Harvard CS181 Machine Learning 導讀總覽：2026 七份作業怎麼跟？四年版本一次看懂

TL;DR CS181 2026 以 hw0–6 七份作業為週節拍、無當期錄影但 A3 可自學；2025 多 practical、2024 雙期中、2023 單授 Weiwei Pan。看懂四年沿革後，從 HW0 體檢先修再逐週跟最穩。

#harvard #cs181 #machine-learning #learning-path #homework #practical #textbook

TL;DR
四屆對照（一張表看懂沿革）
先修與 HW0 門檻
作業鏈怎麼走（2026 主版）
教材與節拍
本系列怎麼讀
參考資料

🌏 English version

⚠️ 版本：2026 以 CS181 2026 課程站與 s26 homeworks 為主；2025/2024/2023 以 cs181-web-2025/2024/2023 與 cs181-s25/s24/s23-homeworks 對照。Google Sheet schedule 四年皆已刪/空殼，本系列以 hw 編號 為週節拍。

TL;DR

可自學嗎：CS181 2026 是 A3（hw0-6 七份 + notes + sections + textbook 形成閉環，all learning will be in-person 無當期錄影，Gradescope/Ed 需選課），與 Harvard AI／ML 課程地圖判一致。
怎麼跟：先做 HW0 準備度檢查（due 2026-02-02，4% 門檻），卡哪題就先補哪塊，再逐份 hw1→hw6 跟；缺的 practical 用 2025 版備援。
四年差異：2025 多 practical 6%、2024 雙期中無期末、2023 單授 Weiwei Pan 且僅 hw0-5 + practical1。

四屆對照（一張表看懂沿革）

年	課站	授課	成績	作業目錄（`api.github.com` 驗證）	節拍差異
2026	cs181-web	Alvarez-Melis / Du + Head TFs Russell Li / Elvin Lo	syllabus: `hw0 4% + hw1-6 各11% + midterm 15% + final 15%`	s26 homeworks: `hw0-6` 7 dir	`hw6` 為 Sequential/MDP/RL + Autoregressive
2025	cs181-web-2025	Doshi-Velez / Alvarez-Melis + Preceptor Papon	`hw0 4% + hw1-6 各10% + practical 6% + midterm/final 各15%`	s25 homeworks: `hw0-6 + practical` 8 dir	hw3-5 重組前（Bayesian/EM）
2024	cs181-web-2024	Doshi-Velez / Alvarez-Melis + Head TFs Badrinath/Cai	`hw0 4% + hw1-6 各11% + two midterms 各15%`（無 final）	s24 homeworks: `hw0-6` 7 dir	唯一雙期中版，`hw0 due Jan26,2024`
2023	cs181-web-2023	Weiwei Pan 單授 `TTh 2:15 SEC 1.321`	見 `cs181-s23` practical 計分	s23 homeworks: `hw0-5 + practical1`	僅 6 hw，命名 `T*_TestCases.py`

先修與 HW0 門檻

syllabus 先修段四年一致：CS50 以上 Python + STAT 110 + 微積分 + 線代（AM 22a / Math 21b），STAT 111 / CS 51 非必要。HW0 明載 During the term, the staff will be prioritizing support for new material... it might be prudent to postpone，實為選課週體檢。建議見 HW0 逐題導讀：線代 y=Xw（x1≠x2 ↔ X invertible）、微分、機率、OLS code 各一題，卡最久的即開學首週補課對象（MML Book、STAT 110）。

作業鏈怎麼走（2026 主版）

以 s26 homeworks 為準（已直讀 hw0/hw1/hw6 30-80 行，hw2-5 標題與 Intro 片段）：

HW0 Modeling Linear Trends（due 2026-02-02）— 線代/微分/機率/code 四合一
HW1 Regression — NN/kernel/linear regression，earth_temperature_sampled_train/test.csv（800k 年冰芯）
HW2 Classification and Bias-Variance — 分類與不確定性量化
HW3 Neural Networks and Kernels — kernel ridge → weighted sum，Section 4
HW4 Representation Learning, Transformers, Non-parametric methods — Attention(Q,K,V)=softmax(QK^T/√dk)V，/√dk 方差為 1
HW5 Clustering, PCA, SSL — cluster centers vs PCA images
HW6 Sequential Models and Decision Making — Kalman、Gridworld policy/value iteration、Swingy Monkey Q-learning、autoregressive KV cache / speculative decoding（due 2026-05-01）

2025 的 hw3 Bayesian / hw4 SVM / hw5 EM 可作對照，缺的 practical（Kaggle 型）見 cs181-s25-homeworks/practical 與 cs181-s19-practicals 範例。

教材與節拍

Textbook：cs181-textbook（senior thesis 起，370 stars，13 章 Classification/Clustering/DimensionalityReduction/.../SupportVectorMachines，Textbook.pdf 3.59 MB）
Section：syllabus 明載 flipped classroom, section cycle restarts each Tuesday, solutions will be posted，但 cs181-section repo 僅 s17-19 三屆，2025/2026 未進版控；schedule 頁僅剩 S0 Math review，Google Sheet 四年皆 檔案已遭刪除 — 本系列以 hw 編號 為週節拍，不綁日曆週。
提交：每份對應 兩個 Gradescope（writeup PDF 需 assign pages + LaTeX/code 備核），見 homework page。

本系列怎麼讀

先讀本篇總覽，決定是否要跟 2026 主版
做 HW0，依卡點補前置
逐週 HW1→HW6，每篇對應一份 hw*_release.tex/pdf/ipynb + data，內文標 2026/2025 差異與 additionalSeries 連回地圖
需要綜合實作者，用 2025 practical 備援；CS182 見 CS182 歷史版免責（2026/2025 當期 A0，僅 F22 22講可寫）