MLU Explain：用互動視覺化拆解 ML 核心概念

MLU Explain 是 AWS MLU 團隊 2022 年推出的公開網站，收錄視覺化「互動文章」（visual essays）。團隊成員稱之為「輕量但仍有資訊量的補充教材」，設計原則是每篇都要塞進一個「連教科書都常忽略的小亮點」。上線時共八篇，涵蓋：

• Train / Test / Validation 資料切分——用貓狗分類動畫示範，模型就跑在瀏覽器裡，拖動樣本點能看到決策邊界即時移動
• ROC 曲線與 AUC——從二戰雷達訊號分析的起源講起，附互動範例說明假陰性／假陽性的取捨
• Precision & Recall——為什麼只看準確率會騙人：類別不平衡下兩個指標才看得出後果
• Bias-Variance Trade-off——欠擬合／過擬合的經典權衡
• Random Forest——集成方法直覺
• Double Descent 兩部曲——模型變大反而先壞後好的反直覺現象；第二篇含 MLU 首席講師 Brent Werness 的原創研究，不是教科書搬運

同場加映：團隊成員 Jared Wilber 先前的獨立作品〈The Permutation Test: A Visual Explanation〉（jwilber.me/permutationtest），用粉藍兩色羊駝洗毛精實驗把假設檢定的完整流程——隨機化、統計量、置換分布、p 值——走一遍。

• 這是「直覺先行」教學的最佳實踐之一。多數課程先給公式再給圖；MLU Explain 反過來，先讓你在瀏覽器裡玩到決策邊界移動，公式變成事後的正式化。認知負荷理論會站在它這邊：具體操作經驗能替抽象符號提供錨點。
• Double Descent 篇最珍貴。教科書還停在 bias-variance 的 U 形曲線，但深度學習時代模型參數遠超樣本仍能泛化——經典 U 形在插值門檻後又降下去。一篇免費網頁把這個典範修正講到能懂，而且帶原創研究，CP值極高。
• 對內容站經營者的啟發：它的每一篇都是「單一概念＋單一互動＋單一亮點」的最小完整單位。這種顆粒度既適合搜尋引擎收錄（一個概念一個查詢意圖），也方便社群傳播。learn.dky.tw 的論文筆記採同一哲學。
• 局限：八篇覆蓋的是「古典 ML + 深度學習入門」交界，Transformer、注意力機制都不在內；別把它當完整課綱，它是藥引不是主方。

• 全英文介面；術語翻譯建議搭配本站 ISLP 中文課程對照閱讀。
• 2022 年上線後更新頻率低，覆蓋範圍停在八篇左右。
• 互動以桌面瀏覽器體驗最佳，手機部分拖曳操作較擠。

• Machine Learning University expands with MLU Explains（Amazon Science, 2022-07-12）
• MLU Explain 官方網站