ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: Essence of linear algebra preview

กำลังสร้างบทเรียน...
1
Hey everyone!
2
So, I'm pretty excited about the next sequence of videos that I'm doing.
3
They'll be about linear algebra, which as a lot of you know, is one of those subjects that's required knowledge for just about any technical discipline, but it's also, I've noticed,
4
generally poorly understood by students taking it for the first time time.
5
A student might go through a class and learn how to compute lots of things, like matrix multiplication, or the determinant, or cross products which use the determinant,
6
or eigenvalues, but they might come out without really understanding why matrix multiplication is defined the way that it is,
7
why the cross product has anything to do with the determinant, or what an eigenvalue really represents.
8
Oftentimes, students end up well-practiced in the numerical operations of matrices, but are only vaguely aware of the geometric intuitions underlying it all.
9
But there's a fundamental difference between understanding linear algebra on a numeric level and understanding it on a geometric level.
10
Each has its place, but roughly speaking, the geometric understanding is what lets you judge what tools to use to solve specific problems,
11
feel why they work, and know how to interpret the results.
12
And the numeric understanding is what lets you actually carry through the application of those tools.
13
Now, if you learn linear algebra without getting a solid foundation in that geometric understanding, the problems can go unnoticed for a while,
14
until you've gone deeper into whatever field you happen to pursue, whether that's computer science, engineering, statistics, economics, or even math itself.
15
Once you're in a class, or a job for that matter, that assumes fluency with linear algebra,
16
the way that your professors or your co-workers apply that field could seem like utter magic.
17
They'll very quickly know what the right tool to use is, and what the answer roughly looks like in a way
18
that would seem like computational wizardry if you assume that they're actually crunching all the numbers in their head.
19
Here, as an analogy, imagine that when you first learned about the sine function in trigonometry, you were shown this infinite polynomial.
20
This, by the way, is how your calculator evaluates the sine function.
21
For homework, you might be asked to practice computing approximations of the sine function, by plugging in various numbers to the formula and cutting it off at a reasonable point.
22
And in fairness, let's say you had a vague idea that this was supposed to be related to triangles, But exactly how had never really been clear, and was just not the focus of the course.
23
Later on, if you took a physics course, where sines and cosines are thrown around left and right, and people are able to tell pretty immediately how to apply them
24
and roughly what the sign of a certain value will be, it would be pretty intimidating, wouldn't it?
25
It would make it seem like the only people who are cut out for physics are those with computers for brains, and you would feel unduly slow or dumb for taking so long on each problem.
26
It's not that different with linear algebra.
27
And luckily, just as with trigonometry, there are a handful of intuitions, visual intuitions, underlying much of the subject.
28
And unlike the trig example, the connection between the computation and these visual intuitions is typically pretty straightforward.
29
And when you digest these, and really understand the relationship between the geometry and the numbers, the details of the subject, as well as how it's used in practice,
30
start to feel a lot more reasonable.
31
In fairness, most professors do make an effort to convey that geometric understanding.
32
The science example is a little extreme.
33
But I do think
34
that a lot of courses have students spending a disproportionate amount of time on the numerical side of things, especially given that in this day and age,
35
we almost always get computers to handle that half, while in practice, humans worry about the conceptual half.
36
So this brings me to the upcoming videos.
37
The goal is to create a short, binge-watchable series animating those intuitions from the basics of vectors up through the core topics
38
that make up the essence of linear algebra.
39
I'll put out one video per day for the next five days, then after that put out a new chapter every one to two weeks.
40
I think it should go without saying that you cannot learn a full subject with a short series of videos, and that's just not the goal here.
41
But what you can do, especially with this subject, is lay down all the right intuitions
42
so the learning that you do moving forward is as productive and fruitful as it can be.
43
I also hope this can be a resource for educators who are teaching courses that assume fluency with linear algebra, giving them a place to direct students that need a quick brush up.
44
I'll do what I can to keep things well paced throughout, but it's hard to simultaneously account for different people's different backgrounds and levels of comfort,
45
so I do encourage you to readily pause and ponder if you feel that it's necessary.
46
Actually, I'd give that same advice for watching any math video, even if it doesn't feel too quick, since the thinking that you do on your own time is where all the learning really happens, don't you think?
47
So, with that as an introduction, I'll see you next video.
📺 ช่องเดียวกัน
Euler's Formula PoemC1
3

Euler's Formula Poem

American AccentIELTS PrepTOEFL PrepUniversity Students
The inscribed square problemC1
4

The inscribed square problem

American AccentUniversity StudentsWorking Adults
The Newton art puzzleC1
3

The Newton art puzzle

American AccentUniversity StudentsWorking Adults
How might LLMs store facts | Deep Learning Chapter 7C1
2

How might LLMs store facts | Deep Learning Chapter 7

American AccentIELTS PrepTOEFL PrepUniversity Students
Transformers, the tech behind LLMs | Deep Learning Chapter 5C1
5

Transformers, the tech behind LLMs | Deep Learning Chapter 5

American AccentBusiness EnglishUniversity StudentsWorking Adults
Linear combinations, span, and basis vectors | Chapter 2, Essence of linear algebraC1
2

Linear combinations, span, and basis vectors | Chapter 2, Essence of linear algebra

American AccentCambridge Exam PrepUniversity StudentsWorking Adults
Fourier seriesC1
5

Fourier series

American AccentUniversity StudentsWorking Adults
Hilbert's Curve: Is infinite math useful?C2
1

Hilbert's Curve: Is infinite math useful?

American AccentBusiness EnglishUniversity StudentsWorking Adults
Vectors | Chapter 1, Essence of linear algebraC1
2

Vectors | Chapter 1, Essence of linear algebra

American AccentBusiness EnglishUniversity StudentsWorking Adults
Large Language Models explained brieflyC2
37

Large Language Models explained briefly

American AccentBusiness EnglishUniversity StudentsWorking Adults
Oh, wait, actually the best Wordle opener is not “crane”…C1
2

Oh, wait, actually the best Wordle opener is not “crane”…

American AccentBusiness EnglishUniversity StudentsWorking Adults
But what is a neural network? | Deep learning chapter 1C2
4

But what is a neural network? | Deep learning chapter 1

American AccentBusiness EnglishUniversity StudentsWorking Adults
Divergence and curl: The language of Maxwell's equations, fluid flow, and moreC1

Divergence and curl: The language of Maxwell's equations, fluid flow, and more

American AccentBusiness EnglishUniversity StudentsWorking Adults
But what is quantum computing? (Grover's Algorithm)C1

But what is quantum computing? (Grover's Algorithm)

American AccentBusiness EnglishUniversity StudentsWorking Adults
Tie random ends: How many loops?C1

Tie random ends: How many loops?

American AccentUniversity StudentsWorking Adults
✨ วิดีโอแนะนำ
Google’s AI Course for Beginners (in 10 minutes)!C1
1
105 ประโยค

Google’s AI Course for Beginners (in 10 minutes)!

American AccentBusiness EnglishUniversity StudentsWorking Adults
100+ Computer Science Concepts ExplainedC1
3
156 ประโยค

100+ Computer Science Concepts Explained

American AccentBusiness EnglishUniversity StudentsWorking Adults
Convergence and Divergence: The Return of Sequences and SeriesC1
2
55 ประโยค

Convergence and Divergence: The Return of Sequences and Series

American AccentCambridge Exam PrepUniversity StudentsWorking Adults
Learn Data Modeling in 8 minutes: Dimensional Data Modeling, Data Vault, and One Big TableC1
1
120 ประโยค

Learn Data Modeling in 8 minutes: Dimensional Data Modeling, Data Vault, and One Big Table

Business EnglishUniversity StudentsWorking Adults
The Neuroscience of LearningC1
9
38 ประโยค

The Neuroscience of Learning

Business EnglishUniversity StudentsWorking Adults
You're Stuck In The Matrix, Here's How You EscapeC1
2
275 ประโยค

You're Stuck In The Matrix, Here's How You Escape

American AccentBusiness EnglishUniversity StudentsWorking Adults
Civil 3D course for beginners - Part 1 of 3C1
5
227 ประโยค

Civil 3D course for beginners - Part 1 of 3

Business EnglishUniversity StudentsWorking Adults
The Map of MathematicsC1
2
86 ประโยค

The Map of Mathematics

British AccentBusiness EnglishUniversity StudentsWorking Adults
Financial Analysis Fundamentals: How to Analyze Financial Statements Like a Pro Part 1 | CFI CourseC1
4
128 ประโยค

Financial Analysis Fundamentals: How to Analyze Financial Statements Like a Pro Part 1 | CFI Course

Business EnglishUniversity StudentsWorking Adults
Derivative as slope of a tangent line | Taking derivatives | Differential Calculus | Khan AcademyC1
3
221 ประโยค

Derivative as slope of a tangent line | Taking derivatives | Differential Calculus | Khan Academy

American AccentCambridge Exam PrepUniversity StudentsWorking Adults

คำศัพท์และข้อสังเกตด้านการพูดสำหรับบทเรียนนี้

บทเรียนฝึกพูดระดับ C1 นี้ใช้วิดีโอ “Essence of linear algebra preview” เป็นสื่อ คำที่ถูกพูดซ้ำบ่อยที่สุด: algebra, linear, understanding, intuitions, geometric วิดีโอนี้มี 47 ประโยค และ 917 คำ สำหรับฝึกพูดตาม ช่วงที่มีเสียงพูดยาว 4:43 ผู้พูดพูดเร็ว ประมาณ 195 คำต่อนาที จึงมีการเชื่อมเสียงและลดเสียงค่อนข้างมาก มีเพียง 81% ของคำที่อยู่ใน 3,000 คำที่ใช้บ่อยที่สุดในภาษาอังกฤษ คำศัพท์จึงค่อนข้างยาก

คำศัพท์สำคัญในวิดีโอนี้

คำที่ยากที่สุด 15 คำในวิดีโอ พร้อมคำอ่านและความหมาย:

คำศัพท์คำอ่านความหมาย
algebra คำนาม/ˈæl.d͡ʒɪ.bɹə/พีชคณิต
intuition คำนาม/ˌɪn.tjuːˈɪʃ.ən/อัชฌัตติกญาณ
sine คำนาม/saɪn/ไซน์
fluency คำนาม/ˈfluːənsi/ความคล่องแคล่ว
trigonometry คำนาม/ˌtɹɪɡəˈnɒmətɹi/ตรีโกณมิติ
cosine คำนาม/ˈkoʊ.saɪn/โคไซน์
intimidate คำกริยา/ɪnˈtɪmɪdeɪt/ขู่, ข่มขู่
polynomial คำนาม/ˌpɑliˈnoʊmiəl/พหุนาม
calculator คำนาม/kæl.kjə.leɪ.tɚ/เครื่องคิดเลข
digest คำกริยา/daɪˈd͡ʒɛst/ย่อย
interpret คำกริยา/ɪnˈtɜː.pɹɪt/ตีความ
convey คำกริยา/kənˈveɪ/ถ่ายทอด, ลำเลียง
geometry คำนาม/d͡ʒiˈɑ.mə.tɹi/เรขาคณิต
triangle คำนาม/ˈtɹaɪˌæŋɡəl/สามเหลี่ยม
vector คำนาม/ˈvɛktɚ/เวกเตอร์

กริยาวลีที่คุณจะได้ยิน

คำศัพท์ความหมาย
lie down คำกริยานอน

ไวยากรณ์ในวิดีโอนี้

โครงสร้างที่ผู้พูดใช้บ่อยที่สุด พร้อมคำพูดจริงจากวิดีโอ:

โครงสร้างในวิดีโอ
Passive voice be + กริยาช่อง 3 — เน้นสิ่งที่เกิดขึ้น ไม่ใช่ผู้กระทำis defined · were shown · might be asked
Present perfect have/has + กริยาช่อง 3 — เหตุการณ์ในอดีตที่ยังเกี่ยวข้องกับปัจจุบันI've noticed · you've gone

การออกเสียงที่ควรระวัง

ผู้พูดใช้รูปย่อและรูปลดเสียง 15 ครั้ง เช่น I'll, I'm, they'll ให้พูดแบบสั้นตามที่ได้ยิน

  • เสียง “sh” และ “zh”: intuition /ˌɪn.tjuːˈɪʃ.ən/, multiplication /ˌmʌltɪplɪˈkeɪʃən/, approximation /əˌpɹɑk.sɪˈmeɪ.ʃən/, computation /ˌkɑmpjʊˈteɪʃn̩/, disproportionate /dɪs.pɹəˈpɔː.ʃə.nət/
  • คำยาว — ลงเสียงหนักให้ถูกพยางค์: intuition /ˌɪn.tjuːˈɪʃ.ən/, geometric /ˌd͡ʒiː.əʊˈmɛt.ɹɪk/, determinant /dɪˈtɜːmɪnənt/, eigenvalue /ˈaɪ.ɡənˌvæl.ju/, multiplication /ˌmʌltɪplɪˈkeɪʃən/

เสียงที่คนไทยมักออกเสียงยาก:

  • เสียงท้ายคำ — ออกเสียงให้ครบ ไม่เปลี่ยนเป็นตัวสะกดแบบไทย: matrix /ˈmeɪ.tɹɪks/, numerical /n(j)uːˈmɛɹ.ɪ.kəl/, fairness /ˈfɛɚ.nəs/, oftentimes /ˈɔf.ənˌtaɪmz/, polynomial /ˌpɑliˈnoʊmiəl/
  • /v/ — ไม่ใช่ /w/ ให้ฟันบนแตะริมฝีปากล่าง: eigenvalue /ˈaɪ.ɡənˌvæl.ju/, vaguely /ˈveɪɡli/, convey /kənˈveɪ/, vague /veɪɡ/, vector /ˈvɛktɚ/
  • /z/ — เสียงก้อง ไม่ใช่ /s/: oftentimes /ˈɔf.ənˌtaɪmz/, wizardry /ˈwɪzədɹi/, pause /pɔːz/

วิธีฝึกกับวิดีโอนี้

  1. ฟังวิดีโอให้จบหนึ่งรอบโดยยังไม่ต้องพูด แล้วจดคำที่ยังไม่รู้จัก
  2. เริ่มที่ความเร็ว 0.75× พูดตามทีละประโยค แล้วกลับไปใช้ความเร็วปกติเมื่อเริ่มคล่อง
  3. อัดเสียงตัวเองแล้วเทียบกับต้นฉบับ โดยสังเกตคำอย่าง algebra, intuition, sine เป็นพิเศษ

เทคนิค Shadowing คืออะไร?

Shadowing เป็นเทคนิคการเรียนรู้ภาษาที่ได้รับการรับรองทางวิทยาศาสตร์ พัฒนาขึ้นสำหรับการฝึกนักแปลมืออาชีพ วิธีการนี้เรียบง่ายแต่ทรงพลัง: คุณฟังเสียงภาษาอังกฤษจากเจ้าของภาษาและพูดตามทันที — เหมือนเงาที่ตามผู้พูดด้วยช่วงเวลาห่าง 1-2 วินาที การวิจัยแสดงว่าเทคนิคนี้ปรับปรุงความแม่นยำในการออกเสียง ทำนองเสียง จังหวะ การเชื่อมเสียง การฟังเข้าใจ และความคล่องแคล่วในการพูดได้อย่างมีนัยสำคัญ

เทคนิค shadowing: อ่านคู่มือฉบับเต็มทีละขั้นตอน →