这些 AI、机器学习与数据视频不是按标题堆出来的清单。每部精选内容都对应一个明确问题：学习算法在学什么、反向传播如何工作、文本怎样变成 token，或现代 LLM 的训练流程究竟包括哪些环节。先选问题，再决定要看直觉解释、课程还是代码实作。
先弄清自己要补哪一块
机器学习主题适合补训练、泛化和神经网络基础；LLM 主题会进入 attention、分词和 GPT；数据科学则更关心统计判断、数据处理与可视化。它们互有关联，但入口不同。
如果此前只看过产品演示，先从神经网络直觉或一门机器学习导论开始。已经会写 Python，可以直接跟着 micrograd 和 GPT 系列动手，再回头补不熟的数学。
Karpathy 的视频适合放在哪一步
Andrej Karpathy 擅长把模型拆到可以运行的代码。micrograd 从自动微分讲起，tokenizer 解释文本如何进入模型，LLM 深度讲解则把预训练、后训练和推理放回同一张图里。
这些视频信息密度高。第一次接触神经网络时，可以先看 3Blue1Brown 的可视化解释；有了整体画面，再跟 Karpathy 写代码，变量和张量就不容易变成一串记号。
怎样看 Hacker News 的推荐记录
推荐次数表示这部视频在不同 Hacker News 讨论中被读者主动提起过，并不等同于播放量或统一评分。视频页会保留推荐理由和相关引文，方便判断它解决的问题是否正好适合你。
对入门内容，可以先看讲解是否清楚；进入高级主题后，再留意课程背景、所需数学和代码语言。这样选片比只看标题更省时间。
十集路线从“机器怎样学习”开始，先补神经网络和反向传播，再进入 micrograd、Transformer、tokenizer 和 GPT 实作。
按顺序学习 AI 基础 ↗6 个值得先看的视频
-
↗系列课程 · 入门
Lecture 01 - The Learning Problem
先回答“机器怎样从数据中学习”这个基本问题，也把监督学习、无监督学习和强化学习放到同一套框架里。
5 位 HN 用户给出正向推荐，分布在 5 个不同月份
-
↗讲解 · 入门
But what is a neural network? | Deep learning chapter 1
用动画建立神经元、权重和层的整体画面。第一次接触神经网络时，这是一部很稳的起点。
16 位 HN 用户给出正向推荐，分布在 14 个不同月份
-
↗课程讲座 · 入门
The spelled-out intro to neural networks and backpropagation: building micrograd
跟 Andrej Karpathy 写出 micrograd，把导数、计算图和反向传播落实到一小段能运行的 Python 代码。
17 位 HN 用户给出正向推荐，分布在 16 个不同月份
-
↗讲解 · 入门
Transformers, the tech behind LLMs | Deep Learning Chapter 5
从图像和例子理解 Transformer，适合在阅读论文或实现 attention 之前先搭好结构概念。
13 位 HN 用户给出正向推荐，分布在 10 个不同月份
-
↗课程讲座 · 中级
Let's build the GPT Tokenizer
Karpathy 把 Unicode、BPE 和 token 边界逐层拆开，补上许多 LLM 介绍会略过的输入环节。
5 位 HN 用户给出正向推荐，分布在 5 个不同月份
-
↗课程讲座 · 入门
Deep Dive into LLMs like ChatGPT
把预训练、后训练和推理连成完整流程，适合用来整理对现代 LLM 的整体认识。
10 位 HN 用户给出正向推荐，分布在 8 个不同月份
继续缩小主题范围
下面这些分类会直接打开已经套用筛选条件的视频库。