介紹 Pixels → Perception
透過淺白說明、程式碼與互動實驗,學習影像處理、機器學習及其背後觀念的中英雙語教學網站。
一張影像,起點是一個由數字組成的陣列。要理解這些數字代表什麼,就會碰到訊號、模式、學習與不確定性等問題。為什麼一個小小的運算,就能改變影像的樣貌?模型如何學會辨認物件?在相信它的輸出之前,又該檢查哪些事情?
想和大家介紹 Pixels → Perception,一個提供英文與繁體中文內容的教學網站,試著把這些問題串成有脈絡的學習路徑。網站涵蓋影像處理、圖形識別、機器學習、深度學習、電腦視覺、自然語言處理、最佳化與資訊理論,希望讓讀者能在直覺說明、背後的數學,以及可以親自觀察的實驗之間來回對照。
這個網站想處理的一個落差,是「看懂公式」與「理解公式用起來會發生什麼事」之間的距離。定義在紙上可能很清楚,但當你改變參數、觀察圖表,或遇到一個失敗的例子時,才更容易看見它的假設。教學的安排,就是希望把這些關係說清楚。
學習區分成八條主題路線:
- 基礎:介紹網站的使用方式、建議學習路徑,以及表示與操作影像的基本觀念。
- 影像處理:把影像視為訊號,從強度與空間運算,逐步延伸到復原、壓縮與分割。
- 自然語言處理:探討如何表示語言、建立處理文字的系統,並連結語言學觀念與學習方法。
- 圖形識別:從特徵、統計決策與分類出發,理解辨認模式時涉及的不確定性。
- 機器學習:涵蓋數學基礎、神經網路、表徵學習、生成模型與評估。
- 視覺深度學習:把相關觀念放進影像分類、物件偵測、復原、增強與追蹤等具體任務。
- 最佳化:練習如何建立問題、表達限制條件,並選擇求解方式。
- 資訊理論:研究不確定性、壓縮與通訊,從另一個角度理解其他路線中反覆出現的觀念。
這些主題其實有許多共通之處。分析視覺模型時使用的數學工具,也能幫助我們理解語言模型;關於影像品質的問題,可能需要回到成像過程的假設;訓練上的疑問,也可能在釐清最佳化目標之後變得明確。把這些路線放在同一個網站裡,是希望讀者既能掌握各主題的架構,也能沿著彼此的連結繼續探索。
教學採用一致的閱讀節奏:先說明學習目標,用淺白的方式建立全貌,再逐步介紹定義、公式與例子。程式碼與圖表提供可以實際檢查的對象;後面的段落則連結研究文獻、討論限制,並以重點整理與練習收尾。當某個說明預設了你還不熟悉的知識時,可以透過先備知識連結回頭補足。
例如,互動實驗裡有一個影像濾波示範。你可以修改小型權重矩陣中的數值,直接觀察輸出如何改變。這讓學習形成一個循環:先預測、調整權重、觀察結果,再回到文字說明。其他實驗也涵蓋不同主題路線中的觀念。操作與計算都在瀏覽器中進行,不必先設定程式執行環境,就能開始嘗試。
程式碼範例則讓讀者進一步查看運算本身。你可以修改範例、比較輸出,或透過練習確認自己的理解。部分教學也附有可執行的筆記本連結。這些小型範例著重於說明運作方式,並不代表已重現完整研究系統的規模或效能。
英文與繁體中文版本希望提供相同的學習體驗。繁體中文內容採用臺灣常用的術語,頁首的語言切換則連結到對應頁面。當你習慣用其中一種語言理解概念,卻又需要熟悉另一種語言的專業用語時,就能交互對照。
網站也在有系統的教學之外,保留了部落格。課程提供依序學習一個主題的路徑,部落格則容納介紹、筆記與課程順序以外的討論。如果只是想找回某個觀念,也可以使用搜尋,不必從整條主題路線的開頭重新讀起。
關於網站的製作方式,也想清楚說明:許多內容初稿與程式碼是在 AI 協助下建立的。主題與課程架構由人決定,人工審閱仍是必要的工作。目前的內容仍在審閱中。 說明讀起來流暢,仍可能有錯誤;範例能夠執行,也可能省略重要假設。當細節會影響你的理解或實作時,請搭配文中引用的原始資料查證,並把小型示範當作繼續探究的起點。
如果剛開始接觸這些主題,可以從入門指南與影像就是陣列開始。如果已經有想釐清的問題,可以直接瀏覽主題路線,或先打開互動實驗,再沿著連結閱讀相關教學。你可以循序讀下去、回頭補一段數學,也可以只花一點時間弄懂一個觀念。
邀請大家挑一個問題,先猜猜結果,再動手試一個例子。希望 Pixels → Perception 能幫助你把紙上看似抽象的概念,變成自己能夠說明、驗證與運用的知識。
歡迎造訪 Pixels → Perception 繁體中文版或英文版。