MIT 6.S191 Lecture 1：深度學習的最小骨架
2026 第 1 講從感知器、前向傳播、loss 到 gradient descent，建立後續九講共用的語言。
#6s191
12 篇文章MIT 6.S191 Lecture 2：序列模型：從 RNN 到注意力
2026 第 2 講處理文字、音訊與時間序列中「順序會改變意義」的問題，並連到 Lab 1 的音樂生成。
MIT 6.S191 Lecture 3：電腦視覺：卷積如何保留空間結構
2026 第 3 講從影像張量、卷積與 pooling 走到辨識系統，替 Lab 2 的 MNIST 與臉部偵測打底。
MIT 6.S191 Lecture 4：生成模型：從潛在空間到 diffusion
2026 第 4 講區分生成與判別問題，整理 VAE、GAN 與 diffusion 的學習目標，並接到 Lab 2 的 DB-VAE。
MIT 6.S191 Lecture 5：強化學習：用回報取代標準答案
2026 第 5 講把 agent、environment、state、action、reward 與 policy 接成互動迴圈，理解信用分配與探索。
MIT 6.S191 Lecture 6：新前沿：模型之外還要選問題
2026 第 6 講把深度學習放進新應用與真實限制，提醒讀者先定義資料、輸出、評量與失敗條件。
MIT 6.S191 Lecture 7：AI 三法則：安全要落在可觀測與評估
2026 第 7 講從 Asimov 的文學法則出發，討論現代 AI 安全協定的限制，以及 trace、測試資料與持續評估。
MIT 6.S191 Lecture 8：AI for Science：把領域結構放進學習流程
2026 第 8 講以科學發現循環為主線，說明 simulator、AI emulator 與實驗如何合作，而不是把科學簡化成通用預測。
MIT 6.S191 Lecture 9：大規模平行訓練：記憶體與通訊才是邊界
2026 第 9 講從 GPU 記憶體壓力進入 checkpointing、offloading、ZeRO、FSDP 與多種 parallelism，理解擴展不是只加卡。
MIT 6.S191 Lab 1：用 PyTorch 與 LSTM 生成音樂
2026 先完成 PyTorch tensor、autograd 與 module 基礎，再把 ABC 樂譜切成字元序列，訓練 LSTM 逐字生成音樂。
MIT 6.S191 Lab 2：從 MNIST 到 DB-VAE 臉部去偏差
2026 Part 1 用 dense network 與 CNN 辨識 MNIST；Part 2 以 DB-VAE 學習臉部 latent distribution，再調整訓練取樣。
MIT 6.S191 Lab 3：LoRA 微調與 LLM-as-a-Judge 評估
2026 以 LFM2-1.2B 建立 chat template 與生成流程，用 LoRA 做風格調適，再透過 OpenRouter 與 Opik 組合 judge workflow。