# L23201 prompts.md ↔ chunks/L23201.txt 行號對照（output3 版）

本文件記錄 `output3/L23201_機器學習原理與技術/prompts.md` 中每一頁 prompt 對應到 `chunks/L23201.txt` 的行號範圍。

**output3 版的設計原則：章節命名與切頁嚴格沿用 chunks 原文 `#` heading**，每頁 1 對 1 對應一個原始章節（含節導讀 + 各 `（X）` 子小節）。子小節 `# （X）...` 的主標題前綴父章節編號（例：「2.（1）...」）以提升可讀性，主詞不動。章節導讀頁（章節標題下只有 1–3 段話）獨立成頁，內容用「指向子小節入口」設計。

**本章單頁均未達「≥ 50 行」密集頁門檻，故未拆子頁。** 本章最大頁為 4.（3）非監督式學習訓練流程與評估方法（31 行，含內部/外部評估指標 + 視覺化輔助三大塊），prompt 內已要求版面切多區塊；先生圖看效果，若可讀性不足再拆 P16a / P16b。

## 對照表

| Prompt | 主標題 | L23201.txt 行號 | 對應教材小節 |
|---|---|---:|---|
| P01 | 1. 前言與章節導覽 | 7–15 | `# 1.前言與章節導覽` |
| P02 | 2. 機器學習的基本結構 | 17–19 | `# 2.機器學習的基本結構` 章節導讀 |
| P03 | 2.（1）輸入資料與特徵空間 | 21–25 | `# （1）輸入資料與特徵空間`（資料來源 → 前處理 → 向量/矩陣、Feature Space 幾何分佈） |
| P04 | 2.（2）任務目標與標籤型態 | 27–51 | `# （2）任務目標與標籤型態`（Classification/Regression/Clustering/Dimensionality Reduction/Sequential Decision 五類） |
| P05 | 2.（3）模型與假設空間 | 53–61 | `# （3）模型與假設空間`（Hypothesis Space、線性/決策樹/神經網路三種模型假設） |
| P06 | 2.（4）學習目標與損失函數 | 63–77 | `# （4）學習目標與損失函數`（MSE/MAE/Cross-Entropy 三大損失函數） |
| P07 | 2.（5）資料分割與評估準則 | 79–97 | `# （5）資料分割與評估準則`（Train/Validation/Test 三分割 + 分類/迴歸評估指標） |
| P08 | 3. 監督式學習 | 99–103 | `# 3.監督式學習` 章節導讀 |
| P09 | 3.（1）基本架構 | 105–107 | `# （1）基本架構` — 監督式（features + label → f → 預測） |
| P10 | 3.（2）主要任務類型 | 109–131 | `# （2）主要任務類型` — 監督式（Classification + Regression 兩大類，含應用 bullets） |
| P11 | 3.（3）訓練流程與評估方法 | 133–148 | `# （3）訓練流程與評估方法` — 監督式四階段（資料準備/訓練/驗證調整/測試部署） |
| P12 | 3.（4）應用場景 | 150–158 | `# （4）應用場景` — 監督式（圖像分類/信用風險/醫療診斷 三應用） |
| P13 | 4. 非監督式學習 | 160–162 | `# 4.非監督式學習` 章節導讀 |
| P14 | 4.（1）基本架構 | 164–172 | `# （1）基本架構` — 非監督（vs 監督對比 + 三種輸出型態） |
| P15 | 4.（2）主要任務類型 | 174–192 | `# （2）主要任務類型` — 非監督（Clustering/Dimensionality Reduction/Association Rule/Representation Learning 四類） |
| P16 | 4.（3）訓練流程與評估方法 | 194–224 | `# （3）訓練流程與評估方法` — 非監督（訓練三步 + 內部/外部評估指標 + 視覺化輔助） |
| P16b | 4.（3）非監督式學習評估方法（P16 拆頁） | 206–224 | 從 P16 拆出評估方法獨立成頁（內部/外部評估指標 + 視覺化輔助 + 應用 icon row） |
| P17 | 4.（4）應用場景 | 226–236 | `# （4）應用場景` — 非監督（客戶分群/社群偵測/影像壓縮/主題模型/特徵工程 五應用） |
| P18 | 5. 強化式學習簡介 | 238–242 | `# 5.強化式學習簡介` 章節導讀 |
| P19 | 5.（1）基本架構 | 244–257 | `# （1）基本架構` — RL MDP 七要素（Agent/Environment/State/Action/Reward/Policy/Value Function） |
| P20 | 5.（2）主要任務類型 | 259–279 | `# （2）主要任務類型` — RL（Policy/Value/Model-Based/Model-Free + 離散/連續動作空間） |
| P21 | 5.（3）訓練流程與評估方法 | 281–296 | `# （3）訓練流程與評估方法` — RL 四步迴圈 + 長期績效指標 + 樣本效率挑戰 |
| P22 | 5.（4）應用場景 | 298–308 | `# （4）應用場景` — RL 五大應用（遊戲 AI/自駕/推薦/金融/運輸）+ 三大挑戰 |

合計 **23 頁**（P16 拆出 P16b 後）。

## 注意事項

1. **本地行號 vs PDF 全域行號**：上表行號為 `chunks/L23201.txt` 內的本地行號（從 1 開始算）。chunks 檔頭寫的 PDF 全域行數範圍為 991–1298，因此換算公式：
   - **PDF 全域行號 = 990 + 本地行號**（即起始 991 對應本地 1）
   - 範例：P01 本地 7–15 → PDF 全域 997–1005；P22 本地 298–308 → PDF 全域 1288–1298。

2. **行號範圍涵蓋率**：
   - 本地 7–308 行幾乎完整覆蓋（除 1–6 行檔頭 metadata、6 行為「# 4.1機器學習原理與技術」檔頭頂層標題不獨立成頁、309 行後的空白與檔尾）。
   - 各頁行號**連續無斷層**，每一行教材內容都至少屬於一個 prompt。
   - 段落間的單行空白歸入下一頁起點，與 chunks 原文段落分隔對齊。

3. **密集頁警示**：
   - 本章**無單頁 ≥ 50 行的密集頁**。最長頁為 P16（4.（3）非監督式學習訓練流程與評估方法，31 行），含「訓練流程三步 + 內部評估指標 + 外部評估指標 + 視覺化輔助」共四塊內容；prompt 已要求版面切上下兩大塊（流程／評估），下塊再切三欄（內部／外部／視覺化）。
   - 次長頁為 P10（3.（2）主要任務類型，23 行）含分類 + 迴歸兩大類各帶三個應用 bullet，prompt 已要求上下兩塊呈現。
   - **本次先不主動拆頁**，等使用者看實際生圖效果再決定是否需要拆 P16a / P16b。

4. **TERMS_RULE 覆寫頁清單**（共 5 頁）：
   - **P07** — 2.（5）資料分割與評估準則：分類指標「準確率（Accuracy）／精確率與召回率（Precision/Recall）／F1 分數」與迴歸指標「MAE／MSE／決定係數（R²）」中英配對必須完整保留。
   - **P12** — 3.（4）應用場景：三個「輸入 → 輸出」配對必須完整保留（影像 → 物件類別／資料 → 信用等級／病患資訊 → 疾病類型）。
   - **P16** — 4.（3）訓練流程與評估方法：內外部評估指標英文詞鎖死（Silhouette score／Davies-Bouldin／Reconstruction Error／Rand Index／Adjusted Mutual Information，AMI），不可改用 Silhouette Coefficient 等變體。
   - **P18** — 5. 強化式學習簡介：「強化式學習（Reinforcement Learning, RL）」「最大化長期累積報酬（Reward）」中英對照與括號鎖死。
   - **P19** — 5.（1）基本架構：MDP 七要素中英對照詞整組鎖死（Agent／Environment／State／Action／Reward／Policy／Value Function）。

5. **章節導讀頁（P02/P08/P13/P18）內容偏輕**：原文每段只有 1–3 句話，prompt 已加上「指向子小節入口」的設計讓版面有東西可呈現。如果嫌四張導讀頁佔頁數，可以把它們各自合進該章 `（1）` 那頁（會回到 18 頁版本）— 但這會破壞「章節導讀獨立成頁」的 output3 原則，建議保留。

6. **與 L23102 標竿一致的設計選擇**：
   - 共用變數四件組（L_CODE / STYLE_BASE / TERMS_RULE / LAYOUT_RULE）一字未動，僅 L_CODE 從 L23102 改為 L23201。
   - 子小節主標題前綴父章節編號（如「2.（1）」「3.（2）」），主詞沿用 chunks 原文。
   - 公式/技術術語從 chunks 原文整段抄，括號中英對照詞整組保留。
   - 檔名格式：`L23201_p<XX>_sec<節碼>_<英文 slug>.png`（snake_case）。

## 用途

- 校對：每頁 prompt 是否漏掉教材原詞，照行號回去抓教材原文補。
- 擴/減頁決策：要把 P16 拆成 P16a（流程 + 內部）/ P16b（外部 + 視覺化）、或把章節導讀合併時，看行號邊界決定切點。
- 跨章節參考：之後 L23202+ 章節可套同樣的「章節嚴格沿用 chunks heading + 密集小節必要時拆子頁」原則編 prompts.md + prompts_to_chunks.md。

— 編表：Heiter（2026-05-05）