UC Berkeley EECS 189 机器学习导论 · 课程总览

这门课讲什么

这门课是 UC Berkeley 的 CS 189/289A（EECS 189）机器学习导论。主线从机器学习问题的框架讲起，先用 KNN（k-近邻）与 K-Means 一类基础方法铺底，再进入概率与密度估计、MLE（最大似然估计）、多元高斯与高斯混合（GMM）。接着是线性回归、正则化与偏差方差权衡，然后是分类与逻辑回归，以及梯度下降及其加速手段（动量、Adam、SGD）。后半程从梯度学习转向神经网络：万能逼近、反向传播，再到 CNN（卷积神经网络）与 Transformer 两类架构。最后落到大规模模型上，包括 LLM（大语言模型）的训练与应用、自监督学习、AI 用于蛋白质工程，以及智能体（agent）与 LLM 智能体所处的环境。

这门课怎么组织的

课程按周推进：正常情况下每周两次讲座（周二、周四），周一有讨论课（Discussion），作业在周五截止；整门课 16 周加上决赛周。考核安排是第 9 周期中考试（5:00–6:30 PM）、第 17 周累积性质的期末考试（11:30 AM–2:30 PM）。作业共 5 次，部分作业分 Part 1 / Part 2 两次截止。日程里还排有期中、期末的复习场次（Midterm Review / Final Review），以及一场嘉宾讲座（Lecture 24，日程上写的是 Guest Lecture: TBD，题目待定）——这场讲座在本电子书系列里没有对应的电子书。Fall 2026 的授课教师是 Narges Norouzi 与 Joseph Gonzalez，讲座有直播链接。

本电子书系列包含什么

本系列把课程讲座逐讲整理成中文电子书，共 27 本，按讲次顺序排列：从机器学习问题的框架、KNN/K-Means 等基础方法开始，经过概率与密度估计、MLE、高斯混合、线性回归与正则化、分类与逻辑回归、梯度下降，进入神经网络、CNN、Transformer，最后到 LLM 训练与应用、自监督学习、蛋白质工程 AI 与智能体。覆盖范围：课程日程里的 28 个条目中，27 条已做成中文电子书。

合计 28 个条目：27 个已做成中文电子书 ✓，1 个没有 ✗（原因见上表「备注」一列 ✓）。

本电子书系列不涉及什么

• 唯一没进本系列的是补充讲「KNN与K-Means」（补充-lec02）：它没有录像，因此也没有做成电子书。
• 讨论课（Discussion）、期中/期末复习场次（Midterm Review / Final Review）、以及第 24 周那场题目待定的嘉宾讲座，都没有对应的电子书。
• 课程主页 Fall 2026 的日程里还排有 MDP/RL（马尔可夫决策过程与强化学习）、Diffusion、后训练（fine-tuning 微调、LoRA、PEFT、蒸馏）等主题，本系列里没有对应的讲次。
• 本系列有意只做讲座内容：作业（Homework 1–5）的题目与答案、期中与期末试题，以及课程的研究生项目（Graduate Project）都不在其中。作业与考试安排请以课程官方页面为准。

怎么用这套电子书

建议从第 01 讲开始按顺序读，讲次之间是层层递进的——后面的神经网络、Transformer 都建立在前面的回归、分类与梯度下降之上。读的时候可以对照课程主页的日程与讲座录像：除第 01 讲和第 26 讲没有录像外，其余讲座都有录像可看。作业（Homework 1–5）与考试安排都在课程主页的 Schedule 里，本系列不含作业与答案。

本页怎么来的 ✗→✓：讲次清单由程序生成 ✓（讲次号、材料、电子书有无 ✓ 都来自系列表 courses/berkeley-eecs189.json 与产物目录 ✓）；讲解文字由模型译自课程主页 ✓（课程主页本地副本：.cache/fa26_index.html）。 这一页相当于课程主页的中文版 ✓；课程每年都在变 ✓，以官方主页为准 ✓。