2021/08/05 14:46

B站粉丝超130万，最火最直观数学网站3b1b终于有了文字版！网友：点燃对数学的爱

学习知识有更优雅的方法。

如果你无法理解高等数学、比特币、深度学习这些概念，可能有人会向你推荐 3blue1brown 的视频——这是一个专门制作可视化讲解视频的频道，其内容覆盖数学、人工智能等领域，每门课都配有直观生动的动画演示，帮助观众加深对概念定理的理解。

它火到什么程度？除了 YouTube 上 380 万订阅者之外，3b1b 在 B 站上还有官方账号，粉丝数量超过 130 万，每个视频都是 10 万以上播放量，甚至有老师在课堂上播放该频道的视频。对于一个硬核教学 UP 主来说，这样的成绩几乎是无人可及了。

不过 3b1b 的创立者 Grant Sanderson 认为仅仅把数学概念做成动图还不够。最近，在人们的共同努力下，原来的很多视频都进化成了文字版加可交互的形式。对于喜欢做笔记或动手体验一把的同学来说，这两项更新可以说是非常实用了。爱 3b1b 的理由又多了一个！

网站链接：https://www.3blue1brown.com/

喜欢的视频终于有文字版了

边看视频边做笔记是一种高效的学习方式，但中间也会遇到一些问题，比如经常需要暂停或有些地方听不清。如果能把视频中的声音都转成文字，我们就能省下不少时间。这也是我们说 3b1b 这次更新非常实用的原因之一。

随便点开网站上的一个视频，我们会发现视频简介下方有一个「文本」符号，这个符号就代表该视频是带有文字版的。不过，并非所有的视频都有这个符号，比较新的一些视频目前还没有更新文字版。

有人可能会问，3b1b 的作者口齿清晰、语言标准，用 AI 软件把语音转成文字再粘贴到网站上应该也不是什么难事吧。

作为一位极度负责任的 up 主，3b1b 可不会那么糊弄。既然做就要做好。整齐的公式排版、图文并茂的内容介绍都是一篇优秀文稿的标配，作者甚至还添加了文字备注和图注：

此外，你还可以在上面做练习题，点击下方按钮直接对答案那种：

有了这些内容，你觉得做笔记还是个头疼的事儿吗？

一个可以把玩的教学网站

作为一直以来都十分受欢迎的理解数学概念的网站，3blue1brown 的可视化一直都做得非常好。因此，经常有网友真诚发问：你的可视化效果到底是怎么做的？

虽然 3b1b 并没有在网站上教大家怎么做可视化效果，但他给每个人都提供了一个互动的机会。你可以亲眼看到你所给出的输入是如何被神经网络处理成输出的。

例如，想知道神经网络做 MNIST 数据集手写识别要经历怎样的流程，你可以用自己的涂鸦来考验 AI：

下面这个互动操作很好地展示了线性代数中的向量和矩阵又具体代表着什么：

而所有这些玩法，你都可以点开 3b1b 的网站亲自体验：

很多看过 3blue1brown 视频的人都会提到，看完视频讲解之后有一种豁然开朗的感觉。如今，有了文字版和更加直观的交互，学习将变得更加容易了。

Grant Sanderson：GitHub 三万星的数学视频 UP 主

很多人都不知道，3blue1brown 是以作者右眼颜色比例命名的（反正 Grant 自己是这么说的）。

Grant Sanderson 毕业于斯坦福大学数学系，他的大部分视频和动画引擎是独立完成的，这是他此前在斯坦福学习时的业余项目。

在斯坦福，Grant「走了点计算机科学的弯路」，随后毕业加入了 Khan Academy 并担任了两年的数学讲师，在 2016 年之后，他开始全身心投入 3b1b 的工作中。

他开发的动画引擎名叫 Manim，在 Python 上运行。

Manim 引擎 Github：https://github.com/3b1b/manim

如果你对自己的学习能力信心不足，或许看看 3b1b 的内容会是一个好主意。正如 Grant 在「微积分的本质」系列视频中所说的：微积分有很多运算法则和公式，往往只是要人死记硬背。我的目标是让你看完之后觉得你自己也能发明微积分。

你很可能会表示怀疑，但事实上，他确实能做到。

参考内容：

https://www.stanforddaily.com/2020/01/24/3blue1brown-creator-grant-sanderson-15-talks-engaging-with-math-using-stories-and-visuals/

入门可视化课程数学

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

比特币技术

比特币是一种用去中心化、全球通用、不需第三方机构或个人，基于区块链作为支付技术的电子加密货币。比特币由中本聪于2009年1月3日，基于无国界的对等网络，用共识主动性开源软件发明创立。比特币也是目前知名度与市场总值最高的加密货币。任何人皆可参与比特币活动，可以通过称为挖矿的电脑运算来发行。

来源：维基百科

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

微积分技术

微积分（Calculus）是高等数学中研究函数的微分(Differentiation)、积分(Integration)以及有关概念和应用的数学分支。它是数学的一个基础学科。内容主要包括极限、微分学、积分学及其应用。微分学包括求导数的运算，是一套关于变化率的理论。它使得函数、速度、加速度和曲线的斜率等均可用一套通用的符号进行讨论。积分学，包括求积分的运算，为定义和计算面积、体积等提供一套通用的方法。

来源：百度百科

线性代数技术

线性代数是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。

来源：百度百科