提示詞、範本與下載

先下載教材，在自己的 MATLAB 環境完成執行。程式輸出、截圖與報告數字請互相核對。

下載教材

• 完整 MATLAB 公開教材包 1.7：完整教學、四支 .m、提示詞、起始骨架、Markdown 與 PDF 報告範本。
• 153 張合成參考圖庫：原教材 Python 產物，含 108 張 Train、45 張 Test 與 manifest；不是本次 MATLAB 的執行結果。
• 下載校驗碼

公開包保留學習內容，排除編輯用原始驗證紀錄。MATLAB 程式會自行產生感測 CSV、色塊圖及幾何圖庫，不必先放入輸入資料。

可編輯報告範本

• 案例 1：Markdown · PDF
• 案例 2：Markdown · PDF
• 案例 3：Markdown · PDF

三題需求與合成教材對照

這份對照表把已核對的老師要求、助教實作方式與合成案例範圍分開記錄。三個案例用於課前練習，資料內容維持虛構，作業內容請依老師提供的正式題目完成。

案例一：表格分類

合成案例使用 temperatureC、vibrationMmS、currentA 預測正常或需檢查，避開正式題目資料。模型選擇與安全路徑檢核屬助教為初學者設計的實作方式。

案例二：影像分割與面積

合成案例使用紙面不規則柔和紅色色塊與藍色干擾塊，避開正式題目的影像內容。

案例三：圖庫分類

已核對的資料範圍共有三組 ZIP，合計 234 張影像：

• 魚類：Train 46、Test 10。
• 馬與驢：Train 80、Test 20。
• 場地：Train 64、Test 14。

水果壓縮檔與老師另外提供的題目圖片位於目前已核對範圍之外。教材因此維持圓形、三角形、方形的合成圖庫，模擬「既有 Train Set／Test Set 資料夾、讀圖、抽特徵、訓練、獨立測試」流程，並保留目前 108 張 Train、45 張 Test 的教材規模。

已核對的報告內容為「執行結果、處理程序、程式碼」。CASE3_REPORT_TEMPLATE.md 依這三節排列。PDF 格式、獨立 .m、manifest、PNG、JSON、檢核程式與教材 ZIP 均標示為助教實作方式。案例三目前未設定特定正確率門檻，也不把 80/20 套用到既有 Train/Test 資料夾。

閱讀與執行原則

• 三份逐段教材以最終 .m 的實際行號與 SHA-256 為準；每段保留完整程式片段，段內涵蓋每個非空行。
• GPT／Claude 負責產生或解釋文字；MATLAB Desktop／Online 的真實輸出才是執行依據。
• MATLAB 執行結果、截圖與報告數值由同學在自己的授權環境產生並保存。
• 教材的報告 PDF 是可編輯內容範本；案例一依要求填入程式碼截圖，案例二、三則填入程式碼，採截圖呈現時請保持文字清楚。

MATLAB 分階段提示詞與暫測

每次把目前完整的 .m 檔和一個階段提示詞貼給 GPT／Claude。請模型只修改指定區塊、保留既有函式名稱，並把新增的局部函式放在主要函式之後。完成一個階段後，請在 MATLAB Desktop 或 MATLAB Online 的 Command Window 執行暫測命令，再把真實輸出貼回對話。

所有階段統一採這個輸出格式：每段先說目的，列出完整程式區塊與原始行號範圍，再逐行解釋符號、參數、資料尺寸與用途。程式更新後，請依最終來源重新核對分段與原始行號。

案例一

階段一：合成、寫入與讀回資料

目標：建立五欄虛構感測 table，寫成 CSV 後用 readtable 讀回。

提示詞：

延續案例一骨架。請在主函式加入固定 rng(20261021,'twister')，產生 240 筆 deviceID, temperatureC, vibrationMmS, currentA, label，寫到專案內 synthetic_sensor_data.csv 並讀回；新增 ensureSafeOutput 局部函式放在檔案末端。資料請限定為本案例的虛構設備感測資料，程式使用 base MATLAB。每個含程式內容的行加台灣繁體中文行尾註解。

本階段必要摘要欄位：outputDir, rowCount。

暫測：執行 s = case1_sensor_classifier_matlab;，再確認 isfile(fullfile(s.outputDir,'synthetic_sensor_data.csv'))。本階段摘要需暫時保留 outputDir 與 rowCount。

階段二：分層切分與 Train-only 標準化

目標：新增 stratifiedSplit，先切分再只用 Train 計算 means 與 scales。

提示詞：

保留階段一。新增局部函式 stratifiedSplit(labels,testRatio,seed)；在主函式用 20% 分層保留測試，形成 80% Train Set 與 20% Test Set，保存 trainRatio, testRatio, trainIDs, testIDs, standardizerMeans, standardizerScales。請先完成資料切分，再只用 Train Set 估計前處理參數；分層切分請以 base MATLAB 自行實作。

本階段必要摘要欄位：保留 outputDir, rowCount，新增 trainCount, testCount, trainRatio, testRatio, trainIDs, testIDs, standardizerMeans, standardizerScales。

暫測：執行 s = case1_sensor_classifier_matlab;，再執行 intersect(string(s.trainIDs),string(s.testIDs))；應為空。

階段三：簡單分類與混淆矩陣

目標：加入自行實作羅吉斯分類器、機率、逐筆預測與二乘二混淆矩陣。

提示詞：

保留前兩階段。新增 trainLogistic、predictProbability、binaryConfusion；只用 Train 訓練，Test 專門用於評估。摘要保存混淆矩陣、accuracy、positiveRecall，並註明機率是校準前模型估計，真實風險需另行評估。

本階段必要摘要欄位：保留前兩階段欄位，新增 confusionMatrix, accuracy, positiveRecall, probabilityNote。

暫測：執行 s = case1_sensor_classifier_matlab; disp(s.confusionMatrix); disp(s.positiveRecall);，確認矩陣總和等於 s.testCount。

階段四：固定輸出與錯誤處理

目標：輸出逐筆 CSV、JSON，保留安全路徑與可辨識錯誤。

提示詞：

將案例一整理為最終 case1_sensor_classifier_matlab.m 介面。輸出 synthetic_sensor_data.csv、test_predictions.csv、summary.json；新增 writeJson。請保留現有資料，並以 Tutorial:UnsafeOutput 阻擋專案外路徑。

本階段必要摘要欄位：保留前三階段全部欄位，並將同一份摘要寫入 summary.json。

暫測：重新執行兩次 case1_sensor_classifier_matlab；固定種子摘要應一致。

案例二

階段一：合成紙面影像

目標：以矩陣、meshgrid、inpolygon 建立米白背景、紅色不規則色塊與藍色干擾塊。

提示詞：

延續案例二骨架。只用 base MATLAB 建立 320×240 RGB PNG；新增 paintMask 與 ensureSafeOutput 局部函式。輸出固定為 synthetic_paper_blocks.png。每個含程式內容的行加繁中行尾註解。

本階段必要摘要欄位：outputDir。

暫測：執行 s = case2_image_measure_matlab; size(imread(fullfile(s.outputDir,'synthetic_paper_blocks.png')))，應為 240 320 3；本階段暫時在摘要保留 outputDir。

階段二：門檻與最大連通元件

目標：以紅色通道至少 170、紅色優勢至少 55 分割，並自行實作四方向連通搜尋。

提示詞：

保留階段一。新增 base MATLAB 局部函式 largestComponent(mask)，自行完成最大連通元件搜尋。空分割以 Tutorial:EmptySegmentation 停止。摘要暫存 pixelArea。

本階段必要摘要欄位：保留 outputDir，新增 redThreshold, dominanceMargin, pixelArea。

暫測：執行 s = case2_image_measure_matlab; assert(s.pixelArea > 0);。

階段三：輪廓與比例換算

目標：自行抽取四方向輪廓，以整個元件像素數換算平方毫米。

提示詞：

新增 contourPixels(component)。設定 pixelSizeMm=1.0，計算 areaSquareMm=pixelArea*pixelSizeMm^2。分開保存 contourPixelCount；面積請使用原始分割元件的像素數，並在疊圖用 [255 0 0] 純紅色標出外輪廓。

本階段必要摘要欄位：保留前兩階段欄位，新增 pixelSizeMm, contourPixelCount, areaSquareMm, areaNote。

暫測：執行 s = case2_image_measure_matlab; assert(s.pixelSizeMm==1.0); assert(s.contourPixelCount < s.pixelArea); assert(abs(s.areaSquareMm-s.pixelArea)<1e-10);。

階段四：影像與 JSON 產物

目標：保存遮罩、輪廓疊圖與可稽核參數。

提示詞：

完成最終案例二介面，輸出原圖、segmentation_mask.png、contour_overlay.png、measurement.json；新增 writeJson。採影像處理流程完成本案例。

本階段必要摘要欄位：保留前三階段全部欄位，新增 conversionFormula，並寫入 measurement.json。

暫測：重跑兩次並比較 pixelArea；固定合成結果應一致。

案例三

階段一：建立中性路徑圖庫

目標：先洗牌標籤，再分配中性流水檔名；Train 與 Test 使用不同固定種子。

提示詞：

延續案例三骨架。新增 buildSplit、drawShape、polygonPoints、pixelSignature、ensureSafeOutput。所有類別使用同尺寸、背景、前景；影像放在 images/train 與 images/test，標籤集中寫在 manifest。共享精確像素簽章集合，重複就重畫，最多 50 次。主函式在本階段建立、寫入並讀回兩份 manifest；讀取 CSV 時明確指定 'Delimiter',','、'TextType','string'、'VariableNamingRule','preserve'，讓路徑中的斜線保持為欄位內容。回傳下列必要摘要欄位；特徵與模型函式將在後續階段加入。

本階段必要摘要欄位：outputDir, seedTrain, seedTest, labels, trainCount, testCount, trainUniquePixelCount, testUniquePixelCount, trainTestPixelOverlap。

暫測：執行 s = case3_shape_classifier_matlab; assert(s.trainCount==108); assert(s.testCount==45); assert(s.trainUniquePixelCount==s.trainCount); assert(s.testUniquePixelCount==s.testCount); assert(isempty(s.trainTestPixelOverlap));。

階段二：讀圖與特徵

目標：從實際 PNG 抽取 fillRatio, circularity, areaRatio。

提示詞：

保留階段一。新增 resolvePaths 與 extractFeatures；以前景平均亮度小於 128 判定圖形，自行計算四方向邊界長度。缺圖與空前景須有固定錯誤識別碼。主函式抽取 Train 與 Test 特徵，模型訓練安排在下一階段。

本階段必要摘要欄位：保留階段一欄位，新增 features, featurePreview；featurePreview 保存前三筆實際 Train 特徵。

暫測：執行 s = case3_shape_classifier_matlab; disp(s.features); disp(s.featurePreview); assert(all(isfinite(s.featurePreview),'all'));。本階段直接檢查已產生的特徵摘要；evaluation.json 將在第四階段建立。

階段三：Train-only 前處理與三近鄰

目標：只用 Train 特徵擬合標準化，Test 只做獨立評估。

提示詞：

新增自行實作的 predictKnn 與 multiclassConfusion。摘要保存 Train 平均值、標準差、混淆矩陣與 accuracy。平手時依標籤文字固定排序。

本階段必要摘要欄位：保留前兩階段欄位，新增 standardizerMeans, standardizerScales, confusionMatrix, accuracy。

暫測：執行 s = case3_shape_classifier_matlab; assert(sum(s.confusionMatrix,'all')==s.testCount);。

階段四：洩漏檢查、輸出與限制

目標：從實際 manifest 與 PNG 重算路徑和像素交集，保存逐張預測與限制。

提示詞：

完成最終案例三介面。路徑或像素交集包含項目時停止；輸出兩份 manifest、影像、test_predictions.csv、evaluation.json。限制必須寫明：本範例呈現合成簡單圖形的結果，真實照片與其他合成規則捷徑需另行評估。

本階段必要摘要欄位：保留前三階段全部欄位，新增 trainTestPathOverlap, limitation，並寫入 evaluation.json。

暫測：執行 run_matlab_tests；以 MATLAB 實際輸出作為執行依據。

MATLAB 起始骨架

先建立對應檔名，再貼入骨架。執行骨架會顯示準備完成。接著依 MATLAB_STAGE_PROMPTS.md 逐步用正式資料流程取代 disp。局部輔助函式放在主要函式的 end 之後，並沿用教材指定的函式名稱。

三個骨架後續會依固定設定展開：案例一採 80% Train Set 與 20% Test Set；案例二採 1 mm × 1 mm/像素並畫純紅色外輪廓；案例三保留獨立 Train Set／Test Set。完成程式後，請從最終來源重新產生逐段教材，讓流程分段與段內行號持續一致。

case1_sensor_classifier_matlab.m

function summary = case1_sensor_classifier_matlab(outputDir) % 定義案例一主函式。
projectRoot = fileparts(mfilename('fullpath')); % 由本檔位置取得固定專案根目錄。
if nargin < 1 % 呼叫者省略輸出位置時套用預設值。
    outputDir = fullfile(projectRoot,'matlab_artifacts','case1'); % 使用專案內預設路徑。
end % 結束預設路徑條件。
summary = struct; % 建立暫時摘要結構。
summary.outputDir = outputDir; % 保存暫時輸出位置供檢查。
disp('案例一骨架準備完成'); % 顯示骨架可執行訊息。
end % 結束案例一骨架主函式。

case2_image_measure_matlab.m

function summary = case2_image_measure_matlab(outputDir) % 定義案例二主函式。
projectRoot = fileparts(mfilename('fullpath')); % 由本檔位置取得固定專案根目錄。
if nargin < 1 % 呼叫者省略輸出位置時套用預設值。
    outputDir = fullfile(projectRoot,'matlab_artifacts','case2'); % 使用專案內預設路徑。
end % 結束預設路徑條件。
summary = struct; % 建立暫時摘要結構。
summary.outputDir = outputDir; % 保存暫時輸出位置供檢查。
disp('案例二骨架準備完成'); % 顯示骨架可執行訊息。
end % 結束案例二骨架主函式。

case3_shape_classifier_matlab.m

function summary = case3_shape_classifier_matlab(outputDir) % 定義案例三主函式。
projectRoot = fileparts(mfilename('fullpath')); % 由本檔位置取得固定專案根目錄。
if nargin < 1 % 呼叫者省略輸出位置時套用預設值。
    outputDir = fullfile(projectRoot,'matlab_artifacts','case3'); % 使用專案內預設路徑。
end % 結束預設路徑條件。
summary = struct; % 建立暫時摘要結構。
summary.outputDir = outputDir; % 保存暫時輸出位置供檢查。
disp('案例三骨架準備完成'); % 顯示骨架可執行訊息。
end % 結束案例三骨架主函式。

在 Command Window 分別輸入三個函式名稱。看到骨架準備完成後，再進入第一階段。這項檢查確認函式檔可被找到與呼叫；案例演算法將在後續階段逐步完成與驗證。