Stanford STATS315A：Modern Statistical Learning（2026 冬）

请帮我把「Stanford STATS315A：Modern Statistical Learning（2026 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://web.stanford.edu/class/stats315a/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：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 Exercises 页列出 Homework 0–4；按照题目进行推导、编程和预测实验，答案与代码独立保存；Canvas 解答和 Gradescope 提交需要相应课程权限。
课节（官方顺序）：
1. Decision theory and the hold-out method：https://web.stanford.edu/class/stats315a/syllabus.html
2. Linear models, ridge, bias-variance trade-off：https://web.stanford.edu/class/stats315a/syllabus.html
3. Cross-validation：https://web.stanford.edu/class/stats315a/syllabus.html
4. Learning theory, generalization：https://web.stanford.edu/class/stats315a/syllabus.html
5. Calibration and proper scoring rules：https://web.stanford.edu/class/stats315a/syllabus.html
6. Conformal prediction：https://web.stanford.edu/class/stats315a/syllabus.html
7. Finish calibration, decision trees：https://web.stanford.edu/class/stats315a/syllabus.html
8. Bagging, random forests：https://web.stanford.edu/class/stats315a/syllabus.html
9. Convex optimization：https://web.stanford.edu/class/stats315a/syllabus.html
10. Stochastic optimization, adaptive metrics：https://web.stanford.edu/class/stats315a/syllabus.html
11. Deep learning: automatic differentiation, gradient checkpointing：https://web.stanford.edu/class/stats315a/syllabus.html
12. Universal approximation, resNets, layer norm, transformers：https://web.stanford.edu/class/stats315a/syllabus.html
13. Graphical models：https://web.stanford.edu/class/stats315a/syllabus.html
14. State-space models：https://web.stanford.edu/class/stats315a/syllabus.html
15. Variational autoencoders：https://web.stanford.edu/class/stats315a/syllabus.html
16. Diffusion generative models：https://web.stanford.edu/class/stats315a/syllabus.html
17. Large language models：https://web.stanford.edu/class/stats315a/syllabus.html
18. Reinforcement learning, reward fine-tuning, score-based gradients：https://web.stanford.edu/class/stats315a/syllabus.html

1. 环境
- 使用系统 Python 3 与 venv，在课程目录执行 python3 -m venv .venv，并使用 .venv/bin/python 执行后续 Python 命令。
- 课程使用 Python 与 PyTorch；依赖版本没有统一公开锁定，先读取当前作业脚本的 import 和说明，再在 .venv 内按需安装，CPU 起步，不默认租用 GPU。
- 推导可用纸笔或 LaTeX；作业 1 的 loan CSV、作业 2 的 CIFAR 脚本、作业 3 的蛋白质和 MNIST 数据分别存入对应作业目录。未明确许可的材料仅保存链接。
- 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
- 讲座和阅读顺序：只记录链接 https://web.stanford.edu/class/stats315a/syllabus.html（仅保存官方链接；未核定此材料的复制许可，不自动下载或镜像。）
- Homework 0–4、数据与 starter：只记录链接 https://web.stanford.edu/class/stats315a/exercises.html（Homework PDF可公开阅读；官网Homework 1的loan-train.csv、loan-testx.csv、mixturemeans.csv实际跳转Stanford统一登录，最终HTTP200为登录HTML而非CSV。需要有权限的Stanford账号取得这些数据；公开学习者可先读讲义和作业说明，不把登录页保存成数据文件。仅链接，不自动镜像材料。）
3. 目录（最外层放在我确认的位置）
stanford-stats315a-winter26/
├── 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-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/
- 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。
  - python --version  → 当前课程独立环境输出 Python 3 版本；macOS/Linux 若使用 python3，应在生成 check-env 时按实际解释器改写。
  - python -c "import torch; print(torch.__version__)"  → 独立环境可导入 PyTorch 并输出版本；这不证明全部作业通过
  - 人工检查：打开 Homework 0 PDF 与 Homework 1 数据链接  → 能打开指定材料并核对标题；此项是人工检查，不是终端命令，也不代表课程练习已完成。
- 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。