Explicit Free List 為何同時活在兩種順序裡｜Stanford CS107 第 22 堂
CS107 第 22 講把 implicit free list 改成 explicit free list：搜尋只拜訪可重用 blocks，但每塊 free memory 同時具有實體相鄰順序與邏輯鏈結順序，unlink、coalesce、reinsert 必須共同維持不變量。
learning
345 篇文章指標不是魔法，而是可被複製的位址｜Stanford CS107 第 8 堂
CS107 第 8 講從 & 取址與 * 解參照出發，說清楚 C 的 pointer parameter 為何仍是 pass-by-value，以及 int *、char *、char ** 如何分別修改 caller 擁有的 int、char 與 pointer。
Array 不是 Pointer，但它們在運算式裡合作｜Stanford CS107 第 9 堂
CS107 第 9 講用 C strings 七條規則拆開 array object、pointer variable 與 string literal：array 常在運算式中退化成首元素指標，但儲存空間、可重新賦值性、可修改性與 sizeof 行為仍完全不同。
Reverse Engineering 之後，先問 Privacy 與 Trust，再進 Heap Allocator｜Stanford CS107 第 20 堂
CS107 第 20 講把 reverse engineering 能力放回倫理脈絡：privacy 有個人與社會模型，trust 等於 reliance 加上 betrayal risk；接著複習 process memory，從 malloc client 轉成 heap allocator implementer。
Stack 與 Heap 的差別不是速度，而是 Lifetime 與 Ownership｜Stanford CS107 第 10 堂
CS107 第 10 講從 sizeof 與 pointer arithmetic 走進 stack frame lifetime：回傳 local array 會留下 dangling pointer；malloc 讓資料跨越函式返回，但也把 NULL、容量計算、ownership、free 與 memory leak 交給程式設計者。
Wrap-up，六個系統問題與下一站｜Stanford CS107 第 26 堂
CS107 第 26 講用六個大問題收束十週內容：representation、text、memory、generics、execution 與 allocation；它以 explicit allocator 檢查學習成果，並把後續路線指向 CS111 與其他 systems 課。
What is Probability?：先把隨機問題列成結果集合，再談事件的機率。｜Stanford CS109 第 1 堂
先把隨機問題列成結果集合，再談事件的機率。
Conditional Probability：條件不是裝飾，而是把樣本空間縮到已知資訊仍允許的部分。｜Stanford CS109 第 2 堂
條件不是裝飾，而是把樣本空間縮到已知資訊仍允許的部分。
Bayes Theorem：Bayes 定理把容易建模的生成方向，翻成真正想問的推論方向。｜Stanford CS109 第 3 堂
Bayes 定理把容易建模的生成方向，翻成真正想問的推論方向。
Counting and Combinatorics：先判斷順序是否重要、元素能否重複，公式才不會套錯。｜Stanford CS109 第 4 堂
先判斷順序是否重要、元素能否重複，公式才不會套錯。
Random Variables and Expectation：隨機變數是把結果映成數字；期望值是加權平均，不保證會真的出現。｜Stanford CS109 第 5 堂
隨機變數是把結果映成數字；期望值是加權平均，不保證會真的出現。
Moments：期望值、LOTUS 與線性性｜Stanford CS109 第 6 堂
期望值把分布壓成加權平均；LOTUS 處理變換後的值，linearity 則讓隨機變數的和即使不獨立也能直接計算。
Variance 與 Poisson：從分散程度到稀有事件計數｜Stanford CS109 第 7 堂
先用 variance 描述隨機變數的分散程度，再用 Poisson 處理固定區間內的事件數，以及大 n、小 p 的二項近似。
Continuous Random Variables：PDF、CDF、Uniform 與 Exponential｜Stanford CS109 第 8 堂
連續變數的單點機率為零，區間機率是 PDF 面積；CDF、Uniform 與 Exponential 則把面積、等待時間與 memorylessness 串起來。
Normal Distribution：標準化、Φ 與 continuity correction｜Stanford CS109 第 9 堂
標準化把不同尺度的 Normal 變數轉成 Z；Φ、線性轉換與 continuity correction 再把區間與大型 binomial 變成可計算的機率。
Probabilistic Models：joint、marginal、independence 與 Bayes｜Stanford CS109 第 10 堂
Joint distribution 保存多個變數的完整關係；marginal、conditional、independence 與 Bayes 都是從這份關係表取出不同問題的答案。
Inference：prior × likelihood → normalize｜Stanford CS109 第 11 堂
Inference 把 hidden variable 的 prior 逐項乘上 observation likelihood，再正規化成 posterior；同一迴圈可處理多次觀察與離散化的連續 belief。
General Inference：Bayesian networks、sampling 與 rare evidence｜Stanford CS109 第 12 堂
Bayesian network 用 conditional independence 分解巨大 joint；ancestral sampling 生成 joint samples，rejection sampling 再以 evidence 篩出 conditional。
Multinomial：多類別計數、bag of words 與 log probability｜Stanford CS109 第 13 堂
Multinomial 把 binomial 的兩類計數推廣到多類；同一 PMF 也能把文件視為 word counts，配 Bayes 與 log-score 做 authorship inference。
Beta：把未知 probability 變成可更新的 random variable｜Stanford CS109 第 14 堂
Beta distribution 表示對未知成功率的完整 belief；success/failure data 只需更新兩個參數，便能取得 posterior、平滑估計與 Thompson-sampling decision。