CMU 10-301/10-601：Introduction to Machine Learning（2026 秋）

请帮我把「CMU 10-301/10-601：Introduction to Machine Learning（2026 秋）」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://www.mlcourse.org/10601
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：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：9 次作业（HW1 背景知识 … HW9 学习范式），含书面题和 Python 编程题，另有编程测试、3 次考试和编程实验课。作业通过 PhiGrade 提交，仅限选课学生。外部学习者可在作业讲义公开时下载自做，编程题用自己构造的小数据对照讲义中的样例输出检查。
课节（官方顺序）：
1. Course Overview：https://www.mlcourse.org/10601/lecture-1
2. Machine Learning as Function Approximation：https://www.mlcourse.org/10601/lecture-2
3. Decision Trees：https://www.mlcourse.org/10601/lecture-3
4. Overfitting and K-Nearest Neighbors：https://www.mlcourse.org/10601/lecture-4
5. Model Selection and Experimental Design：https://www.mlcourse.org/10601/lecture-5
6. Perceptron：https://www.mlcourse.org/10601/lecture-6
7. Linear Regression：https://www.mlcourse.org/10601/lecture-7
8. Optimization for ML：https://www.mlcourse.org/10601/lecture-8
9. Stochastic Gradient Descent / Logistic Regression：https://www.mlcourse.org/10601/lecture-9
10. Feature Engineering / Regularization：https://www.mlcourse.org/10601/lecture-10
11. Neural Networks：https://www.mlcourse.org/10601/lecture-11
12. Backpropagation I：https://www.mlcourse.org/10601/lecture-12
13. Backpropagation II：https://www.mlcourse.org/10601/lecture-13
14. Societal Impacts of ML (Evaluation)：https://www.mlcourse.org/10601/lecture-14
15. PAC Learning：https://www.mlcourse.org/10601/lecture-15
16. PAC Learning / MLE & MAP：https://www.mlcourse.org/10601/lecture-16
17. MLE & MAP / CNNs and RNNs：https://www.mlcourse.org/10601/lecture-17
18. RNN-LMs and Transformer-LMs：https://www.mlcourse.org/10601/lecture-18
19. Transformers, AutoDiff, Pre-training, Fine-Tuning：https://www.mlcourse.org/10601/lecture-19
20. In-context Learning / Reinforcement Learning: MDPs：https://www.mlcourse.org/10601/lecture-20
21. Reinforcement Learning: Core Algorithms：https://www.mlcourse.org/10601/lecture-21
22. Reinforcement Learning: Policy Gradient / Deep RL：https://www.mlcourse.org/10601/lecture-22
23. Unsupervised Learning: Autoencoders / PCA / K-Means：https://www.mlcourse.org/10601/lecture-23
24. Recommender Systems / Matrix Factorization：https://www.mlcourse.org/10601/lecture-24
25. Ensemble Methods: Boosting & Bagging：https://www.mlcourse.org/10601/lecture-25
26. Special Topics: Coding Agents / Generative Models for Vision：https://www.mlcourse.org/10601/lecture-26

1. 环境
- 确认 python3 可用，创建虚拟环境 python3 -m venv .venv && source .venv/bin/activate。
- pip install numpy；后续作业讲义如指定其他包或版本，以讲义为准。
- 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
- 各讲页面（阅读材料、嵌入 PDF）：只记录链接 https://www.mlcourse.org/10601（材料许可未说明）
- 课程录像（Panopto）：只记录链接 https://www.mlcourse.org/10601/syllabus（大纲称录像可能以 CC BY-NC-SA 公开，Panopto 访问可能需要 CMU 账号）
- 作业提交 PhiGrade、讨论区 Ed：只记录链接 https://www.mlcourse.org/10601/syllabus（仅限选课学生）
3. 目录（最外层放在我确认的位置）
cmu-10601-f26/
├── 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.sh     # 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-course-overview/
    ├── 02-function-approximation/
    ├── 03-decision-trees/
    ├── 04-overfitting-knn/
    ├── 05-model-selection/
    ├── 06-perceptron/
    ├── 07-linear-regression/
    ├── 08-optimization/
    ├── 09-sgd-logistic-regression/
    ├── 10-feature-engineering-regularization/
    ├── 11-neural-networks/
    ├── 12-backpropagation-1/
    ├── 13-backpropagation-2/
    ├── 14-societal-impacts/
    ├── 15-pac-learning/
    ├── 16-pac-learning-mle-map/
    ├── 17-mle-map-cnn-rnn/
    ├── 18-rnn-transformer-lms/
    ├── 19-transformers-autodiff-pretraining/
    ├── 20-in-context-learning-mdps/
    ├── 21-rl-core-algorithms/
    ├── 22-policy-gradient-deep-rl/
    ├── 23-autoencoders-pca-kmeans/
    ├── 24-recommender-systems/
    ├── 25-boosting-bagging/
    └── 26-coding-agents-generative-vision/
- 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.sh，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。使用当前系统的终端运行。
  - python3 --version  → 输出 Python 3 版本
  - python3 -c "import numpy; print(numpy.__version__)"  → 输出 NumPy 版本
  - test -d lessons/03-decision-trees && test -d lessons/11-neural-networks  → 课节文件夹已建立
- 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。