MDPs I：把隨機性放進狀態轉移｜Stanford CS221 第 7 堂
Stanford CS221 Autumn 2025 第 7 講依官方材料拆解 MDPs I：把隨機性放進狀態轉移，並標出方法成立的假設與限制。
ai
1239 篇文章MDPs II：不知道轉移模型時如何學 Q 值｜Stanford CS221 第 8 堂
Stanford CS221 Autumn 2025 第 8 講依官方材料拆解 MDPs II：不知道轉移模型時如何學 Q 值，並標出方法成立的假設與限制。
MDPs III：直接對 policy 的期望報酬求梯度｜Stanford CS221 第 9 堂
Stanford CS221 Autumn 2025 第 9 講從 tabular RL 走到 function approximation，再用 log-derivative identity 推出 REINFORCE，最後落到可執行的 PyTorch 更新。
Games I：從 expectimax 到 minimax｜Stanford CS221 第 10 堂
第 10 講把單一 agent 搜尋擴成 adversarial game tree：expectimax 對 chance 求期望、minimax 對對手取最差結果，alpha-beta 則在不改答案下剪掉無關分支。
Games II：TD learning、同時賽局與 Nash 均衡｜Stanford CS221 第 11 堂
第 11 講先用 temporal-difference updates 從遊戲經驗學 value，再從 sequential play 轉向 simultaneous games，以 mixed strategies、minimax guarantee 與 Nash equilibrium 描述穩定策略。
Bayesian Networks I：從 joint distribution 到 factorization｜Stanford CS221 第 12 堂
第 12 講用 random variables 與 factors 建 joint distribution，再以 Bayesian-network factorization 表達 conditional independence，讓 conditioning 與 marginalization 成為可執行的 probabilistic inference。
Bayesian Networks II：Gibbs sampling 與 Markov blanket｜Stanford CS221 第 13 堂
第 13 講在 exact inference 太昂貴時改用 Gibbs sampling：每次只重抽一個變數，僅依 Markov blanket 計算 conditional distribution，並以樣本頻率近似查詢機率。
Bayesian Networks III：從計數、平滑到 EM｜Stanford CS221 第 14 堂
第 14 講從 complete data 的 maximum-likelihood counts 與 Laplace smoothing，走到 latent variables 下交替計算 posterior responsibilities 和更新參數的 EM。
Logic I：模型、蘊涵與 SAT｜Stanford CS221 第 15 堂
第 15 講分開 propositional logic 的 syntax 與 semantics：model checking 用 satisfying assignments 定義 entailment，SAT solver 找見證，inference rules 則必須同時檢查 soundness 與 completeness。
Logic II：量詞讓知識跨越單一命題｜Stanford CS221 第 16 堂
第 16 講用 predicates、quantifiers 與 functions 壓縮跨物件知識，再以 substitution、unification 與 definite-clause forward inference 推導結論，同時標出 termination 與 completeness 限制。
Language Models：從 next-token prediction 到生成｜Stanford CS221 第 17 堂
第 17 講把 language model 定義為 sequence probability 的 chain-rule factorization，對照 n-gram 與 neural conditional models，並說明 sampling、temperature 與 evaluation 如何改變生成結果。
AI & Society：效益、誤用、事故與制度｜Stanford CS221 第 18 堂
第 18 講用 benefits、misuse、accidents 與 structural harms 分類 AI 社會影響，再把 fairness audits、研究倫理、著作權與平台條款接回可追責的制度選擇。
AI Supply Chains：模型背後的資源、勞動與市場｜Stanford CS221 第 19 堂
Lecture 19 用 Economics of AI deck 把 AI 的 compute、data、distribution 與組織互補品接到 GDP、勞動與 ideas 的成長路徑。
Fireside Chat, Conclusion：把二十講收束成建模選擇｜Stanford CS221 第 20 堂
第 20 講是 Percy Liang 談職涯研究、CS221/Stanford 與 AI 未來的 fireside chat；每項歸因都連回官方影片，編者整理則與自動字幕的不確定性分開。
Introduction：為什麼關係資料需要圖機器學習｜Stanford CS224W 第 1 堂
依 Fall 2025 官方投影片逐段整理第 1 講，涵蓋 課程地圖與工具、圖資料的共同語言、傳統特徵與表示學習，並標出自學者拿不到的課堂材料。
Node Embeddings：從隨機漫步到 node2vec｜Stanford CS224W 第 2 堂
依 Fall 2025 官方投影片逐段整理第 2 講，涵蓋 編碼器—解碼器觀點、鄰近度與目標函數、隨機漫步，並標出自學者拿不到的課堂材料。
Graph Neural Networks：message passing 的第一個完整模型｜Stanford CS224W 第 3 堂
依 Fall 2025 官方投影片逐段整理第 3 講，涵蓋 從固定 embedding 到深度編碼器、message passing 框架、聚合與更新，並標出自學者拿不到的課堂材料。
A General Perspective on GNNs：把模型拆成可設計的元件｜Stanford CS224W 第 4 堂
依 Fall 2025 官方投影片逐段整理第 4 講，涵蓋 GNN 設計空間、訊息、聚合與更新、GraphSAGE，並標出自學者拿不到的課堂材料。
GNN Augmentation and Training：資料、任務與模型怎麼一起設計｜Stanford CS224W 第 5 堂
依 Fall 2025 官方投影片逐段整理第 5 講，涵蓋 圖資料 augmentation、特徵與結構 augmentation、supervision 與 loss，並標出自學者拿不到的課堂材料。
Theory of GNNs：WL test、GIN 與表達能力的上限｜Stanford CS224W 第 6 堂
依 Fall 2025 官方投影片整理第 6 講，涵蓋 什麼叫可區分、Weisfeiler–Lehman test、message passing 的上界，並標出無法公開取得的課堂材料。