Sequence Models、Seq2Seq 與 Transformer｜Berkeley CS288 主題單元
05–07 組教材把固定向量的分類器推進序列狀態、encoder-decoder，再用 attention 與 Transformer 改寫資訊路徑。
learning
345 篇文章AI 與機器學習進階：從邏輯規劃到生成模型｜CMU 07-380 課程總覽
07-380 Fall 2026 是 CMU AI 新制第二門首開，26 講涵蓋邏輯、規劃、優化、機率圖、生成式與系統。依 2026-09-29 課站，Lec1–9 投影片、PR1–6 筆記、Rec1–5（含解答）與 HW1–3 已公開，本站已寫完對應的 14 篇逐講導讀；Lec10 之後的投影片、HW4–7 與 Final Project 還沒釋出，整門課仍是 A2。
先用數學與 Python 找出機器學習地基缺口｜CMU 10-301 作業 1
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。
從資訊量手算到完整 Decision Tree｜CMU 10-301 作業 2
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。
比較 K-NN、Perceptron 與 Linear Regression｜CMU 10-301 作業 3
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。
把 Logistic Regression 從 likelihood 寫成分類器｜CMU 10-301 作業 4
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。
用 NumPy 拆開 Neural Network 與 Backpropagation｜CMU 10-301 作業 5
HW5 的價值在於不靠自動微分，親手追蹤 forward shapes、cache 與 backward gradients。
Learning Theory、MLE／MAP 與公平指標｜CMU 10-301 作業 6
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。
從基礎神經網路走到 Deep Learning｜CMU 10-301 作業 7
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。
從 MDP 到 Reinforcement Learning 更新規則｜CMU 10-301 作業 8
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。
用 Ensembles、k-Means、PCA 與推薦系統收束全課｜CMU 10-301 作業 9
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。
用九份作業學完整機器學習｜CMU 10-301 課程總覽
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。
從 AI 入門到機器學習：CS50 AI、CS181 與 CS182 的學習路線｜世界名校 AI／CS 課程地圖
Harvard 校外最完整的入口是 CS50 AI，但 Summer 2026 實際沿用 2020 錄影與作業資產，OCW 作業又已更新到不同版本；CS181 Spring 2026 公開當期作業與講義、沒有當期錄影，CS182 Fall 2026 則尚未完成開課。
Berkeley AI／ML 課程導讀：從 CS61A 到 CS288，最新公開教材怎麼排｜世界名校 AI／CS 課程地圖
Berkeley 沒有獨立的大學部 AI 學位；可行路線是在 CS BA 或 EECS BS 的共同基礎上，從 CS188 的廣義 AI 或 CS189 的數學型 ML 入口，再分流到深度學習、NLP、視覺與強化學習。2025–2026 有不少 A3 公開課，但最新班次、最新穩定網址與最好用的自學版本並不總是同一個。
CMU AI／ML 課程導讀：07-280 新主幹與校外可走的公開路線｜世界名校 AI／CS 課程地圖
CMU 現行 BSAI 已改成 07-280 → 07-380，再從 NLP／視覺核心與四個 AI clusters 延伸；07-380 已在 Fall 2026 首開，同學期還新開了研究所級的 11-768 AI Agents。07-280 Spring 2026 的殘留教材與 10-301/601 已能完整自學，15-281 則是仍有價值的退休舊路線。
哪些課真的能公開自學？｜世界名校 AI／CS 課程地圖
這份地圖盤點 Stanford、CMU、MIT、UC Berkeley、Harvard 與台大在 2025–2026 年的 AI／CS 課程，將公開程度拆成 A0 課表可見、A1 課綱可見、A2 教材部分開放、A3 足以自學。課程官網存在、YouTube 播放清單存在，都不代表校外讀者真的拿得到當期影片、作業與起始碼。
從程式與數學先備到 AI：公開課程的學習路線｜世界名校 AI／CS 課程地圖
MIT 自 2022 年已有正式的 6-4 Artificial Intelligence and Decision Making 學位；但校外自學時，現行學位要求、2025–2026 課站與最好用的 OCW 版本往往不是同一套。真正可行的路線，是先照 6-4 的程式、演算法、線代與機率骨架打底，再依公開程度選 6.S191、6.3900、6.4110、6.7960、電腦視覺或機器人分支。
Stanford CS 課程導讀：按先修關係排一次，從 CS106A 到 CS336｜Stanford CS 主線課程 課程地圖
Stanford CS 的骨架是 CS103、CS107、CS109、CS111、CS161；CS221 先修列出其中三門，另加 CS106B。本文依官方先修與編輯者建議順序排出主線，並標明公開教材與停開風險。