L01｜中文影片導讀
第 1 課英文影片的中文章節導讀：必看章節、聽力關鍵字、節錄評論停止點。
L01｜中文影片導讀
點時間會在 YouTube 跳到該段。離線網站的版本還能「只播必看」、中英雙字幕、自動暫停與下載筆記。
建議學習步驟
- 先花 10 分鐘讀完下面「看之前」三點和必看章節的中文說明，知道 Jeremy 要講什麼再看。
- 只看標「必看」的章節（約 40 分鐘），用 0.75 倍速，遇到下面列出的英文關鍵字就停一下對照。
- 看到「節錄評論」停止點時暫停，用一句中文寫下重點，再從 A/B/C/D 選一個方向寫兩三句自己的想法。
- 看完到 Kaggle 跑一次 Is it a bird? notebook，換成你自己想分辨的兩種東西。
看之前先知道
- 這一課的主角是一個「分辨鳥和森林照片」的程式，2015 年這還被當成不可能的笑話，現在幾分鐘就做到。
- 電腦眼中的照片只是一大堆 0 到 255 的數字（紅、綠、藍三色）。
- fast.ai 的教法是「先做出能用的東西，再慢慢往下挖原理」，所以聽不懂細節很正常，後面的課會補。
聽力關鍵字
| 英文 | 中文 |
|---|---|
| model | 模型 |
| train / training | 訓練 |
| dataset / data | 資料集／資料 |
| pretrained model | 預訓練模型 |
| fine-tune | 微調 |
| weights / parameters | 權重／參數 |
| loss | 損失（模型錯多少） |
| predict / prediction | 預測 |
| label | 標籤（正確答案） |
| validation set | 驗證集 |
| notebook / cell | 筆記本／儲存格 |
| DataBlock | 資料區塊 |
| learner | 學習器 |
| GPU | 顯示卡運算器 |
| segmentation | 影像分割 |
| tabular | 表格資料 |
章節
| 時間 | 建議 | 章節 | 這段在講什麼 |
|---|---|---|---|
| 0:00 | 🟡 可快轉 | 開場 | 第五版課程，兩年來第一次全新錄製。 |
| 0:25 | 🔴 必看 | 2015 年以來改變了什麼 | 用一則 xkcd 漫畫說明：2015 年「判斷照片是不是鳥」還被認為幾乎不可能，而這堂課要免費、幾分鐘做出來。 |
| 1:20 | 🔴 必看 | 這是鳥嗎？ | 示範程式：從 DuckDuckGo 搜尋並下載一張鳥的照片。先看一遍就好，之後會再回來。 |
| 2:09 | 🔴 必看 | 圖片其實是數字 | 用網站示範每個像素由紅綠藍三個 0 到 255 的數字組成，一張圖就是 256 × 171 × 3 個數字。 |
| 3:29 | 🔴 必看 | 下載圖片 | 「不是鳥」很難搜尋，所以改用「森林」當對照組；每類下載圖片並縮小到 400 像素以內。 |
| 4:25 | 🔴 必看 | 建立 DataBlock 與 Learner | DataBlock 告訴 fastai 資料長什麼樣子；先用 show_batch 看幾張圖，確認資料沒問題。 |
| 5:18 | 🔴 必看 | 訓練模型並預測 | 在一般筆電上不到 30 秒就訓練好，拿一張新照片預測，模型說「是鳥」，而且幾乎百分之百確定。 ⏸ 見下方節錄評論 1 |
| 7:20 | 🟡 可快轉 | 深度學習現在能做什麼 | 展示 DALL-E 2 把文字變成圖片等例子，感受技術進步的速度。 |
| 10:33 | 🟡 可快轉 | PaLM 語言模型 | Google 的語言模型能解數學題並說明思路，甚至能解釋笑話。 |
| 15:40 | 🔴 必看 | 課程怎麼教：由上而下 | 先做出完整可用的東西，再往下學原理；像學打球先下場玩，不是先背規則十五年。 ⏸ 見下方節錄評論 2 |
| 19:25 | ⚪ 可略過 | Jeremy 的經歷 | 講者自我介紹：Kaggle 冠軍、創辦 Enlitic 和 fast.ai。 |
| 22:38 | 🟡 可快轉 | 2012 年的做法 vs 現在 | 以前要很多專家手工設計特徵（例如乳癌病理切片研究），現在交給神經網路自己學。 |
| 24:31 | 🔴 必看 | 看見神經網路學到什麼 | Zeiler 與 Fergus 把每一層權重畫出來：第一層找邊線和顏色，越後面的層組合出眼睛、文字等複雜特徵。 |
| 27:40 | 🟡 可快轉 | 把聲音變成圖片來分類 | 學生把聲音波形畫成圖，再用圖片分類器處理，得到頂尖成績。 |
| 28:08 | 🟡 可快轉 | 時間序列與詐騙偵測 | 滑鼠移動軌跡也能畫成圖片來偵測詐騙。重點：不需要很多數學、很多資料、很貴的電腦。 |
| 30:16 | ⚪ 可略過 | PyTorch vs TensorFlow | 研究界大多已轉用 PyTorch，所以課程用 PyTorch。 |
| 31:43 | 🟡 可快轉 | fastai 建在 PyTorch 之上 | 同一件事，PyTorch 要寫一大段，fastai 只要幾行。 |
| 35:18 | 🔴 必看 | 用雲端 Kaggle 跑 notebook | 在 Kaggle 按 Copy & Edit 複製別人的 notebook；介紹 Jupyter 的基本操作。 |
| 38:45 | 🔴 必看 | 回到「是不是鳥」的 notebook | 第一格先更新 fastai 到最新版，避免版本問題。 |
| 40:15 | 🟡 可快轉 | 如何匯入 fastai | from fastai.vision.all import * 一行就把需要的工具都帶進來。 |
| 40:42 | 🔴 必看 | 最佳實踐：每一步都看資料 | Jeremy 的習慣：每做一步就把資料印出來看，確認合理再繼續。 |
| 42:00 | 🔴 必看 | DataBlock 整體說明 | 實務上大部分時間花在「把資料整理好送進模型」，模型種類其實只需要少數幾種。 |
| 44:40 | 🔴 必看 | DataBlock 的五個參數 | blocks（輸入輸出類型）、get_items（資料在哪）、splitter（切出驗證集）、get_y（標籤從哪來）、item_tfms（每張圖怎麼處理）。 ⏸ 見下方節錄評論 3 |
| 48:40 | 🟡 可快轉 | 去哪裡找 fastai 文件 | docs.fast.ai 有很多範例，先找類似的例子照著改。 |
| 49:54 | 🔴 必看 | Learner：資料 + 模型 | learner 把資料和模型組合在一起，例如 vision_learner(dls, resnet18)。 |
| 50:40 | 🟡 可快轉 | 可用的預訓練模型 | timm 收錄大量影像模型，但大多數情況 resnet 就夠用。 |
| 52:02 | 🔴 必看 | 什麼是預訓練模型 | resnet18 已經在 ImageNet（一百多萬張、一千類）上學過；fine_tune 只是用你的少量資料把它調整成你的任務。 |
| 53:48 | 🔴 必看 | 用 predict 測試模型 | learn.predict(圖片) 一行就回傳：類別、編號、機率。 |
| 55:08 | 🟡 可快轉 | 其他電腦視覺應用：影像分割 | 替圖片中每個像素標出它屬於車、建築、圍牆等。 |
| 56:48 | ⚪ 可略過 | 影像分割程式碼 | 用 SegmentationDataLoaders 寫更少的程式碼。 |
| 58:32 | 🟡 可快轉 | 用 fastai 做表格分析 | 用表格中幾欄（例如職業、教育）預測另一欄（收入是否超過五萬）。 |
| 59:42 | ⚪ 可略過 | show_batch 說明 | 不論什麼資料，show_batch 都會用合適的方式顯示。 |
| 61:25 | 🟡 可快轉 | 協同過濾（推薦系統） | 根據「喜歡相同東西的人」來推薦，像 Spotify 推薦歌曲。 |
| 65:08 | ⚪ 可略過 | 把 notebook 變成簡報（RISE） | 這堂課的投影片就是 notebook 做的。 |
| 65:45 | ⚪ 可略過 | notebook 還能做什麼 | 整本書和整個 fastai 函式庫都是用 notebook 寫的。 |
| 68:06 | 🟡 可快轉 | 深度學習目前能做到的事 | 各領域只要有人嘗試，幾乎都能用深度學習做出好結果。 |
| 70:33 | 🔴 必看 | 第一個神經網路：Mark I 感知器（1957） | 基本想法幾十年來沒變，變的是 GPU、資料量和大家的努力。 |
| 72:38 | 🔴 必看 | 機器學習的大圖 | 輸入 + 權重 → 模型 → 結果 → 用損失評分 → 更新權重 → 重複。這就是「學習」。 |
| 78:27 | 🔴 必看 | 作業 | 跑完 bird notebook、改成自己有興趣的題目、讀課本第 1 章。 |
節錄評論停止點
⏸ 節錄評論 1｜方法論：五步做出一個模型
看完 5:18「訓練模型並預測」後暫停。
節錄：找圖片 → 縮小存檔 → 建 DataBlock → 訓練 → 預測，不到 30 秒就完成。
未來應用型：這套「五步做出模型」你會想用在哪裡？
- A. 我想分辨生活中的兩種東西（例如：貓和狗、澳門葡撻和香港蛋撻）
- B. 我想講給同學或家人聽，讓他們知道 AI 沒那麼難
- C. 我想用在學校的專題或比賽
- D. 其他（自由寫）
我的評論：
⏸ 節錄評論 2｜心法：由上而下學習
看完 15:40「課程怎麼教：由上而下」後暫停。
節錄：先做出能用的東西，再往下挖原理，就像學打球先下場玩。
經驗連結型：這讓你想到自己哪一次的學習經驗？
- A. 學某項運動或樂器時，先玩起來才慢慢學技巧
- B. 學校某一科一直背理論，學得很辛苦
- C. 打遊戲時不看說明書，邊玩邊學會
- D. 其他（自由寫）
我的評論：
⏸ 節錄評論 3｜觀點：資料比模型更花時間
看完 44:40「DataBlock 的五個參數」後暫停。
節錄：實務上大部分時間花在把資料整理好，而不是設計模型。
觀點質疑型：你完全同意嗎？
- A. 同意，因為垃圾資料進、垃圾結果出
- B. 不完全同意，我覺得選對模型也很重要，例如 ……
- C. 這要看情況，例如 ……
- D. 其他（自由寫）
- E. 我完全同意，請老師幫我找反例
我的評論：
相關筆記
- 課程筆記：L01_開始上手_202611041526
- 學習路線：00_只懂中文學生的快速學習路線_202611061830
- 中文學生作答：L01_中文F3學生_202611041526
