MIT 6.S191：Introduction to Deep Learning

请帮我把「MIT 6.S191：Introduction to Deep Learning」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://introtodeeplearning.com/
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：3 个软件实验：Python 深度学习与音乐生成、人脸检测系统、微调 LLM，均为 Colab 笔记本，补完 #TODO 即可，公开可做。主页未说明外部学习者的提交或评分渠道；可按笔记本中的输出和提示自查。
课节（官方顺序）：
1. Intro to Deep Learning：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L1.pdf
2. Deep Sequence Modeling：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L2.pdf
3. Deep Computer Vision：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L3.pdf
4. Deep Generative Modeling：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L4.pdf
5. Deep Reinforcement Learning：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L5.pdf
6. New Frontiers：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L6.pdf
7. The Three Laws of AI：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L7.pdf
8. AI for Science：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L8.pdf
9. Secrets to Massively Parallel Training：https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L9.pdf

1. 环境
- 学习者需要自己的 Google 账号登录 Colab（这一步由学习者操作）。
- 可选：git clone https://github.com/MITDeepLearning/introtodeeplearning 到 labs/，便于离线查看笔记本。
- 在 GitHub 打开 lab1/lab2/lab3 中的 .ipynb，点击顶部 Run in Colab；在 Colab“运行时 → 更改运行时类型”中选 Python 3 和 GPU。
- 笔记本开头会 pip install mitdeeplearning；完成各 #TODO 单元格。Colab 免费 GPU 有时长限制，实验 3（微调 LLM）可能需要较长 GPU 时间。
- 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
- 实验仓库（lab1、lab2、lab3 笔记本）：git clone --depth 1 https://github.com/MITDeepLearning/introtodeeplearning 到 labs/（许可：MIT）；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
- 课程视频（YouTube 播放列表）：只记录链接 https://www.youtube.com/watch?v=II4giR4vOOo&list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI
- 课件 PDF（每讲一份）：只记录链接 https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L1.pdf（主页称材料版权属 Alexander Amini 与 Ava Amini，复用需署名）
3. 目录（最外层放在我确认的位置）
mit-6s191-2026/
├── 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
├── labs/            # 官方材料
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-intro-to-deep-learning/
    ├── 02-deep-sequence-modeling/
    ├── 03-deep-computer-vision/
    ├── 04-deep-generative-modeling/
    ├── 05-deep-reinforcement-learning/
    ├── 06-new-frontiers/
    ├── 07-three-laws-of-ai/
    ├── 08-ai-for-science/
    └── 09-massively-parallel-training/
- 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。
  - 人工检查：检查labs/lab1、labs/lab2、labs/lab3存在且含.ipynb；在学习者选择的Colab/本地Jupyter打开lab1，先运行说明中不调用模型的导入单元。  → 官方笔记本可打开；GPU分配、付费运行与训练效果另行验证；此项不是 shell 命令。
- 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。