Stanford CS234：Reinforcement Learning（2026 冬）

请帮我把「Stanford CS234：Reinforcement 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/cs234/
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：3 次作业（书面题用 LaTeX 模板 + Python 编程题），另有期中、课堂测验和课程项目。题目、模板和起始代码公开在 Assignments 页；提交走 Gradescope，需斯坦福 SUNet 账号。外部学习者可下载完成，用起始代码中的测试或讲义给出的预期结果自查。
课节（官方顺序）：
1. Introduction to Reinforcement Learning (Lecture 1)：https://web.stanford.edu/class/cs234/slides/lecture1post.pdf
2. Tabular MDP Planning (Lecture 2)：https://web.stanford.edu/class/cs234/slides/lecture2post.pdf
3. Tabular RL Policy Evaluation (Lecture 3)：https://web.stanford.edu/class/cs234/slides/lecture3post.pdf
4. Q-Learning (Lecture 4)：https://web.stanford.edu/class/cs234/slides/lecture4post.pdf
5. Policy Gradient (Lecture 5)：https://web.stanford.edu/class/cs234/slides/lecture5post.pdf
6. Policy Gradient (Lecture 6)：https://web.stanford.edu/class/cs234/slides/lecture6post.pdf
7. Policy Gradient / Imitation Learning (Lecture 7)：https://web.stanford.edu/class/cs234/slides/lecture7post.pdf
8. Imitation Learning, Learning from Human Input, and Batch RL (Lecture 8)：https://web.stanford.edu/class/cs234/slides/lecture8post.pdf
9. Data Efficient RL (Lecture 9)：https://web.stanford.edu/class/cs234/slides/lecture9post.pdf
10. Data Efficient RL / Ethics and Society Guest Lecture (Lecture 10)：https://web.stanford.edu/class/cs234/slides/lecture10post.pdf
11. Data Efficient RL (Lecture 11)：https://web.stanford.edu/class/cs234/slides/lecture11post.pdf
12. Data Efficient RL (Lecture 12)：https://web.stanford.edu/class/cs234/slides/lecture12post.pdf
13. Monte Carlo Tree Search and Conquering Go (Lecture 13)：https://web.stanford.edu/class/cs234/slides/lecture13post.pdf
14. Monte Carlo Tree Search and Conquering Go (Lecture 14)：https://web.stanford.edu/class/cs234/slides/lecture14post.pdf
15. Ethics and Society Guest Lecture, Part 2：https://web.stanford.edu/class/cs234/slides/ethics_society_234_2.pdf
16. RL Guest Lecture: Shane Gu, World of World Modeling：https://web.stanford.edu/class/cs234/slides/ShaneGuCS234_2026.pdf

1. 环境
- 检查 WSL 和 Ubuntu（wsl -l -v）；未安装时请我在管理员 PowerShell 执行 wsl --install 并重启（这一步由我操作）。
- 在 Ubuntu 中：sudo apt install python3 python3-venv python3-pip unzip；课程目录放在 ~/learning/ 下。
- 下载 a1/code.zip、a2/assignment2_starter_code.zip 解压到 assignments/a1、assignments/a2；作业 3 起始代码在 Google Drive，需在浏览器中手动下载。
- 创建虚拟环境 python3 -m venv .venv；按解压后起始代码中的说明或 requirements 文件安装依赖（站点只保证标准库可用）。
- 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
- 作业 1：题目 PDF：只记录链接 https://web.stanford.edu/class/cs234/assignments/a1/CS234_A1_Questions.pdf
- 作业 1：起始代码 code.zip：只记录链接 https://web.stanford.edu/class/cs234/assignments/a1/code.zip（未标注许可，由学习者自行下载到 assignments/a1 供个人练习）
- 作业 2：题目与起始代码：只记录链接 https://web.stanford.edu/class/cs234/assignments/a2/assignment2_starter_code.zip（题目 PDF：assignments/a2/CS234_A2_Questions.pdf）
- 作业 3：起始代码（Google Drive）：只记录链接 https://drive.google.com/file/d/18HwwLiMIN9XSdK7QXqQjGyhyb_86Iz_Y/view?usp=drive_link
- Ed、Gradescope：只记录链接 https://web.stanford.edu/class/cs234/assignments.html（需斯坦福账号，外部无法提交）
3. 目录（最外层放在我确认的位置）
cs234-2026/
├── 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.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-introduction/
    ├── 02-tabular-mdp-planning/
    ├── 03-policy-evaluation/
    ├── 04-q-learning/
    ├── 05-policy-gradient-1/
    ├── 06-policy-gradient-2/
    ├── 07-policy-gradient-imitation/
    ├── 08-imitation-human-input-batch-rl/
    ├── 09-data-efficient-rl-1/
    ├── 10-data-efficient-rl-ethics/
    ├── 11-data-efficient-rl-3/
    ├── 12-data-efficient-rl-4/
    ├── 13-mcts-1/
    ├── 14-mcts-2/
    ├── 15-ethics-society-guest-2/
    └── 16-world-modeling-guest/
- 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。在 WSL 的 Ubuntu 终端运行。
  - python3 -c "import sys; assert sys.version_info >= (3, 8); print(sys.version)"  → Python 3.8 或更高
  - test -d assignments/a1  → 作业 1 起始代码已解压
  - test -d assignments/a2  → 作业 2 起始代码已解压
  - test -d lessons/01-introduction && test -d lessons/04-q-learning  → 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。