课程必读入门
CMU 10-301/10-601：机器学习导论（2026 秋）
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。
- 收录时间
- 2026-10-29
- 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）
- 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
- 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）
- 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