数学不发愁：这本来该是数学课，但我们换个学法
被高中数学伤过没关系。我们用图、动画、Python 代码把 AI 数学讲清楚——不会的不要先怕，是教材写得不行而已。
欢迎来到 L1。
这一层路径，名字叫”数学与 Python 速成”——但你别被”数学”两个字吓到。我们的目标不是让你做奥数题，而是让你理解 AI 为什么这么运转。
这两件事差得很远。
为什么大多数人觉得数学难
我猜你大概率经历过这种事：
高中数学课上老师说”我们今天讲导数”——
板书：
你内心：什么？等等，limit 是啥？Δ 是啥？这跟我有什么关系？
这不是你的问题。这是教学方法的问题。
传统数学教学有三个致命毛病：
- 先公式，后直觉 —— 应该反过来
- 先抽象，后具体 —— 应该反过来
- 先证明，后应用 —— 应该反过来
我们这条路径，所有内容都遵循新顺序：
故事 → 直觉 → 图 → 代码 → 公式（如果你想看）
公式被放在每一节最后，而且可以折叠起来——你不想看也完全不影响理解。
我们要学什么
L1 路径分两块：
数学块（8 篇）
| 主题 | 讲什么 |
|---|---|
| 线性代数 | 向量、矩阵、点积——AI 内部”数据流动”的形式 |
| 矩阵乘法 | 神经网络的”心跳” |
| 概率论 | 最大似然、贝叶斯、KL 散度——为什么 ML 是个概率问题 |
| 微积分 | 导数和梯度——“学习”的数学定义 |
| 链式法则 | 反向传播的核心 |
| 信息论 | 熵、交叉熵——损失函数为什么长这样 |
| 优化 | 梯度下降到底在干啥 |
| 综合 | 把上面全连起来的一个完整例子 |
Python 块（10 篇）
| 主题 | 讲什么 |
|---|---|
| Python 速成 | 变量、函数、类、模块 |
| NumPy | 数组运算、向量化 |
| Pandas | 数据处理 |
| Matplotlib | 画图入门 |
| PyTorch 基础 | 张量、自动求导 |
| ……还有 5 篇 | 你 ML 实战需要的工具 |
读完 L1，你应该能：
- 看懂任何 AI 论文里的数学（即使不能立刻推导）
- 跑通一个简单的神经网络代码
- 不再被”梯度""矩阵""概率分布”这些词吓住
你需要的前置基础
老实说：高中数学就够。
- 会四则运算 ✓
- 知道函数是什么 ✓
- 知道百分比 ✓
- 听说过”图像和坐标系” ✓
仅此而已。
如果你高中数学都还给老师了，也没关系——我们每用到一个概念，都会重新讲。
一个心法
学数学最难的事不是数学本身，是抗住挫败感。
你会有那种”我读了三遍还是不懂”的瞬间。这是正常的。
我能给你的最有用建议：那种瞬间，停下来，去看一个相关的可视化。
你不能光看公式，公式是死的。你需要看到”它动起来”——梯度怎么下降、矩阵怎么相乘、概率怎么变化。
HelloAI 几乎每个数学概念都配了交互可视化。先玩，再读公式。
学习节奏建议
不要一口气读完所有 18 篇。我建议：
- 每天 1 篇，每篇 30-40 分钟
- 每篇读完，去玩对应的可视化（链接都在文末）
- 每周末做一次回顾——用自己的话复述上周学的概念
- 遇到 Python 代码，自己跑一遍（不能光看）
按这个节奏，约 1 个月 走完 L1。然后你就准备好走 L2 经典机器学习，再到 L3 深度学习。
准备好了吗？
如果你紧张——
你不是第一个被数学吓住的人。也不会是最后一个。
但你也不会是第一个学会的。
下一篇我们直接开始，从最容易直观感受的线性代数说起。
- HelloAI 的可视化页面——视觉理解一切的最强武器
- Google Colab（免费 Python 在线运行环境，无需安装）—— colab.google
- ChatGPT / Claude——遇到不懂的概念，直接问 AI，它能用你听得懂的方式重讲（这是 L0-05 学到的”让它问你”招式的反向应用）
下一篇：《线性代数：用图片和位置讲明白向量和矩阵》
读到这里说明你认真在学 🎯
订阅每周精选 —— 下一篇新文章 / 新可视化第一时间送到邮箱。
讨论区
· 用 GitHub 账号登录评论src/components/Comments.astro 顶部填入
仓库 ID 和分类 ID（见组件注释里的配置步骤）。