Stanford EE364B：Convex Optimization II（2026 春）

请帮我把「Stanford EE364B：Convex Optimization II（2026 春）」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://web.stanford.edu/class/ee364b/index.html
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：在本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：官方Homework、Projects与Final入口；理论题先手推，再按题目选择CVXPY或Matlab示例。期末以研究项目为主，不能用仅阅读讲义代替实现与报告。
课节（官方顺序）：
1. Subgradients：https://web.stanford.edu/class/ee364b/lectures/subgradients_slides.pdf
2. Subgradient methods：https://web.stanford.edu/class/ee364b/lectures/subgrad_method_slides.pdf
3. Subgradient methods for constrained problems：https://web.stanford.edu/class/ee364b/lectures/constr_subgrad_slides.pdf
4. Primal-dual subgradient methods：https://web.stanford.edu/class/ee364b/lectures/primal_dual_subgrad_slides.pdf
5. Stochastic subgradient method：https://web.stanford.edu/class/ee364b/lectures/stoch_subgrad_slides.pdf
6. Mirror descent and variable metric methods：https://web.stanford.edu/class/ee364b/lectures/mirror_descent_slides.pdf
7. From Adagrad to Adam：https://web.stanford.edu/class/ee364b/lectures/adam_slides.pdf
8. Convergence of non-convex subgradient descent：https://web.stanford.edu/class/ee364b/lectures/nonconvex_subgradient.pdf
9. Smooth non-convex gradient descent：https://web.stanford.edu/class/ee364b/lectures/smooth_nonconvex_slides.pdf
10. Localization and cutting-plane methods：https://web.stanford.edu/class/ee364b/lectures/localization_methods_slides.pdf
11. Analytic center cutting-plane method：https://web.stanford.edu/class/ee364b/lectures/accpm_slides.pdf
12. Ellipsoid method：https://web.stanford.edu/class/ee364b/lectures/ellipsoid_method_slides.pdf
13. Applications of cutting-plane methods to active learning：https://web.stanford.edu/class/ee364b/lectures/active_learning.pdf
14. Primal and dual decomposition：https://web.stanford.edu/class/ee364b/lectures/decomposition_slides.pdf
15. Decomposition applications：https://web.stanford.edu/class/ee364b/lectures/decomposition_apps_slides.pdf
16. Distributed optimization via circuits：https://web.stanford.edu/class/ee364b/lectures/decomp_ckt.pdf
17. Proximal algorithms：https://stanford.edu/~boyd/papers/pdf/prox_slides.pdf
18. Monotone operators：https://web.stanford.edu/class/ee364b/lectures/monotone_slides.pdf
19. Monotone operator splitting methods：https://web.stanford.edu/class/ee364b/lectures/monotone_split_slides.pdf
20. Alternating direction method of multipliers (ADMM)：https://web.stanford.edu/class/ee364b/lectures/admm_slides.pdf
21. Primal-dual splitting: Primal-Dual Hybrid Gradient and Condat-Vu：https://web.stanford.edu/class/ee364b/lectures/primal-dual_splitting_slides.pdf
22. Newton's Method and self-concordance：https://web.stanford.edu/class/ee364b/lectures/newton_self-concordance.pdf
23. Conjugate-gradient method：https://web.stanford.edu/class/ee364b/lectures/conj_grad_slides.pdf
24. Truncated Newton methods：https://web.stanford.edu/class/ee364b/lectures/trunc_newton_slides.pdf
25. L1 methods for convex-cardinality problems：https://web.stanford.edu/class/ee364b/lectures/l1_slides.pdf
26. L1 methods for convex-cardinality problems, part II：https://web.stanford.edu/class/ee364b/lectures/l1_ext_slides.pdf
27. Sequential convex programming：https://web.stanford.edu/class/ee364b/lectures/seq_slides.pdf
28. Branch-and-bound methods：https://web.stanford.edu/class/ee364b/lectures/bb_slides.pdf
29. SDP relaxations：https://web.stanford.edu/class/ee364b/lectures/sdp-relax_slides.pdf
30. Convex optimization for neural networks：https://web.stanford.edu/class/ee364b/lectures/convexNN.pdf
31. Diffusion models：https://web.stanford.edu/class/ee364b/lectures/diffusion_models.pdf
32. Randomized sketching for convex optimization：https://web.stanford.edu/class/ee364b/lectures/sketching.pdf
33. Robust optimization with uncertain data：https://web.stanford.edu/class/ee364b/lectures/robust_slides.pdf
34. Distributional robustness and chance constraints：https://web.stanford.edu/class/ee364b/lectures/distribution_robust_slides.pdf
35. Dikin's method：https://web.stanford.edu/class/ee364b/lectures/dikin_slides.pdf
36. Model predictive control：https://web.stanford.edu/class/ee364b/lectures/mpc_slides.pdf
37. Stochastic model predictive control：https://web.stanford.edu/class/ee364b/lectures/stoch_mpc_slides.pdf
38. Notes on relaxation and randomized methods for nonconvex QCQP：https://web.stanford.edu/class/ee364b/lectures/relaxations.pdf
39. Sum-of-squares (SOS) methods：https://web.stanford.edu/class/ee364b/lectures/sos_slides.pdf
40. Notes on convex-concave games and minimax：https://web.stanford.edu/class/ee364b/lectures/cvxccv.pdf
41. Numerical linear algebra software：https://web.stanford.edu/class/ee364b/lectures/num-lin-alg-software.pdf

1. 环境
- 安装官方Python 3；在本课程目录执行 py -m venv .venv；之后在PowerShell用 .venv\Scripts\python.exe 调用此环境。
- 用该环境的Python执行 -m pip install cvxpy numpy。CVXPY用于Python数值练习；部分官方示例是Matlab/Julia，仅在选用对应示例时另备环境。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程表、材料与作业入口：只记录链接 https://web.stanford.edu/class/ee364b/index.html（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
- 全部讲义与补充笔记：只记录链接 https://web.stanford.edu/class/ee364b/lectures.html（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
- Homework：只记录链接 https://web.stanford.edu/class/ee364b/homework.html（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
- Projects：只记录链接 https://web.stanford.edu/class/ee364b/projects.html（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
3. 目录（最外层放在我确认的位置）
stanford-ee364b-spring2026/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-lesson-01/
    ├── 02-lesson-02/
    ├── 03-lesson-03/
    ├── 04-lesson-04/
    ├── 05-lesson-05/
    ├── 06-lesson-06/
    ├── 07-lesson-07/
    ├── 08-lesson-08/
    ├── 09-lesson-09/
    ├── 10-lesson-10/
    ├── 11-lesson-11/
    ├── 12-lesson-12/
    ├── 13-lesson-13/
    ├── 14-lesson-14/
    ├── 15-lesson-15/
    ├── 16-lesson-16/
    ├── 17-lesson-17/
    ├── 18-lesson-18/
    ├── 19-lesson-19/
    ├── 20-lesson-20/
    ├── 21-lesson-21/
    ├── 22-lesson-22/
    ├── 23-lesson-23/
    ├── 24-lesson-24/
    ├── 25-lesson-25/
    ├── 26-lesson-26/
    ├── 27-lesson-27/
    ├── 28-lesson-28/
    ├── 29-lesson-29/
    ├── 30-lesson-30/
    ├── 31-lesson-31/
    ├── 32-lesson-32/
    ├── 33-lesson-33/
    ├── 34-lesson-34/
    ├── 35-lesson-35/
    ├── 36-lesson-36/
    ├── 37-lesson-37/
    ├── 38-lesson-38/
    ├── 39-lesson-39/
    ├── 40-lesson-40/
    └── 41-lesson-41/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - 人工检查：在选定的课程虚拟环境中执行 python --version  → 显示Python 3版本；Windows也可直接用 .venv\Scripts\python.exe --version。
  - python -c "import cvxpy; import numpy; print(cvxpy.__version__, numpy.__version__)"  → 在课程环境中成功导入并显示版本。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。