3Blue1Brown 视频与学习指南

建立向量与线性代数的直觉

从 Vectors：《线性代数的本质》第一章开始。熟悉坐标即可开始学习。先把向量画成箭头、写出分量，再分别用两种表示做加法与数乘。移动箭头而保持方向与长度不变时，解释哪些性质发生变化。

目录还收录了 系列预告、 The determinant 和 Eigenvectors and eigenvalues。进入后续章节前，先熟悉矩阵与线性变换。观看动画前，试着预测一个变换如何改变面积或某个特定方向。这四条视频是《线性代数的本质》的精选起点，尚未构成完整章节顺序；请跟随原版系列补上这些精选章节之间的内容。

编程前先理解神经网络

可以先看 But what is a neural network?，然后继续观看 Gradient descent 和 Backpropagation, intuitively。基础函数与求导知识有助于理解训练过程。每看完一条视频，先不看笔记，画出网络并解释权重、激活值与损失各自的作用。

学习语言模型时，可继续观看 Transformers, the tech behind LLMs 和 Attention in transformers, step-by-step。留意各向量代表什么，以及信息如何在 token 之间传递。准备动手实现时，可查看 Andrej Karpathy 学习指南 ，选择使用 Python 的编程课程并核对先修要求。

把微积分与傅里叶变换联系起来

The essence of calculus 适合作为理解变化与积累的起点。用一张熟悉的函数图像把斜率与变化率联系起来，再思考其累计面积表达了什么信息。

接着观看 傅里叶变换可视化入门 。建议先熟悉函数及图像，再继续观看 Fourier series: from heat flow to drawing with circles。画出一个简单的周期信号，解释改变频率会怎样影响图像。能看懂动画却无法用自己的话解释时，就回到相应片段再看一遍。

尝试可视化概率与信息论

想围绕一个具体问题学习时，可以选择 Bayes theorem: the geometry of changing beliefs 或 Solving Wordle using information theory。具备基础概率知识会有帮助。先写下自己的猜测，计算一个小例子，再把推理与视频解释比较。它们适合一次学习会话，无需从长系列的第一课开始。

学习资料与讨论

这份 向量学习指南 当前提供英文笔记、测验、可编辑闪卡和 PPT 大纲。本频道合集的其他视频也可观看，并附目录概览和收录的 HN 讨论；各视频的资料标签会显示学习资源是否可用。

阅读讨论，寻找先修知识、应用场景，以及需要再看一遍的难点。回到视频检验自己的理解，并简短记录现在能够画出、计算或解释什么。