# 派工書｜艾冉 16 張修正圖重生 (2026-05-06)

> **派工人**：Heiter（欣梅爾助理）
> **執行人**：艾冉（codex / ChatGPT 圖像生成）
> **截止**：今夜（2026-05-06）完成，欣梅爾明早選圖
> **章節範圍**：iPAS AI 規劃師中級・科目三・教材投影片（output3）
> **執行模式**：3 個 subagent 並行（A / B / C 三組）

---

## 0. 全域生成規格（每張圖必遵）

- **規格**：16:9，2048×1152 PNG
- **語言**：繁體中文（內文清晰可讀，避免簡體字、亂碼）
- **浮水印**：右下角小字「AIOnDaily × 咖啡AI學」
- **左上 L-code**：必須與檔名 prefix 一致（L23102 / L23203 / L23302 / L23303 / L23304 / L23401 / L23402）
- **檔名規則**：在原檔名 `.png` 之前插入 `_v2`（若已有 `_v2` 則用 `_v3`）
  - 例：`L23303_p01_intro_overview.png` → `L23303_p01_intro_overview_v2.png`
  - 例：`L23203_p18_quiz_questions_v2.png` → `L23203_p18_quiz_questions_v3.png`
- **絕對禁止**：不要 `rm` 或 `mv` 任何原檔，原 PNG 必須保留
- **風格基調**（STYLE_BASE）：手寫講義筆記風、淺色方格紙背景、便利貼/手繪圓圈分區、中性線條 icon
- **版面規則**（LAYOUT_RULE）：上方主標題列、左上 L-code 灰色小字、公式以手寫公式框呈現

---

## 1. 通用負面約束（CACHE-POLLUTION GUARD｜每張圖 prompt 開頭都要貼）

> **重要：本批次發現 P02 跨章節快取污染 bug**：L23303 P02 / L23304 P02 / L23401 P02 / L23402 P02 重生時都曾誤輸出為 L23302「第 5.2 節 模型選擇與架構設計」的「線性模型 → 樹模型 → 深度學習」「資料規模／特徵類型／任務類型／模型複雜度／運算資源限制／模型解釋性」六考量內容。**所有 P02 重生必須加下面這段反污染前置 prompt**。

```
[NEGATIVE-CONSTRAINT｜貼在每張 prompt 最開頭]
本頁絕對不是 L23302「第 5.2 節 · 模型選擇與架構設計」。
禁止出現以下 L23302 殘留元素：
- 章節 banner「第 5.2 節 · 模型選擇與架構設計」
- 主標題「1. 前言與章節導覽」（除非當前頁本身就是 P01）
- 「線性模型 → 樹模型 → 深度學習複雜神經網路」演進流程
- 「資料規模／特徵性質／任務類型／模型複雜度／運算資源限制／模型解釋性」六項考量清單
- 任何 L23302 章節 L-code

左上 L-code、章節 banner、主標題務必嚴格對齊本頁所屬章節，與檔名 prefix 一字不差。
若不確定，寧可保留空白標題框，也不要套用其他章節範本。
```

---

## 2. 16 張修正圖總表

| # | 章節 | 頁次 | 原檔名 | 新檔名（_v2） | 修正類型 | 失敗類別 | 分組 |
|---|------|------|--------|---------------|----------|----------|------|
| 1 | L23303 | P01 | L23303_p01_intro_overview.png | L23303_p01_intro_overview_v2.png | 整張誤植（L23202） | B | A |
| 2 | L23303 | P02 | L23303_p02_sec2_training_overview.png | L23303_p02_sec2_training_overview_v2.png | 整張誤植（L23304 資料增強） | B | A |
| 3 | L23303 | P09 | L23303_p09_sec3_1_classification_metrics.png | L23303_p09_sec3_1_classification_metrics_v2.png | 整張誤植（L23304 L1/L2/Elastic Net）+ Recall 公式校正 | B+A | A |
| 4 | L23303 | P10 | L23303_p10_sec3_2_regression_metrics.png | L23303_p10_sec3_2_regression_metrics_v2.png | 整張誤植（L23304 Dropout/Early Stopping） | B | A |
| 5 | L23401 | P02 | L23401_p02_sec2_risk_overview.png | L23401_p02_sec2_risk_overview_v2.png | 整張誤植（L23302 模型選擇） | B | A |
| 6 | L23402 | P02 | L23402_p02_sec2_bias_causes_overview.png | L23402_p02_sec2_bias_causes_overview_v2.png | 整張誤植（L23302 模型選擇） | B | A |
| 7 | L23302 | P03 | L23302_p03_sec2_1a_supervised_tasks.png | L23302_p03_sec2_1a_supervised_tasks_v2.png | 整張誤植（L23301 異常值偵測） | B | B |
| 8 | L23304 | P02 | L23304_p02_hyperparameter_map.png | L23304_p02_hyperparameter_map_v2.png | 整張誤植（與 P12 同檔） | B | B |
| 9 | L23304 | P05 | L23304_p05_depth_width.png | L23304_p05_depth_width_v2.png | 整張誤植（L23301 清理流程） | B | B |
| 10 | L23102 | P09 | L23102_p09_sec4_decomposition_overview.png | L23102_p09_sec4_decomposition_overview_v2.png | SVD 公式缺 Σ + 「轉接」錯字 | A | B |
| 11 | L23102 | P04 | L23102_p04_sec2_2_matrix_application.png | L23102_p04_sec2_2_matrix_application_v2.png | EVD 符號 V→Q + Y→y | A | B |
| 12 | L23302 | P08 | L23302_p08_sec2_5_bias_variance_tradeoff.png | L23302_p08_sec2_5_bias_variance_tradeoff_v2.png | Bias²/Variance 曲線方向反置 | C | C |
| 13 | L23401 | P07 | L23401_p07_sec2_2_c_risk_matrix.png | L23401_p07_sec2_2_c_risk_matrix_v2.png | 5×5 軸標籤腦補（中等/非常輕微） | C | C |
| 14 | L23401 | P09 | L23401_p09_sec3_privacy_tech_overview.png | L23401_p09_sec3_privacy_tech_overview_v2.png | k-匿名錯置 + 安全多方計算腦補 | B+C | C |
| 15 | L23402 | P10 | L23402_p10_sec4_1_data_preprocessing.png | L23402_p10_sec4_1_data_preprocessing_v2.png | 「資料匿名化及泛化」→「與」 | C | C |
| 16 | L23203 | P18 | L23203_p18_quiz_questions_v2.png | L23203_p18_quiz_questions_v3.png | Q7/Q8/Q9/Q10 選項對位 | A | C |

---

# Subagent A｜6 張（最痛跨章誤植）

> Group A 全部是 P02 / P01 系列「整張被別章節覆寫」的最嚴重事故。每張 prompt 開頭必須先貼第 1 節 NEGATIVE-CONSTRAINT 反污染前置。

---

## A-1｜L23303 P01｜1. 前言與章節導覽

- **原檔**：`L23303_p01_intro_overview.png`
- **新檔**：`L23303_p01_intro_overview_v2.png`
- **修正一句話**：原圖整張被誤植成 L23202「常見機器學習演算法」，整張重生為 L23303 章節導覽頁。

```
[貼第 1 節 NEGATIVE-CONSTRAINT｜然後額外加：]
另外禁止出現 L23202 殘留：「第 4.2 節 · 常見機器學習演算法」banner、監督式/非監督式學習對照、迴歸 5 法、分類 6 法、4 主題列表。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印「AIOnDaily × 咖啡AI學」, 左上灰色小字「L23303」。

主題：iPAS AI 規劃師中級 第 5.3 節 模型訓練、評估與驗證 章節導覽頁。

版面：
- 最上方淺青/薄荷綠章節 banner，正中央寫「第 5.3 節 · 模型訓練、評估與驗證」+ 書本 icon
- banner 下方主標題「1. 前言與章節導覽」+ 放大鏡 icon
- 中段引言（取自教材原文）：「模型訓練是建構機器學習系統的關鍵運作環節。若訓練過程不嚴謹，可能導致模型錯誤決策、影響實務應用」
- 中段 5 個學習要點（icon + 短句）：①訓練資料的使用方式 ②學習策略選擇 ③效能評估指標 ④穩定性與泛化能力 ⑤視覺化結果理解
- 版面下方主幹流程橫向三段：「模型訓練流程與策略 → 評估指標與模型效果衡量 → 交叉驗證」配箭頭
- 浮水印 + L-code

風格：淺色方格紙背景、便利貼/圓角矩形分區、中性線條 icon、無黑底深色塊。
```

---

## A-2｜L23303 P02｜2. 模型訓練流程與策略

- **原檔**：`L23303_p02_sec2_training_overview.png`
- **新檔**：`L23303_p02_sec2_training_overview_v2.png`
- **修正一句話**：原圖整張被誤植成 L23304「資料增強」（影像/文字/音訊/時序），整張重生為 L23303 第 2 章導讀頁。

```
[貼第 1 節 NEGATIVE-CONSTRAINT｜然後額外加：]
另外禁止出現 L23304 殘留：「資料增強」標題、影像旋轉/裁切/柴犬範例、文字同義字替換、音訊擾動 SpecAugment、時間序列 Windowing 四象限。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23303」。

主題：第 5.3 節 P02 第 2 章導讀「2. 模型訓練流程與策略」。

版面：
- 主標題「2. 模型訓練流程與策略」（注意：本頁不是 P01，banner 不重複）
- 中央引言：「模型訓練是建構機器學習系統的關鍵運作環節，依據資料調整模型參數；訓練策略影響收斂、未見資料的泛化能力與過擬合風險。」（取自教材）
- 下方留 5 個指向小區塊作為子小節入口卡（用便利貼/圓角矩形）：
  ①（1）資料分割與準備
  ②（2）批次訓練設計與更新策略
  ③（3）學習率調整
  ④（4）早停策略與訓練終止準則
  ⑤（5）訓練過程的記錄與監控
- 5 個入口卡橫向或 2-3 排列均可，每卡含一個示意 icon
- 浮水印 + L-code

風格：淺色方格紙、便利貼分區、無深色塊。
```

---

## A-3｜L23303 P09｜3.（1）分類任務的評估指標

- **原檔**：`L23303_p09_sec3_1_classification_metrics.png`
- **新檔**：`L23303_p09_sec3_1_classification_metrics_v2.png`
- **修正一句話**：原圖整張被誤植成 L23304「L1、L2、Elastic Net」正則化，整張重生為混淆矩陣 + 五大分類指標頁；Recall 採通用正確版 TP/(TP+FN)。

```
[貼第 1 節 NEGATIVE-CONSTRAINT｜然後額外加：]
另外禁止出現 L23304 殘留：「L1、L2、Elastic Net」標題、正則化雷達圖、L1 菱形/L2 圓形約束幾何直觀。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23303」。

主題：第 5.3 節 P09「3.（1）分類任務的評估指標」— 混淆矩陣 + 五大指標。

版面：
- 主標題「3.（1）分類任務的評估指標」
- 上半 40%：混淆矩陣（Confusion Matrix）2×2
  - 行 = 預測（正類 / 負類）
  - 列 = 實際（正類 / 負類）
  - 四格位置：TP（預測正 × 實際正）/ FP（預測正 × 實際負）/ FN（預測負 × 實際正）/ TN（預測負 × 實際負）
  - 四個縮寫 TP/TN/FP/FN 與展開形 True Positive / True Negative / False Positive / False Negative 同時出現
- 下半 60%：五卡橫向排列 — Accuracy / Precision / Recall / F1 / ROC-AUC
  - Accuracy = (TP+TN)/(TP+TN+FP+FN) + 適用情境（一般分類）
  - Precision = TP/(TP+FP) + 適用（垃圾郵件偵測）
  - Recall = TP/(TP+FN)（注意：教材原文 line 150 寫成 TP/(TP+FP) 是 typo，務必用正確版 TP/(TP+FN)）+ 適用（醫療誤診/癌症偵測）
  - F1 = 2·Precision·Recall/(Precision+Recall) + 適用（詐騙偵測）
  - ROC-AUC：橫軸 False Positive Rate、縱軸 True Positive Rate 曲線示意 + AUC 面積
- 浮水印 + L-code

風格：手寫講義、公式以手寫公式框呈現、混淆矩陣四格用淺色塊區分。
```

---

## A-4｜L23303 P10｜3.（2）迴歸任務的評估指標

- **原檔**：`L23303_p10_sec3_2_regression_metrics.png`
- **新檔**：`L23303_p10_sec3_2_regression_metrics_v2.png`
- **修正一句話**：原圖整張被誤植成 L23304「Dropout 與 Early Stopping」，整張重生為 MSE/MAE/RMSE/R² 四公式頁。

```
[貼第 1 節 NEGATIVE-CONSTRAINT｜然後額外加：]
另外禁止出現 L23304 殘留：「Dropout 與 Early Stopping」標題、神經網路節點隨機遮蔽、ŷ=(1-p)·h、雙曲線 patience/min_delta。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23303」。

主題：第 5.3 節 P10「3.（2）迴歸任務的評估指標」— MSE/MAE/RMSE/R²。

版面：2×2 四象限，每象限一個指標
- 左上 MSE：MSE = (1/n) Σ (yᵢ - ŷᵢ)² + 標註 yᵢ 實際值、ŷᵢ 預測值 + 特點「對大誤差敏感」+ 適用「金融風險預測」
- 右上 MAE：MAE = (1/n) Σ |yᵢ - ŷᵢ| + 特點「對離群值穩定」+ 適用「製程品質監控」
- 左下 RMSE：RMSE = √MSE = √((1/n) Σ (yᵢ - ŷᵢ)²) + 特點「單位與 y 同」+ 適用「線性迴歸」
- 右下 R²：R² = 1 - RSS/TSS
  - 子公式 RSS = Σ(yᵢ - ŷᵢ)²、TSS = Σ(yᵢ - ȳ)²
  - 三條判別小註：R²=1 完全解釋 / R²=0 同等常數模型 / R²<0 比常數模型還差或過度擬合
- 浮水印 + L-code

風格：四象限分區清楚、公式手寫框、每象限不同色 icon。
```

---

## A-5｜L23401 P02｜2. 數據隱私風險的辨識與評估

- **原檔**：`L23401_p02_sec2_risk_overview.png`
- **新檔**：`L23401_p02_sec2_risk_overview_v2.png`
- **修正一句話**：原圖整張被誤植成 L23302「模型選擇與架構設計」，整張重生為 L23401 第 2 章風險導讀頁。

```
[貼第 1 節 NEGATIVE-CONSTRAINT（這張是第一受害者，反污染最嚴格）]

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23401」。

主題：第 6.1 節 P02「2. 數據隱私風險的辨識與評估」第 2 章導讀頁。
本頁所屬章節：L23401 數據隱私、安全與合規（第 6.1 節）— 不是 L23302、不是模型選擇與架構設計。

版面：
- 主標題「2. 數據隱私風險的辨識與評估」
- 中央引言：「機器學習模型高度依賴訓練資料，特別是監督式學習需大量標註過的個體層級資料；缺乏風險識別機制可能導致個資外洩，違反 GDPR / CCPA / PDPA。」（取自教材）
- 三類資料範例（小 icon 卡片）：①顧客行為記錄 ②醫療檢驗數據 ③用戶互動紀錄
- 三大法規徽章：GDPR（歐盟）/ CCPA（加州）/ PDPA（新加坡/台灣）
- 版面下方留 2 個指向小區塊作為子小節入口卡：
  ①（1）常見數據隱私風險分類
  ②（2）隱私風險辨識與風險評估
- 浮水印 + L-code

風格：淺色方格紙、便利貼分區、無深色塊。
```

---

## A-6｜L23402 P02｜2. 偏見的成因與類型

- **原檔**：`L23402_p02_sec2_bias_causes_overview.png`
- **新檔**：`L23402_p02_sec2_bias_causes_overview_v2.png`
- **修正一句話**：原圖整張被誤植成 L23302「模型選擇與架構設計」，整張重生為 L23402 第 2 章偏見導讀頁。

```
[貼第 1 節 NEGATIVE-CONSTRAINT（這張也是第一受害者）]

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23402」。

主題：第 6.2 節 P02「2. 偏見的成因與類型」第 2 章導讀頁。
本頁所屬章節：L23402 演算法偏見與公平性（第 6.2 節）— 不是 L23302、不是模型選擇與架構設計。

版面：
- 主標題「2. 偏見的成因與類型」（本頁不是 P01，章節 banner 不重複）
- 中央引言：「AI 偏見的成因可分為『資料層面』與『模型層面』；偏見會影響預測準確度、造成社會不公、弱勢群體受害、引起法律與商譽風險。AI 核心運作高度依賴資料的質與量。」
- 兩大成因主視覺：左「資料層面」（資料代表性不足、歷史偏誤）/ 右「模型層面」（演算法計算邏輯、目標函數偏誤）
- 版面下方留 3 個指向小區塊作為子小節入口卡：
  ①（1）資料代表性與偏誤風險
  ②（2）模型偏見與歧視
  ③（3）偏見的潛在影響
- 浮水印 + L-code

風格：手寫講義、便利貼/圓角圓圈分區、避免方框扁平資訊圖。
```

---

# Subagent B｜5 張（B 類整張誤植 + 公式錯）

---

## B-1｜L23302 P03｜2.（1）任務類型與模型特性配對 — 監督式

- **原檔**：`L23302_p03_sec2_1a_supervised_tasks.png`
- **新檔**：`L23302_p03_sec2_1a_supervised_tasks_v2.png`
- **修正一句話**：原圖整張被誤植成 L23301「異常值偵測與處理」，整張重生為 L23302 監督式任務（分類+迴歸）配對頁。

```
[NEGATIVE-CONSTRAINT]
本頁絕對不是 L23301「異常值偵測與處理（Outlier Detection & Handling）」。
禁止出現以下 L23301 殘留：Z 分數、四分位距 IQR、箱型圖、散佈圖、時序列圖、Isolation Forest、Local Outlier Factor (LOF)、移除/截尾、Box-Cox、資料清洗。
左上 L-code 必為 L23302。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23302」。

主題：第 5.2 節 P03「2.（1）任務類型與模型特性配對」— 副標「監督式：分類任務 + 迴歸任務」。

版面：左右兩大區塊，每區三段式（目標 / 常見情境 / 常用模型）
- 左區塊「分類任務（Classification）」
  - 目標：將資料指派至離散類別
  - 常見情境：垃圾郵件偵測 / 疾病診斷 / 客戶流失預測
  - 常用模型：決策樹（Decision Tree）/ 隨機森林（Random Forest）/ 支援向量機（SVM, Support Vector Machine）/ 神經網路（Neural Network）
- 右區塊「迴歸任務（Regression）」
  - 目標：預測連續數值
  - 常見情境：房價預測 / 能源消耗預測 / 業績估算
  - 常用模型：線性迴歸（Linear Regression）/ 決策樹迴歸 / 隨機森林迴歸 / 神經網路
- 頁尾過頁鉤子：「→ 非監督學習與序列時間序列見 P04」
- 浮水印 + L-code

風格：手寫講義、左右分區、中英對照詞完整。
```

---

## B-2｜L23304 P02｜超參數調校地圖

- **原檔**：`L23304_p02_hyperparameter_map.png`
- **新檔**：`L23304_p02_hyperparameter_map_v2.png`
- **修正一句話**：原圖整張被誤植成 P12「不平衡資料重取樣」（檔案 byte 完全相同），整張重生為超參數調校放射地圖。

```
[NEGATIVE-CONSTRAINT]
本頁絕對不是 P12「不平衡資料重取樣」。
禁止出現以下 P12 殘留：Class Imbalance 點圖、Accuracy 失真實例（990/1000=99% Recall=0%）、SMOTE 公式、Precision/Recall/F1/ROC-AUC/PR-AUC 評估指標。
本頁左上 L-code 為 L23304，主題是「超參數調校地圖」。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23304」。

主題：第 5.4 節 P02「超參數調校地圖」總覽頁。

版面：六大超參數放射圖（中央「超參數調校」+ 六個發散卡片）
- 中央：「超參數調校（Hyperparameter Tuning）」icon + 標題
- 六個發散卡片，每卡一個超參數 + 一句話特性 + 一個小 icon：
  ①學習率（Learning Rate）— 控制每次更新步長，太大震盪太小慢
  ②批次大小（Batch Size）— 影響梯度估計穩定性與記憶體需求
  ③網路深度（Depth）— 層數，影響表達能力與梯度消失風險
  ④網路寬度（Width）— 每層神經元數，過寬易過擬合
  ⑤激活函數（Activation Function）— ReLU / Sigmoid / Tanh / Softmax 等選擇
  ⑥優化器（Optimizer）— SGD / Momentum / Adagrad / Adam
- 底部一條「正則化係數 λ」延伸條（L_total = L_data + λL_reg）
- 浮水印 + L-code

風格：放射狀地圖、每超參數不同色 icon、手寫公式框。
```

---

## B-3｜L23304 P05｜深度與寬度

- **原檔**：`L23304_p05_depth_width.png`
- **新檔**：`L23304_p05_depth_width_v2.png`
- **修正一句話**：原圖整張被誤植成 L23301「2.（5）清理流程的策略考量」（左上 L-code 也是 L23301），整張重生為深度/寬度 2×2 對照。

```
[NEGATIVE-CONSTRAINT]
本頁絕對不是 L23301「2.（5）清理流程的策略考量」。
禁止出現以下 L23301 殘留：樹模型 vs 線性模型/神經網路、缺失值敏感度、資料治理、可追溯性、Data Lineage、資料清洗策略。
左上 L-code 必為 L23304，不可寫成 L23301。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23304」。

主題：第 5.4 節 P05「深度與寬度（Depth & Width）」。

版面：2×2 對照
- 左上「深層 + 窄」：層數多神經元少 — 梯度消失風險高、擬合複雜抽象特徵
- 右上「深層 + 寬」：層數多神經元多 — 表達能力最強、計算成本高、易過擬合
- 左下「淺層 + 窄」：層數少神經元少 — 欠擬合風險、推論快速、適邊緣裝置
- 右下「淺層 + 寬」：層數少神經元多 — 表達能力中等、訓練快、可能過擬合
- 三大失敗情境提醒（底部 banner）：①過深 → 梯度消失（Vanishing Gradient）②過寬 → 過擬合 ③過淺 → 欠擬合
- 計算成本指標 + 簡單 ReLU 折線示意（深淺對比）
- 浮水印 + L-code

風格：2×2 矩陣分區、每格不同色背景、神經網路節點 icon。
```

---

## B-4｜L23102 P09｜4. 矩陣分解與維度簡化

- **原檔**：`L23102_p09_sec4_decomposition_overview.png`
- **新檔**：`L23102_p09_sec4_decomposition_overview_v2.png`
- **修正一句話**：原圖示意公式 `R = U × Vᵀ` 缺中間 Σ + 「轉接」錯字，整張重生並補上 Σ、改為 X、修正錯字。

```
[NEGATIVE-CONSTRAINT]
本頁公式絕對不可寫成 R = U × Vᵀ（缺 Σ 是嚴重錯誤）。
SVD 完整公式必為 X = UΣVᵀ；EVD 為 A = QΛQᵀ（不可用 V 取代 Q）。
本頁是章節導讀，字母用 X 或抽象 A，不要用 R（推薦系統 user-item 矩陣慣例）。
「轉接」是錯字，正確為「轉換」。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23102」。

主題：第 3.2 節 P09「4. 矩陣分解與維度簡化」第 4 章導讀頁。

版面：
- 主標題「4. 矩陣分解與維度簡化」
- 左上「為什麼需要維度簡化」+ 三大痛點：①過擬合 ②計算效率低下 ③資訊冗餘
- 右上「解決方法：矩陣分解（Matrix Factorization）」
  - 示意公式必須完整三項：X(m×n) = U(m×k) · Σ(k×k) · Vᵀ(k×n)
  - 旁註「k << min(m, n) ⇒ 資料降維、壓縮、轉換」（必為「轉換」，不可為「轉接」）
- 底部三個入口卡：①核心概念（→ P10）②方法與應用（→ P11、P12）③效率關聯（→ P13）
- 浮水印 + L-code

風格：手寫公式框、公式用 LaTeX 風格、矩陣維度標示清楚。
```

---

## B-5｜L23102 P04｜2.（2）矩陣在機器學習中的應用

- **原檔**：`L23102_p04_sec2_2_matrix_application.png`
- **新檔**：`L23102_p04_sec2_2_matrix_application_v2.png`
- **修正一句話**：原圖 PCA 處 `C = VΛVᵀ` 應為 `C = QΛQᵀ`（與 P11 EVD 一致）+ 最小平方解大寫 Y 改小寫 y。

```
[NEGATIVE-CONSTRAINT]
EVD 公式必為 A = QΛQᵀ（教材原文）。
PCA 共變異數矩陣分解絕對不可寫成 C = VΛVᵀ，必為 C = QΛQᵀ。
最小平方解中的 Y 必為小寫 y（與圖示 ŷ = Xβ 大小寫一致）。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23102」。

主題：第 3.2 節 P04「2.（2）矩陣在機器學習中的應用」。

版面：
- 主標題「2.（2）矩陣在機器學習中的應用」
- 上半：矩陣乘法視覺 X(n×d) × W(d×k) = S(n×k)，標示「k 維輸出機率分數（多類別分類）」
- 中段三種運算欄：
  ①矩陣乘法（Matrix Multiplication）
  ②轉置（Transpose）— Aᵀ 行列互換
  ③矩陣求逆/偽逆（Matrix Inverse / Pseudo-inverse）— A⁻¹A = I 與最小平方解 β̂ = (XᵀX)⁻¹Xᵀy（注意：必為小寫 y）
- 下半三大應用：
  ①線性迴歸：ŷ = Xβ
  ②前向傳播：z⁽ˡ⁾ = W⁽ˡ⁾a⁽ˡ⁻¹⁾ + b⁽ˡ⁾
  ③PCA：協方差矩陣 C = (1/(n-1))XᵀX，分解 C = QΛQᵀ（必為 Q 不為 V）
- 浮水印 + L-code

風格：手寫公式框、三段式分區、公式 LaTeX 風格。
```

---

# Subagent C｜5 張（C 類腦補 + 對位）

---

## C-1｜L23302 P08｜2.（5）偏差-變異的權衡（Bias-Variance Tradeoff）

- **原檔**：`L23302_p08_sec2_5_bias_variance_tradeoff.png`
- **新檔**：`L23302_p08_sec2_5_bias_variance_tradeoff_v2.png`
- **修正一句話**：原圖 Bias² 與 Variance 兩條曲線方向反置（學員會學錯核心概念），重生並硬鎖曲線單調方向。

```
[NEGATIVE-CONSTRAINT]
本頁三條曲線方向絕對不可反置：
- Bias² curve: monotonically DECREASING from upper-left to lower-right (高複雜度 → 偏差降低)
- Variance curve: monotonically INCREASING from lower-left to upper-right (高複雜度 → 變異升高)
- Total Error: U-shape with minimum at Optimum (中間有最低點)
任何相反的畫法都是錯的，會讓學員學錯 Bias-Variance Tradeoff 核心概念。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23302」。

主題：第 5.2 節 P08「2.（5）偏差-變異的權衡（Bias-Variance Tradeoff）」。

版面：
- 主標題完整中英括號「2.（5）偏差-變異的權衡（Bias-Variance Tradeoff）」
- 公式 banner：Total Error = Bias² + Variance + Irreducible Error
- 上半：U 形曲線圖
  - 橫軸 Model Complexity（Low → Optimum → High）
  - 縱軸 Error
  - 紅色 Bias² 線：左高右低，monotonically decreasing
  - 藍色 Variance 線：左低右高，monotonically increasing
  - 綠/黑色 Total Error 線：U 形，最低點標示「Optimum」並下垂線到橫軸
- 下半左右兩格對比：
  - 左「低複雜度模型（如線性迴歸）」：偏差較高、變異較低、穩定且具解釋性、對應欠擬合
  - 右「高複雜度模型（如深度神經網路）」：偏差低、變異較高、需正則化方法控制變異、對應過擬合
- 底部小註「模型選擇的核心原則之一是在偏差與變異之間取得適當平衡」
- 浮水印 + L-code

風格：手寫講義、座標軸清晰、三條曲線顏色分明、Optimum 點標出。
```

---

## C-2｜L23401 P07｜2.（2）C. 風險矩陣與風險等級

- **原檔**：`L23401_p07_sec2_2_c_risk_matrix.png`
- **新檔**：`L23401_p07_sec2_2_c_risk_matrix_v2.png`
- **修正一句話**：原圖 5×5 軸標籤腦補「中等／非常輕微／非常高／非常低」非教材詞，改為 3×3 矩陣硬鎖教材三檔。

```
[NEGATIVE-CONSTRAINT]
本頁矩陣軸標籤只能用教材原詞三檔，禁止以下腦補擴充：
- 機率軸禁止「非常低」「非常高」「中等」等非教材詞
- 影響軸禁止「非常輕微」「中等」等非教材詞
教材只給三檔，本頁採 3×3 矩陣，不要勉強畫 5×5 然後填腦補軸標。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23401」。

主題：第 6.1 節 P07「2.（2）C. 風險矩陣與風險等級」。

版面：
- 主標題「2.（2）C. 風險矩陣與風險等級」
- 公式 banner：風險等級 = 發生機率（Probability）× 影響程度（Impact）
- 中央 3×3 風險矩陣（教材允許 3×3）
  - 縱軸（影響程度，由下而上）：輕微（Minor）/ 重大（Major）/ 災難性（Critical）
  - 橫軸（發生可能性，由左而右）：低（Rare）/ 中（Possible）/ 高（Likely）
  - 9 格顏色梯度：左下綠（低風險）→ 右上紅（高風險）
- 右側三檔風險等級對策卡：
  - 低風險（Low Risk）— 可接受 / 可監控
  - 中風險（Medium Risk）— 需規劃因應對策
  - 高風險（High Risk）— 應優先處理 / 必要時迴避或延後導入
- 底部小註：「風險矩陣為視覺化工具，用『發生可能性』與『影響程度』二維交叉，3×3 或 5×5 皆可」
- 浮水印 + L-code

風格：3×3 色階矩陣、軸標籤中英對照、對策卡用便利貼風。
```

---

## C-3｜L23401 P09｜3. 隱私保護與匿名化技術實務應用

- **原檔**：`L23401_p09_sec3_privacy_tech_overview.png`
- **新檔**：`L23401_p09_sec3_privacy_tech_overview_v2.png`
- **修正一句話**：原圖 k-匿名化錯置在「基礎」框 + 進階框列「安全多方計算」腦補；改為白名單嚴格分類。

```
[NEGATIVE-CONSTRAINT]
本頁兩個入口框內容白名單與黑名單嚴格鎖定：
[白名單]
- 基礎資料匿名化技術框 = 只能列：①資料遮蔽（Masking）②雜湊處理（Hashing）③泛化處理（Generalization）④分桶（Bucketing）⑤隨機擾動（Noise Injection）
- 進階隱私強化技術框 = 只能列：①K-匿名（K-Anonymity）/ L-多樣性（L-Diversity）/ T-接近性（T-Closeness）家族 ②聯邦學習（Federated Learning）③同態加密（Homomorphic Encryption）
[黑名單，絕對禁止出現]
- 基礎技術框絕對不可包含「k-匿名化」（這是進階範疇）
- 進階技術框絕對不可包含「安全多方計算（Secure Multi-Party Computation, SMPC）」（教材未列）
- 任何欄位禁止出現「差分隱私（Differential Privacy）」（教材未列）

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23401」。

主題：第 6.1 節 P09「3. 隱私保護與匿名化技術實務應用」第 3 章導讀頁。

版面：
- 主標題「3. 隱私保護與匿名化技術實務應用」
- 上半並列構圖：「資料匿名化」↔「隱私保護」↔「隱私強化技術（PETs, Privacy-Enhancing Technologies）」三主詞
- 下半兩個入口框：
  - 左框「（1）基礎資料匿名化技術」(→ P10)
    - 列出五項：資料遮蔽（Masking）/ 雜湊處理（Hashing）/ 泛化處理（Generalization）/ 分桶（Bucketing）/ 隨機擾動（Noise Injection）
  - 右框「（2）進階隱私強化技術」(→ P11)
    - 列出三家族：①K-匿名 / L-多樣性 / T-接近性（K-Anonymity / L-Diversity / T-Closeness）②聯邦學習（Federated Learning）③同態加密（Homomorphic Encryption）
- 浮水印 + L-code

風格：手寫講義、兩入口框用便利貼分區、教材原詞中英對照完整。
```

---

## C-4｜L23402 P10｜4.（1）資料前處理

- **原檔**：`L23402_p10_sec4_1_data_preprocessing.png`
- **新檔**：`L23402_p10_sec4_1_data_preprocessing_v2.png`
- **修正一句話**：原圖第三方法寫「資料匿名化**及**泛化」（連接詞偏離），重生強制使用教材原詞「**與**」。

```
[NEGATIVE-CONSTRAINT]
本頁第③方法的中文標題必須逐字使用教材原詞「資料匿名化與泛化」。
絕對禁止寫成「資料匿名化及泛化」「資料匿名化和泛化」「資料匿名化或泛化」等任何連接詞替換。
教材原文連接詞「與」「及」「或」「和」皆視為不可替換的鎖定詞。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23402」。

主題：第 6.2 節 P10「4.（1）資料前處理」— 三方法。

版面：三欄並排
- ①資料重新抽樣（Re-sampling）
  - 招聘模型實例：履歷數量平衡（男性 vs 女性樣本比例調整）
  - 過採樣 / 欠採樣 icon
- ②特徵去偏處理（Feature Neutralization）
  - 銀行信用評分實例：移除族群特徵
  - 特徵欄位 ✗ 標示
- ③**資料匿名化與泛化**（Data Anonymization and Generalization）— 中文必須是「與」不可為「及」
  - 實例：將特定族群改為一般化標籤、年齡 28 歲 → 25-34 歲區間
  - 標籤泛化 icon
- 浮水印 + L-code

風格：手寫講義、三欄分區、中英對照詞完整、便利貼分區。
```

---

## C-5｜L23203 P18｜模擬考題（10 題）

- **原檔**：`L23203_p18_quiz_questions_v2.png`（這張本來就是 v2，重生後是 v3）
- **新檔**：`L23203_p18_quiz_questions_v3.png`
- **修正一句話**：原圖第 4 題已修對，但 Q7/Q8/Q9/Q10 選項組偏離教材原文破壞 P19 答案對位，整頁逐字鎖死全部 10 題的題幹與 (A)(B)(C)(D)。

```
[NEGATIVE-CONSTRAINT]
本頁 10 題的題幹與 (A)(B)(C)(D) 四選項必須逐字與下面教材原文一致，禁止任何同類干擾項替換或選項順序對調。
P19 解析頁的標準答案序列鎖定為：(C)(B)(C)(D)(B)(B)(C)(C)(B)(C) — 此即 Q1~Q10 的正確答案。
本頁所有題目選項必須讓正確答案落在對應字母位置上。

[Prompt 主體]
規格：16:9, 2048×1152, 繁體中文, 手寫講義筆記風, 右下浮水印, 左上灰色小字「L23203」。

主題：第 4.3 節 P18「模擬考題」十題重點題型 — 5×2 兩欄式網格。

版面：5 行 × 2 欄，10 題逐字呈現，每題格式為「題號 + 題幹 + (A)(B)(C)(D) 四選項」。

[10 題逐字內容｜艾冉必須一字不改]

Q1. 個人資料中常見的「直接識別資訊」屬於下列何者？
(A) 性別
(B) 年齡區間
(C) 姓名 / Email / 身分證字號
(D) 地理區域

Q2. 在資料匿名化技術中，「隨機擾動（Noise Injection）」的常見做法是？
(A) 將姓名改為代號
(B) 在薪資欄位加入隨機誤差
(C) 將生日泛化為年代
(D) 將原始資料加密儲存

Q3. 「結果門檻調整（Threshold Adjustment）」屬於模型公平性處理流程的哪一階段？
(A) 訓練前的資料前處理
(B) 訓練後的後處理（Post-processing）— 調整門檻
(C) 訓練中的目標函數修改
(D) 部署後的監控

Q4. 支援向量機（Support Vector Machine, SVM）若用於迴歸問題，常見的延伸演算法是？
(A) Logistic Regression
(B) Decision Tree Regression
(C) Random Forest
(D) Support Vector Regression

Q5. 「對抗式去偏模型（Adversarial Fairness）」的核心做法是？
(A) 引入對抗式網路使主模型無法推斷敏感屬性
(B) 增加正則化項
(C) 提高訓練資料量
(D) 改用線性模型

Q6. 處理類別不平衡時，下列哪個技術是「直接調整損失函數對少數類的權重」？
(A) 過採樣（Oversampling）
(B) 欠採樣（Undersampling）
(C) 類別重加權（Class Weighting）
(D) 特徵去偏

Q7. 降低過擬合風險可採用下列何者？
(A) 提高學習率
(B) 減少資料量
(C) 正則化（Regularization）
(D) 隨機刪除特徵

Q8. 計算模型輸出與實際值差距的函數稱為？
(A) 激活函數（Activation Function）
(B) 池化函數（Pooling Function）
(C) 損失函數（Loss Function）
(D) 梯度函數（Gradient Function）

Q9. Transformer 捕捉序列位置間依賴關係的核心機制是？
(A) 池化機制（Pooling）
(B) 注意力機制（Attention）
(C) 決策樹分支
(D) 激活函數（Activation Function）

Q10. 決策樹判斷分裂效果的常見指標是？
(A) 機率密度函數（Probability Density Function）
(B) 均方根誤差（Root Mean Squared Error）
(C) 基尼不純度（Gini Impurity）
(D) 卷積核大小（Kernel Size）

[版面細節]
- 主標題「模擬考題」+ 副標「10 題重點題型速覽」
- 5×2 兩欄網格：左欄 Q1~Q5、右欄 Q6~Q10
- 每題用便利貼/圓角矩形容器
- 收尾小註「考點重心 — 偏見類型／公平性指標／三階段去偏（前/中/後處理）／治理機制／隱私保護技術」
- 浮水印 + L-code

風格：手寫講義、便利貼分區、題號用手寫圓圈標示、選項中英對照詞完整。
```

---

# 3. 完成驗收標準（每張圖艾冉自驗）

- [ ] 檔名是否正確插入 `_v2`（或 `_v3` for L23203 P18）
- [ ] 原檔 PNG 是否仍存在（嚴禁 `rm` / `mv`）
- [ ] 左上 L-code 灰色小字是否與檔名 prefix 一字不差
- [ ] 章節 banner / 主標題是否對齊本章本頁（沒有跨章節殘留）
- [ ] 浮水印「AIOnDaily × 咖啡AI學」是否在右下
- [ ] 16:9, 2048×1152 規格
- [ ] 繁體中文（無簡體字、無亂碼）
- [ ] 教材原詞鎖定字段是否一字不差（特別是 C 類項目）

# 4. 三段式回報格式（艾冉每組完成後回報）

```
[Group A 完成回報]
- A-1 L23303 P01: ✓ / ✗ + 一句話結果
- A-2 L23303 P02: ✓ / ✗ + 一句話結果
- A-3 L23303 P09: ✓ / ✗ + 一句話結果
- A-4 L23303 P10: ✓ / ✗ + 一句話結果
- A-5 L23401 P02: ✓ / ✗ + 一句話結果
- A-6 L23402 P02: ✓ / ✗ + 一句話結果
總體：6/6 全綠 / 部分失敗（列出哪幾張需重跑）
```

```
[Group B 完成回報]
- B-1 L23302 P03 / B-2 L23304 P02 / B-3 L23304 P05 / B-4 L23102 P09 / B-5 L23102 P04
總體：5/5 全綠 / 部分失敗
```

```
[Group C 完成回報]
- C-1 L23302 P08 / C-2 L23401 P07 / C-3 L23401 P09 / C-4 L23402 P10 / C-5 L23203 P18
總體：5/5 全綠 / 部分失敗
```

---

**Heiter 已派工。艾冉開三個 subagent 並行執行，今夜 16 張全綠。**