影片狀態：僅附官方入口或錄影清單。 影片來源與說明
來源年份：課表、評分與政策依據官方網站 2026-10-13 的內容，頁面上掛的是 2025 年秋季課表。公開錄影是同一輪的九堂實體課。本文是 Stanford CS230 導讀系列的第 0 篇，也是入口。
CS230: Deep Learning 由 Andrew Ng 與 Kian Katanforoosh 授課，每週二上午一堂實體課。官網對課程的描述是：學深度學習的基礎、怎麼建神經網路、怎麼帶一個機器學習專案做到成功，點名的內容包括卷積網路、RNN、LSTM、Adam、Dropout、BatchNorm、Xavier／He 初始化。
這篇回答五個問題：這門課由哪幾塊組成、要先會什麼、分數怎麼算、校外讀者拿得到什麼、九堂實體課要照什麼順序讀。
這門課由哪幾塊組成
CS230 是翻轉教室。基礎內容不在教室裡講，學生在家看線上影片、做測驗和程式作業；教室時間留給線上影片沒有深入處理的進階主題與業界客座。官網列的組成有五項：
| 組成 | 內容 | 頻率 |
|---|---|---|
| 線上模組 | DeepLearning.AI 的 Deep Learning Specialization 全部五門課：影片、測驗、程式作業 | 每週約兩個模組 |
| 實體課 | 進階主題或客座演講 | 每週二一堂 |
| 助教課 | 專案實作技巧與理論補充 | 每週五一堂 |
| 期中考 | 三小時紙筆考，涵蓋學期前半 | 一次 |
| 期末專案 | 提案、期中進度、期末報告、海報展 | 整學期 |
一個線上模組等於 Coursera 課程裡的一「週」：大約十支各十分鐘的影片、一份 10 到 30 分鐘的測驗、一份約兩小時的程式作業。
所以讀這門課要先分清楚兩條線。線上模組教的是深度學習的基本功，從 logistic regression、反向傳播、初始化與正則化，到 CNN、RNN、attention 與 Transformer。實體課教的是基本功之外的東西：怎麼判斷專案卡在哪、模型為什麼會被騙、RLHF 放在強化學習的哪個位置、LLM 應用該疊到哪一層。本系列導讀的是後者。
先修
官網列了四項，並提供 Workera 的自我評量給選課學生：
| 先修 | 官方寫法 | 站內對應 |
|---|---|---|
| 機率 | 熟悉機率論（CS 109 或 STATS 116） | CS109 課程總覽 |
| 統計 | 熟悉基本統計與資料科學 | CS109 課程總覽（後半涵蓋推論與估計） |
| 線性代數 | 熟悉線性代數（MATH 51） | Harvard CS181 作業 0（四題自測線代與微積分） |
| 程式 | 懂基本的電腦科學原理，能寫出有一定規模的程式 | — |
清單裡沒有機器學習課。線上模組從 logistic regression 講起，不預設你修過 CS229。
自我檢查可以用這一題：給你一個單層的 logistic regression，輸入是向量 x，輸出是 sigmoid(w·x + b)，損失是交叉熵。你能不能手推出損失對 w 的梯度？答案是：對單筆樣本，∂L/∂w = (ŷ − y)x，也就是預測誤差這個純量乘上輸入向量。推得出來，線上課程第一門的前兩個模組就不會卡住；推不出來，先讀 CS229 第 8 堂的反向傳播導讀補鏈鎖律與向量微分再開始。
評分與 AI 工具政策
| 項目 | 比重 |
|---|---|
| 期末專案 | 45%（提案 2%、期中進度 7%、期末報告 30%、海報展 6%） |
| 期中考 | 35% |
| 程式作業 | 12% |
| 測驗 | 8% |
程式作業與測驗只看有沒有完成，不看分數。合起來兩成的分數是「做完就有」，其餘八成在專案與那場三小時的紙筆考。
遲交規則是每人六天免罰額度，單一作業最多晚三天；額度用完後每多一天扣學期總成績 2%。期末報告、海報與考試不收遲交。
AI 工具分兩種情況寫。作業可以把生成式 AI 當協作者，但不能直接要答案或照抄，而且要註明用了它。專案報告可以用 Claude Code、Codex 這類工具寫程式、除錯、找文獻、潤稿，但核心分析、結果詮釋與結論要自己寫；報告最後必須附一段 AI 使用揭露，列出用了哪些工具、各自做了什麼，這一段不算在頁數限制內。捏造的引用、站不住腳的主張、沒驗證的程式與沒查核的 AI 內容都可能被扣分。
實體課與線上模組的對應
官方課表把每一堂實體課和「上課前要完成的線上模組」排在同一列。模組代號的讀法：C1M2 是第一門課的第二個模組。
| 實體課 | 主題 | 上課前完成的線上模組 | 本站導讀 |
|---|---|---|---|
| 第 1 堂 | 課程介紹 | 無 | Introduction to Deep Learning |
| 第 2 堂 | 用案例講監督、自監督與弱監督學習 | C1M1 深度學習導論、C1M2 神經網路基礎 | Supervised, Self-Supervised & Weakly Supervised Learning |
| 第 3 堂 | 深度學習專案的完整週期 | C1M3 淺層網路、C1M4 深層網路 | Full Cycle of a DL Project |
| 第 4 堂 | 對抗穩健性與生成模型 | C2M1 實務面、C2M2 最佳化演算法 | Adversarial Robustness and Generative Models |
| 第 5 堂 | 深度強化學習 | C2M3 超參數與 BatchNorm、C3M1–M2 專案策略 | Deep Reinforcement Learning |
| 第 6 堂 | AI 專案策略 | C4M1 卷積網路基礎、C4M2 深層卷積模型 | AI Project Strategy |
| （第 7 堂停課） | — | C4M3–M4 卷積網路應用 | — |
| 第 8 堂 | Agents、Prompts 與 RAG | C5M1 RNN | Agents, Prompts, and RAG |
| 第 9 堂 | AI 職涯建議與客座 | C5M2 詞嵌入、C5M3 序列到序列模型 | Career Advice in AI |
| 第 10 堂 | 模型內部在做什麼 | C5M4 Transformer | What's Going On Inside My Model? |
第 7 堂那一週是 Democracy Day 停課，課表把期中考列在同一天（日期欄的年份誤植成 2026），所以公開錄影的編號從 6 跳到 8。
對照課表與錄影時有三處會對不上，都以錄影為準：
- 第 2 堂在課表上叫「Key AI Concepts Through Case Studies」，錄影標題是「Supervised, Self-Supervised, & Weakly Supervised Learning」，是同一堂。
- 第 6 堂在課表上列的是職涯建議與讀論文，還連到前一年的投影片；實際錄影講的是 AI 專案策略。職涯那一堂是第 9 堂。
- 第 8 堂在課表上叫「Beyond the model: Enhancing LLM applications」，錄影標題是「Agents, Prompts, and RAG」。
這張表也說明實體課為什麼可以跳著看。第 4 堂講對抗攻擊時，學生才剛學完初始化與最佳化；第 5 堂講強化學習時，CNN 還沒教。從這個排法推斷，實體課的主題大多不依賴當週的線上模組，彼此也大多獨立。課表上標出的例外只有一處：第 2 堂那一列註明，先看 C2M3 的 Batch Normalization 影片會有幫助。
校外讀者拿得到什麼
拿得到：
- 九堂實體課的錄影。 Stanford Online 的 YouTube 播放清單收了第 1 到 6 堂與第 8 到 10 堂，每堂一到兩小時。
- 多數實體課的投影片。 官方課表上，第 2、4、5、8、9、10 堂掛著當屆的 PDF，不用登入（檔名的編號比堂次少一，第 8 堂的檔案叫 lecture_7.pdf）。第 1 堂與第 6 堂連到的是前一年的檔案，第 3 堂沒有掛投影片。
- 線上模組的投影片。 課表上每個模組旁邊都有 PDF，從 C1M1 到 C5M4。
- 線上課程本身。 官方課表上五門課的連結直接指向 Coursera 的公開課程頁，校外讀者可以自己註冊 Deep Learning Specialization。費用與旁聽條件以 Coursera 頁面為準。
- 專案資源。 專案頁公開了專案說明、歷屆專案，以及助教整理的程式範例 repo（電腦視覺與自然語言處理各一個，TensorFlow 與 PyTorch 兩種版本）。專案頁有一條限制值得先知道：只對 LLM 下 prompt、沒有額外訓練，不算合格的專案。
- 助教課的主題與講義頁。 助教課頁列了九次的題目，從專案起步、反向傳播、初始化與正則化，到除錯、評估指標與報告寫作。
- 期中考的複習材料。 第 6 次助教課的頁面掛著兩年的複習投影片，以及兩份練習考和各自的解答，不用登入。
拿不到：
- 當屆的正式考卷與複習課錄影。 公開的只有上面那兩份練習考。
- Stanford 專用的 Coursera 場次。 選課學生用學校信箱收邀請，測驗與程式作業的期限跟著 Stanford 課表走。校外讀者只能自己註冊公開版本。
- 助教課的錄影，放在 Canvas。
- 專案的評分與指導。 提案、進度與報告交在 Gradescope，課表另外排了兩次跟助教的專案會議，這些都只給選課學生。
官網另外留了一張旁聽申請表，但沒有寫明申請條件與核准後能看到什麼。
兩條讀法
完整路線：線上模組加實體課。 照上面那張表一列一列走：先做完該列的線上模組，再讀那一堂的導讀或看錄影。這樣十週下來，基本功與判斷力兩條線都有。期末專案沒有人評分。專案頁目前只公開提案的要求，期中進度、期末報告與海報三項都還寫著待公布；報告怎麼寫可以看第 9 次助教課的材料。期中考前把兩份練習考各做一遍、對解答，是校外讀者唯一拿得到的客觀檢查。
只讀實體課：依目的挑。 已經會訓練模型的人，可以把九堂當成獨立的專題：
- 想把專案帶好：第 3 堂和第 6 堂。兩堂都在教同一件事的不同階段：先用最快的速度跑出一個能看的版本，再用錯誤分析決定下一步改哪裡。
- 想知道 embedding 是怎麼訓練出來的：第 2 堂。
- 做 LLM 應用：第 8 堂，再往下接第 5 堂最後講 RLHF 的那一段。
- 關心模型安全與可解釋性：第 4 堂和第 10 堂。
- 在想職涯：第 1 堂後半和第 9 堂。
怎麼判斷自己該走哪一條：看 Deep Learning Specialization 第二門課前兩個模組的四份程式作業：初始化、正則化、梯度檢查、最佳化。四份都能不查資料說出在做什麼、為什麼需要，就走第二條；說不出來，走第一條。判準舉例：說得出初始化不當會讓梯度消失或爆炸、梯度檢查是拿數值差分對照反向傳播算出的梯度，才算說得出來。
今晚可以做的事
- 打開官方課表，下載 C1M1 與 C1M2 的投影片，確認上面的先修自我檢查題推得出來。
- 看第 1 堂錄影，一小時，沒有數學，配本系列第 1 堂導讀。
- 從上面「只讀實體課」的清單挑一個目的，把對應那一堂排進這週。
延伸閱讀
- Stanford CS229 課程總覽：Stanford 的機器學習課，數學推導比 CS230 多。
- Stanford CS 課程地圖：CS230 在主線課程裡的位置。
系列導覽：下一篇 Introduction to Deep Learning：光靠 prompt 走不遠的那兩個時刻
課程影片來源
下方提供官方課程與錄影入口。公開播放清單是九堂實體課的錄影，各堂的單支影片嵌在對應的導讀裡；本文是總覽，不嵌入單支影片。官網的 Lecture 頁另外連到一份 2018 年秋季的舊播放清單，並註明當屆錄影放在 Canvas、只給選課學生。
課程與錄影入口：
查核日期：2026-10-13。
更新紀錄
- 2026-10-13：新增課程總覽，作為系列入口。
參考資料
- CS230 課程首頁 — 課程描述、翻轉教室組成、先修、評分比重、遲交規則、榮譽準則與 AI 工具政策
- CS230 官方課表 — 各堂日期與主題、線上模組對應、投影片連結、期中考與專案期限
- CS230 專案頁 — 專案類型、起步資源與交付項目
- CS230 助教課頁 — 九次助教課的主題
- CS230 第 6 次助教課 — 期中複習投影片、兩份練習考與解答
- CS230 Lecture 頁 — 當屆錄影放在 Canvas 的說明與 2018 年秋季舊播放清單
- Stanford CS230 Autumn 2025 YouTube 播放清單 — Stanford Online，九堂實體課錄影
- Deep Learning Specialization — DeepLearning.AI，線上模組所屬的五門課
- cs230-code-examples — 助教整理的專案程式範例
Loading...