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。
10 篇文章
CMU 10-301 Introduction to Machine Learning 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。
系列導讀
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。