影片狀態：已附影片。 影片來源與說明
Lecture 19–25先談 rational decisions 與 value of perfect information，再進入 decision trees、linear regression、Naive Bayes、neural networks、language models 與 fine-tuning。Project 5則把後半段落到 PyTorch：non-linear regression、手寫數字與語言分類、CNN、attention，以及 optional character-GPT。
這不是另一門完整深度學習課
P5 的作用是讓廣義 AI 課的學生碰到現代 ML workflow：定義 model、forward pass、loss、optimizer、batch 與 training loop。它涵蓋面廣，但不取代專門的最佳化、表示學習或大模型課。把每題當成一個介面練習，比追求在短時間內補齊全部理論更實際。
先讓小模型可解釋地工作
從 regression 開始時，先讓 input／output shape、loss 下降與 held-out behavior 都能說清楚，再進分類。digit classifier 練 multiclass loss；language identification 要處理序列；CNN 題加入 spatial inductive bias；attention 題則要求理解 query、key、value 的張量關係。
官方 P5 規格另提醒 NumPy 2.0 可能造成相容性問題，遇到相關錯誤可使用 1.24.3 或其他低於 2.0 的版本。這是版本重現問題，不要在模型程式裡用奇怪 workaround 掩蓋環境差異。
每完成一題，記錄 baseline、loss curve 與一類失敗案例。local autograder 能檢查介面與門檻，卻不會替你解釋為何模型錯；那一例才是自學者要補的分析。
系列導航：上一篇：Bayes nets 與 Ghostbusters｜下一篇：結業路線
課程影片來源
官方 Spring 2026 課表與官方 YouTube 播放清單（[CS188 SP26] Live Lectures，28 支）已於 2026-10-10 即時核對，本文嵌入的講課錄影在清單中（課表標為 Recording）。此處不提供未核對的時間跳轉。
原始影片：CS188 Spring 2026 Lecture 19: Rational Decisions
課程與錄影入口：
查核日期：2026-10-10。
內容核對：已依字幕核對（2026-10-10）：抽樣核對（只讀字幕開頭約五千字元）：確認嵌入的是 Lecture 19，主題為Rational Decisions；字幕談 rational agent 最大化效用、效用為何能用數字表示（以 minimax 對單調轉換不變為例）、為何取期望，並預告後續 RLHF 與對齊，與本文把 rational decisions 接到 ML 的敘述相符。本文其餘章節講的是同單元其他講次與 Project，不是這支影片的內容。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。官方 Spring 2026 課表與 YouTube 播放清單即時核對，嵌入的講課錄影在清單中，狀態改為已附影片。
- 2026-10-10：依字幕核對影片內容。確認嵌入影片是 Lecture 19（Rational Decisions），主題與本文範圍相符；未發現需更正的影片說法。
參考資料
Loading...