Neural Networks: Zero to Hero

请帮我把「Neural Networks: Zero to Hero」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://karpathy.ai/zero-to-hero.html
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：在本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：没有作业和评分。每个视频说明里附有练习，第 4 部分（Backprop Ninja）有作者提供的 Colab 练习；外部学习者可直接完成，并对照仓库中的笔记本自查。
课节（官方顺序）：
1. The spelled-out intro to neural networks and backpropagation: building micrograd：https://youtu.be/VMj-3S1tku0
2. The spelled-out intro to language modeling: building makemore：https://youtu.be/PaCmpygFfXo
3. Building makemore Part 2: MLP：https://youtu.be/TCH_1BHY58I
4. Building makemore Part 3: Activations & Gradients, BatchNorm：https://youtu.be/P6sfmUTpUmc
5. Building makemore Part 4: Becoming a Backprop Ninja：https://youtu.be/q8SA3rM6ckI
6. Building makemore Part 5: Building a WaveNet：https://youtu.be/t3YJ5hKiMQ0
7. Let's build GPT: from scratch, in code, spelled out.：https://www.youtube.com/watch?v=kCc8FmEb1nY
8. Let's build the GPT Tokenizer：https://youtu.be/zduSFxRajkE

1. 环境
- 确认已安装 Python 3（python --version）；未安装时请我从 python.org 安装（这一步由我操作）。
- 在课程目录中创建虚拟环境：python -m venv .venv，然后激活 .venv\Scripts\Activate.ps1。
- 安装：pip install jupyter torch matplotlib numpy。默认安装 CPU 版 PyTorch 即可完成前几课；GPT 一课训练较慢，可改用 Colab GPU。
- 克隆 https://github.com/karpathy/nn-zero-to-hero 到 official/，每课文件夹放笔记和自己的笔记本。
- PowerShell激活若被执行策略阻止，不修改系统策略；直接调用课程虚拟环境中的Scripts/python.exe及python -m pip/jupyter。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 课程笔记本仓库（lectures/micrograd、lectures/makemore）：git clone --depth 1 https://github.com/karpathy/nn-zero-to-hero 到 official/（许可：MIT）；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
- 课程视频（YouTube，每课一条）：只记录链接 https://karpathy.ai/zero-to-hero.html（每个视频说明里附有练习，在各课 README 中列出视频链接）
3. 目录（最外层放在我确认的位置）
nn-zero-to-hero/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── official/        # 官方材料
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-micrograd/
    ├── 02-makemore-bigrams/
    ├── 03-makemore-mlp/
    ├── 04-makemore-batchnorm/
    ├── 05-backprop-ninja/
    ├── 06-makemore-wavenet/
    ├── 07-build-gpt/
    └── 08-gpt-tokenizer/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import torch, matplotlib, numpy; print(torch.__version__)"  → 输出 PyTorch 版本，无报错
  - jupyter --version  → 输出 Jupyter 各组件版本
  - python -c "from pathlib import Path; assert Path('official/lectures/makemore').exists(); print('files-ready')"  → 课程笔记本已克隆
  - python -c "from pathlib import Path; assert Path('official/lectures/makemore/makemore_part1_bigrams.ipynb').exists(); print('files-ready')"  → makemore 第一课笔记本存在
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。