# CMU 10-301/10-601：机器学习导论（2026 秋） - 原标题：CMU 10-301/10-601：Introduction to Machine Learning（2026 秋） - 类型：课程 - 来源：mlcourse.org - 学期：2026 秋 - 首次精选：2026-10-29 23:09 - 分级：必读 - 学习层级：入门 - 主题：[neural-model-foundations]()（第 2 位）、[ai-literacy]()（第 11 位） - 原文链接：[https://mlcourse.org/10601]() - 本站页面：[https://oplearnx.com/resources/pk\_1517b32391b1]() ## 摘要 卡内基梅隆大学 2026 年秋季 10-301/10-601 机器学习导论课程主页，授课教师为 Matt Gormley 和 Bryan Wilder。页面说明课程系统讲授现代机器学习的方法论、数学与算法，并列出课程规模：26 讲、9 次作业、3 次编程测试、3 次考试，以及两个分段的上课时间。已公开的课程模块按主题排布，包括分类与回归（机器学习作为函数逼近、决策树、过拟合与 k 近邻、模型选择与实验设计）、线性模型（感知机、线性回归、机器学习中的优化、随机梯度下降与逻辑回归、特征工程）等，并配有编程实验和习题课安排。 ## 概览 - 难度：进阶 - 语言：英文 - 规模：26 讲 · 9 次作业 - 动手：9 次作业 · 编程测试 3 次 ## 学完你能 - 实现并分析已有的学习算法，涵盖分类、回归、结构化预测、聚类与表示学习 - 把一个实用机器学习系统的多个环节整合起来：数据预处理、学习、正则化与模型选择 - 描述学习模型与算法的形式性质，并解释这些结果的实践含义 - 比较监督学习、无监督学习等不同学习范式 - 设计实验，在真实问题上评估与比较不同机器学习技术 - 运用概率、统计、微积分、线性代数与优化来构建新的预测模型或学习方法 ## 适合你吗 - 适合：在校本科生（注册 10-301）或研究生（注册 10-601） - 适合：希望系统学习机器学习方法、数学与算法并做编程实验的学生 - 适合：想同时了解理论概念（归纳偏置、PAC 框架、贝叶斯方法、奥卡姆剃刀）与实践算法的人 - 暂不适合：只想在线自学、不打算到校上课的人（课程为线下课，仅部分场次直播录制） - 暂不适合：希望以理论为主、少做编程作业的人（课程同时强调实践与理论） - 需要先会：需要概率、统计、微积分、线性代数与优化的基础，并具备编程实现学习算法的能力。 ## 课程特点 - 内容侧重：从分类与回归、线性模型到神经网络、深度学习、学习理论、强化学习与无监督学习等范式，兼顾方法与理论。与 10-701 相比理论比重略低，但仍占重要位置。 - 练习与项目：9 次作业、编程实验（coding lab）、答疑课（recitation）、3 次编程测试（分别覆盖 HW1/HW2、HW4/HW5、HW7/HW8）、3 次考试；评分包含考试、作业与课堂参与。 - 投入时间：每周一、三、五上课，Section A 9:30–10:50，Section B 11:00–12:20；编程实验与答疑课多在周五；总时长材料未给出。 - 费用说明：材料未说明费用、证书或会员信息。 ## 内容覆盖 - 第 1 讲 课程概览 - 第 2 讲 机器学习作为函数逼近 - 第 3 讲 决策树 - 第 4 讲 过拟合与 K 近邻 - 第 5 讲 模型选择与实验设计 - 第 6 讲 感知机 - 第 7 讲 线性回归 - 第 8 讲 机器学习中的优化 - 第 9 讲 随机梯度下降 / 逻辑回归 - 第 10 讲 特征工程 / 正则化 - 第 11 讲 神经网络 - 第 12 讲 反向传播 I - 第 13 讲 反向传播 II - 第 14 讲 机器学习的社会影响（评估） - 第 15 讲 PAC 学习 - 第 16 讲 PAC 学习 / MLE 与 MAP - 第 17 讲 卷积神经网络与循环神经网络 - 第 18 讲 RNN 语言模型与 Transformer 语言模型 - 第 19 讲 Transformer、自动微分、预训练与微调 - 第 20 讲 上下文学习 / 强化学习：MDP - 第 21 讲 强化学习：核心算法 - 第 22 讲 强化学习：策略梯度 / 深度强化学习 - 第 23 讲 无监督学习：自编码器 / PCA / K 均值 - 第 24 讲 推荐系统 / 矩阵分解 - 第 25 讲 集成方法：Boosting 与 Bagging - 第 26 讲 专题：编码智能体 / 视觉生成模型 --- 来源：LearnMap · 学径（https://oplearnx.com）