10 篇文章

CMU 10-301 機器學習完整課程導讀

以 Spring 2026 九份公開作業為主線，讀 CMU 10-301／601 的 27 講機器學習內容與校外實作邊界。

CMU 10-301／601 Spring 2026：用九份作業學完整機器學習

Spring 2026 的 10-301／601 公開 27 講教材與九份作業包；校外讀者能完成主要實作，但拿不到 Panopto、Piazza、Gradescope 與正式作業解答。

HW1 是 written＋programming 作業：用機率、微積分、線代與 CS 題組檢查地基，再實作 majority-vote classifier。

HW2 要先用 entropy 與 mutual information 手算切分，再完成建樹、預測與評估的端到端分類器。

HW3 是純 written 作業，以 decision tree 回顧，再比較 K-NN、Perceptron 與 Linear Regression 的 inductive bias、誤差與 model selection。

HW4 把機率解釋、cross-entropy 梯度與程式實作綁在一起，驗收的是一條可追蹤的訓練流程。

HW5 的價值在於不靠自動微分，親手追蹤 forward shapes、cache 與 backward gradients。

HW6 把 generalization、MLE/MAP、probabilistic learning、公平指標與社會影響放在同一份 written 作業，逼你說清楚假設與取捨。

HW7 在 HW5 的 backpropagation 地基上加入深度模型的架構與訓練問題，重點是診斷而非只把網路加深。

HW8 把 state、action、reward、transition 與 value update 接起來，驗收你能否區分環境動態、policy 與估計誤差。

最後一份 written 作業把 ensemble、clustering、representation 與 recommendation 並列，驗收你能否按問題結構選學習典範。