九講與三個 labs 全公開，但完整跑完仍要三個外部服務｜MIT 6.S191 課程總覽
MIT 6.S191 的 2026 版已公開九講影片、投影片、三個 software labs 與解答，足以列為 A3 自學課；但官方執行路線需要 Google／Colab、Comet，以及 Lab 3 的 OpenRouter，校外讀者也拿不到 MIT 的學分、專案回饋與 API credit。
13 篇文章
MIT 6.S191 Introduction to Deep Learning 導讀
依 2026 官方影片、投影片與實驗程式，讀完 MIT 6.S191 的九講與三個實驗，不混用歷史版本。
系列導讀
深度學習的最小骨架｜MIT 6.S191 第 1 堂
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。
序列模型：從 RNN 到注意力｜MIT 6.S191 第 2 堂
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。
電腦視覺：卷積如何保留空間結構｜MIT 6.S191 第 3 堂
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。
生成模型：從潛在空間到 diffusion｜MIT 6.S191 第 4 堂
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。
強化學習：用回報取代標準答案｜MIT 6.S191 第 5 堂
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。
新前沿：模型之外還要選問題｜MIT 6.S191 第 6 堂
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。
AI 三法則：安全要落在可觀測與評估｜MIT 6.S191 第 7 堂
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。
AI for Science：把領域結構放進學習流程｜MIT 6.S191 第 8 堂
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。
大規模平行訓練：記憶體與通訊才是邊界｜MIT 6.S191 第 9 堂
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。
用 PyTorch 與 LSTM 生成音樂｜MIT 6.S191 實驗 1
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。
從 MNIST 到 DB-VAE 臉部去偏差｜MIT 6.S191 實驗 2
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。
LoRA 微調與 LLM-as-a-Judge 評估｜MIT 6.S191 實驗 3
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。