 x̂（高維向量，5-6 個小格）
下方公式：min ||x - x̂||²
下方一句：「壓縮 → 重建，瓶頸層學到低維潛在向量空間」

每格上方有方法名稱（粗手寫體），格與格之間留適度空白。整張視覺核心是「每方法各自的幾何/結構視覺化」，比 P08 的 2x2 綜覽更細緻。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。

【共通負向約束】
1. 嚴禁畫成 L23101 / L23103 / L23302 等其他章節 — 本章是 L23102。
2. 嚴禁出現任何過頁鉤子文字。
3. 嚴禁出現右上角頁碼。

輸出檔名：L23102_p08b_sec3_3_ml_model_forms_detail.png
```

---

**艾冉只負責生圖。** 產完 3 張就 stop，不要自驗、不要寫 review 報告。驗收由 Heiter 親自做。