University of Toronto CSC412/2506：Probabilistic Machine Learning（2025 冬）

请帮我把「University of Toronto CSC412/2506：Probabilistic Machine Learning（2025 冬）」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://diophontine.github.io/csc412/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：在线学习。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：完成 A1–A4、每周 Tutorial 和公开 Practice midterm/final；A1–A3 入口为 Colab，先运行官方环境单元，再自行实现问题。 先读当期作业入口并核对其 notebook/软件要求；不要在尚未确认作业载体时要求先登录 Colab。若具体 notebook 使用 Colab，再由学习者使用个人 Google 账号创建副本。Quercus 录像需要多伦多大学课程身份。
课节（官方顺序）：
1. Week 1: Introduction Probabilistic Models：https://diophontine.github.io/csc412/
2. Week 2: Decision theory Directed Graphical Models：https://diophontine.github.io/csc412/
3. Week 3: Markov Random Fields Exact inference：https://diophontine.github.io/csc412/
4. Week 4: Message passing Monte Carlo Methods：https://diophontine.github.io/csc412/
5. Week 5: Sampling I Sampling II：https://diophontine.github.io/csc412/
6. Week 6: Hidden Markov Models Variational inference I：https://diophontine.github.io/csc412/
7. Week 9: Variational inference II Variational Autoencoders：https://diophontine.github.io/csc412/
8. Week 10: Embeddings Attention：https://diophontine.github.io/csc412/
9. Week 11: Sparse Autoencoders Constrained Decoding：https://diophontine.github.io/csc412/
10. Week 12: Speculative Decoding Diffusion models：https://diophontine.github.io/csc412/
11. Week 13: Guest Lectures Final exam review：https://diophontine.github.io/csc412/

1. 环境
- 先读当期作业入口并核对其 notebook/软件要求；不要在尚未确认作业载体时要求先登录 Colab。若具体 notebook 使用 Colab，再由学习者使用个人 Google 账号创建副本。Quercus 录像需要多伦多大学课程身份。
- 公开阅读使用浏览器；具体作业依赖以当期发布说明为准，未取得 notebook 时保留入口并说明没有运行。
- 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
- 官方课程表与材料：只记录链接 https://diophontine.github.io/csc412/（仅保存链接；未确认统一下载许可，不批量复制课件或视频。）
3. 目录（最外层放在我确认的位置）
toronto-csc412-winter2025/
├── 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.md     # 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/
- 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.md，逐项检查并记录“通过/未通过”：
- 按浏览器或在线 notebook 清单检查，不为自检安装本机终端。
  - 人工操作：打开官网首课讲义和当期作业入口，记录作业载体、依赖说明及可访问范围。若获得 notebook，再执行其安装/导入单元。  → 公开讲义可读；未取得或未运行的 notebook 明确记为未验证，不仅输出 Python 版本就声称就绪。
- 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。