摘要
Topic 1 - Part 1
影片連結:
https://youtu.be/AkI5jTbnU0E
Topic 1 - Part 2
影片連結:
https://youtu.be/T3CrlQ0fmDI
Topic 1 - Part 3
影片連結:
https://youtu.be//DwYqI14h0ak
Topic 1 - Part 4
影片連結:
https://youtu.be/IoAIgTi9SYU
Topic 1 - Part 1 主要在複習 Linear Algebra 中一些基本
觀念。
其中較為重要的部分為將 Hermitian matrix 做分解
(eigen-decomposition)，及講義第四頁中提及的有關向
量-矩陣乘法中的二次式表示式 (quadratic form) 和其
背後牽涉到的物理意義。
若對 eigen decomposition 已有熟悉度，可直接跳到第四
頁的 Property、Remarks 的說明 (約在 40 分 30 秒處)，
前段的影片內容可跳過無妨。
摘要
Topic 1 - Part 2 主要在推導矩陣的奇異值分解 Singular
Value Decomposition (SVD)。
SVD 為重要的矩陣分解法，它非常強大，不需要許多限制
條件而仍能將矩陣分解成三個特殊矩陣相乘。需要諸位能
熟悉 SVD 的推導過程、其結果，及分解後三個矩陣的特
質。
這節影片和之後的課程並無太大相關性，雖不會造成後續
課程的理解障礙，但還是非常建議諸位能了解 SVD，對於
訊號處理演算法設計上甚有助益 (例: 通訊系統中手機基地
台或 Wi-Fi 路由器多天線傳送端的 beamforming 設
計)。
摘要
Topic 1 - Part 3 在複習隨機變數、條件機率。重點有三:
1) 隨機變數的定義。
2) 由隨機變數所建立的關係式 (等式、不等式、屬於) 會
建構出一個機率事件。
3) 第 11 頁有關條件機率的觀念澄清。
摘要
Topic 1 - Part 4 在複習全機率定理 (total probability
theorem)、貝式定理 (Bayes rule)。
1) 全機率定理是計算複雜事件機率時常用的定理。
2) 貝式定理主要應用為統計推論，也是諸多訊號偵測、決
策判斷、物件辨識的理論基礎。所提 maximum a
posteriori probabiltiy (MAP) 偵測準則是所有統計推論法
中判斷錯誤機率最小的法則。
 摘要
Topic 1 - Part 5
Topic 1 - Part 5 仍在複習貝氏定理，及串接起 total
probability theorem 和期望值這兩個概念，會提及全機
率定理和期望值背後相似的本質。

影片連結:

https://youtu.be/_Q-13ZQDgSY

摘要
Topic 1 - Part 6
Topic 1 - Part 6 的重點如下:
1. 條件期望值的定義及其重要性。必須了
解 E[E[X|Y]]=E[X]這等式的用法。
2. CDF 的定義及典型求取連續隨機變數 PDF 的兩部
影片連結: 曲做法: 1) 找 CDF; 2) 對 CDF 取微分
3. Total probability 及 Bayes 定理之一重要變
https://youtu.be/0dxJLxmmXWE 形: 推導 P(N=n|Y=y) 的做法，其中 N 為離散隨機
變數，Y 為連續隨機變數。此變形可常見於統計、
通訊系統演算法、控制系統訊號偵測、機器學習分
類之應用。

摘要
Topic 1 - Part 7
Topic 1 - Part 7 的重點在說明 Bayes 定理之兩個重要變
形:P(N=n|Y=y)和 fY|N(y|n)，其中 N 為離散隨機變
數，YY 為連續隨機變數。並舉例說明 P(N=n|Y=y)在通
訊系統訊號偵測的應用。
影片連結:

https://youtu.be/TApwgOTkftk

摘要
Topic 1 - Part 8
Topic 1 - Part 8 複習四個 total probability theorem 的
變形並舉例說明。

影片連結:

https://youtu.be/kymEpBgR_40