本週完成成果
你會把「照片太少」這個問題拆成清楚規格，請 Google Antigravity 協助產生資料處理程式，並由小組檢查旋轉、翻轉或亮度調整後的圖片是否仍符合原標籤。
完成標準｜個人 list／dictionary 練習可執行；小組程式能從 inputs 產生 outputs；data_readme.md 記錄來源、授權、處理方法、張數與人工抽查結果。
課前準備
步驟 1｜小組：選擇一個不含人臉、學號或私人空間的簡單物件，例如水瓶、馬克杯或文具，準備 6–10 張自有照片。
預期結果｜每張照片都能說明來源與使用權；沒有從網路任意下載。
步驟 2｜Codespaces 終端機：安裝本週鎖定依賴、建立資料夾，並確認圖片只放在課程允許的位置。
python -m pip install -r courseware/gs3073-b/requirements-week04.txt
mkdir -p data/input data/output codes
find data/input -maxdepth 1 -type f | sort預期結果｜Pillow 安裝完成；input 只包含核准的小型測試照片，output 尚可為空。
步驟 3｜Antigravity：開啟小組 Repo 工作區，先只要求它閱讀需求與提出計畫，不准直接大量修改。
預期結果｜Agent 回覆包含預計修改檔案、處理方法與驗證方式，學生先核准計畫。
第二、三小時｜課堂教材與個人技術實作
故事開始｜小組想教 AI 分辨「水瓶」和「馬克杯」，但桌上只有八張照片。有人提議把同一張照片轉一點角度、調亮一點，像替同一位演員換站位與燈光，讓模型看見更多合理變化。問題是：轉過頭或裁掉重點，就可能變成錯誤教材。
老師先問｜圖片變多就一定比較好嗎？不是。複製一百張同樣的錯誤照片，只會讓錯誤更有份量；資料增強要保留原本標籤代表的意思。
生活比喻｜Data Augmentation 像讓學生從正面、側面、明暗不同的角度認同一個物品；Antigravity 像實習助教，可以先寫重複工作，但老師和學生仍要抽查每一批成果。
先看全程地圖｜先看懂資料與決策怎麼移動，再開始操作。圖中的箭頭代表下一步，不代表可以跳過人工確認。
┌──────────┐ → ┌──────────┐ → ┌──────────┐
│ 自有原始照片│ │ 寫處理規格│ │ Agent 產生草稿│
└──────────┘ └──────────┘ └────┬─────┘
↓
┌──────────┐ ← ┌──────────┐ ← ┌──────────┐
│ 記錄資料卡│ │ 人工抽查標籤│ │ 小批次執行│
└──────────┘ └──────────┘ └──────────┘步驟 4｜個人編輯器：完成 list 與 dictionary 練習，先用文字資料理解一筆樣本的標籤。
samples = [
{'file': 'cup_01.jpg', 'label': 'cup'},
{'file': 'bottle_01.jpg', 'label': 'bottle'},
]
for sample in samples:
print(sample['file'], '->', sample['label'])預期結果｜執行 week04_list_dict.py 時，每個檔名都對到一個標籤。
步驟 5｜小組：把需求寫成 Agent 看得懂的工作單，限制輸入、輸出與禁止事項。
請只建立 codes/data_preprocessing.py。
輸入：data/input 下的 jpg/png。
輸出：data/output，每張最多產生水平翻轉與小角度旋轉各一張。
要求：保留原檔、不處理人臉、不連網、不覆蓋既有輸出；固定 random seed；最後列出成功與失敗數。
先提出計畫，等我確認後再修改。預期結果｜Agent 沒有修改需求外檔案，也沒有把圖片上傳到外部服務。
步驟 6｜Codespaces：先用兩張照片執行，再查看檔案數與尺寸，禁止一開始處理整批。
python codes/data_preprocessing.py --input data/input --output data/output --limit 2
find data/output -maxdepth 1 -type f | sort預期結果｜每張輸入最多得到規格允許的輸出；原始 input 沒被更動。
步驟 7｜小組人工抽查：逐張打開輸出，記錄「標籤仍正確／需刪除」與原因，完成 data_readme.md。
預期結果｜至少記錄一個可能失敗的例子，例如文字被鏡像、主體被裁掉或角度失真。
課堂收束｜比較「Agent 說成功」與「人眼抽查通過」的差異。今天的重點不是產生最多圖片，而是建立可以解釋、重跑、知道何時失敗的資料流程。
指定閱讀與課後作業
指定閱讀｜依課綱完成 W3Schools Python Lists 與 Dictionaries；官方 Python Data Structures 用來補充 list／dict 的正確行為。
課後作業方向｜個人完成 list／dict 題目；小組整理資料處理程式與資料卡。圖片若不適合進 Git，請只提交小型公開安全樣本與取得方式，不要硬塞大型資料集。
步驟 8｜個人：完成 week04_list_dict.py，加入至少三筆物件與一個依標籤計數的結果。
預期結果｜輸出數量與手動計算一致。
步驟 9｜小組：在 feat-data 分支提交程式與 data_readme.md，PR 中附上執行指令、抽查張數與已知限制。
git add week04_list_dict.py codes/data_preprocessing.py data_readme.md
git commit -m 'W4: add reviewed data augmentation workflow'
git push -u origin HEAD預期結果｜PR 不含個資、大型模型、Secrets 或未授權圖片。
驗收方式
python week04_list_dict.py
python codes/data_preprocessing.py --help
test -f data_readme.md
git status --short通過條件｜個人程式可執行；小組處理腳本有 help；資料卡說明來源、授權、處理、抽查與限制；Git 工作目錄乾淨。
應提交的 Repo 檔案
必交｜week04_list_dict.py、codes/data_preprocessing.py、data_readme.md。只提交課綱指定成果與重現所需說明；不得提交 API key、個資、私人對話、未授權資料或大型模型檔。
常見問題與排除
問題 1｜Agent 一次改太多檔：取消變更，縮小工作單並先要求計畫。
問題 2｜輸出圖片方向錯誤：檢查 EXIF orientation，並把錯誤樣本列入資料卡。
問題 3｜Codespace 空間不足：刪除可重建的 output，不刪原始資料；大型資料改用教師核准儲存位置。
引用資料
國立中央大學授課課綱／劉書銘老師，《劉書銘老師課程大綱_基礎模型與生成式人工智慧-更新版.pdf》；教師提供附件。用途：W1–W16 時段、實作主題、評量與交付物。
Google for Developers Codelabs，《Building with Google Antigravity》；https://codelabs.developers.google.com/building-with-google-antigravity；查閱日期：2026-08-04。用途：W4、W14 Antigravity Agent 工作區、任務與人工檢查流程。
Python Software Foundation，《Data Structures》；https://docs.python.org/3/tutorial/datastructures.html；查閱日期：2026-08-04。用途：W4 list、dictionary 與資料處理程式基礎。
W3Schools（課綱指定閱讀），《Python Lists and Dictionaries》；https://www.w3schools.com/python/python_lists.asp；查閱日期：2026-08-04。用途：W4 課後 Python Lists 與 Dictionaries 指定閱讀。