# UC Berkeley CS189/289A：机器学习导论（2026 春）

- 原标题：UC Berkeley CS189/289A：Introduction to Machine Learning（2026 春）
- 类型：课程
- 来源：eecs189.org
- 学期：2026 春
- 首次精选：2026-10-29 23:09
- 分级：值得看
- 学习层级：进阶
- 主题：[neural-model-foundations](<https://oplearnx.com/md/topics/neural-model-foundations.md>)（第 11 位）、[ai-literacy](<https://oplearnx.com/md/topics/ai-literacy.md>)（第 16 位）
- 原文链接：[https://eecs189.org/sp26](<https://eecs189.org/sp26>)
- 本站页面：[https://oplearnx.com/resources/pk\_1df811644aa3](<https://oplearnx.com/resources/pk_1df811644aa3>)

## 摘要

这是加州大学伯克利分校 CS189/289A 机器学习导论课程 2026 年春季学期的课程网站，由 Jennifer Listgarten 和 Alex Dimakis 授课，页面包含日程表、讲义材料、讨论课与作业链接。课程安排显示第 1 周从“引入与机器学习问题界定”开始，随后涉及数据工具、机器学习机制与术语、聚类与概率复习等主题，并配有推荐阅读、讲义 PDF 与视频以及作业。适合想系统学习机器学习基础的人参考课程内容。

## 概览

- 难度：深入
- 语言：英文
- 规模：27 讲 · 16 周
- 费用：免费
- 动手：5 次作业 · 含编程

## 学完你能

- 用机器学习术语与问题框架描述建模任务
- 推导线性回归、正则化与逻辑回归的极大似然解法
- 理解多元高斯、混合高斯与聚类方法的原理
- 掌握梯度下降、动量、Adam 等优化方法与收敛性
- 理解神经网络、反向传播与卷积网络的机制
- 了解 Transformer、LLM 训练、自监督学习与智能体等前沿主题

## 适合你吗

- 适合：已具备概率论、线性代数基础，想系统学习机器学习原理的学生
- 适合：希望从经典方法延伸到深度学习与 LLM 的学习者
- 适合：需要配套讲义、视频与作业材料自学的读者
- 暂不适合：只想学调用现成库做应用、不关心数学推导的读者
- 暂不适合：完全没有概率与线性代数基础的初学者
- 需要先会：需要概率论、线性代数（含特征向量、矩阵求导）与多元微积分基础。

## 课程特点

- 内容侧重：以概率与统计视角讲机器学习：线性回归与正则化、分类与逻辑回归、梯度优化、神经网络与反向传播、CNN、Transformer、LLM、自监督学习，并含蛋白质工程与智能体专题。
- 练习与项目：5 次作业（含书面部分与编程部分，Homework 5 为可选），另有每周讨论课材料与讲解视频；第 9 周有 7pm–9pm 期中考试，第 17 周有 11:30–14:30 期末考试。
- 投入时间：16 周课程，每周两次课，周二、周四 14:00–15:30（每次 1.5 小时）；自学所需时长材料未给出。
- 费用说明：讲义 PDF、讲座视频与讨论课材料通过公开链接提供，材料中未提及学费、证书或会员要求。

## 内容覆盖

- 1. 课程介绍与机器学习问题框架
- 2. 数据处理工具
- 3. 机器学习机制：术语与技术
- 4. 聚类与概率复习
- 5. 极大似然估计、多元高斯与高斯混合简介
- 6. 多元高斯与高斯混合
- 7. 高斯混合与线性回归
- 8. 线性回归
- 9. 线性回归与正则化
- 10. 线性回归与正则化（续）
- 11. 分类
- 12. 逻辑回归与分类器准确率
- 13. 收敛、动量、Adam 与随机梯度下降
- 14. MLE、MAP 与偏差-方差权衡
- 15. 用梯度下降学习
- 16. 熵、信息与逻辑回归
- 17. 神经网络：为何需要深度、通用近似定理、激活函数
- 18. 神经网络与反向传播
- 19. 反向传播（续）与卷积神经网络
- 20. 卷积神经网络（续）
- 21. Transformer
- 22. Transformer（续）
- 23. LLM 训练与应用
- 24. 自监督学习
- 25. AI 用于蛋白质工程
- 26. 客座讲座：智能体（线上）
- 27. LLM、智能体与环境

## 课程各讲

- [视频合集](<https://www.youtube.com/playlist?list=PL-ysCubq-Sa-bRfFhYJkcJ-TDF3oTAWQj>)
- [Thu \| 2. Data Tools /](<https://www.youtube.com/watch?v=IzfaWKuxThw>)
- [Lecture 1](<https://www.youtube.com/watch?v=oVo_RajZ3aE>)
- [Walkthrough](<https://www.youtube.com/watch?v=dTdHuJEHOsM>)
- [Lecture 4](<https://www.youtube.com/watch?v=STdR9OyulZE>)
- [Lecture 4](<https://www.youtube.com/watch?v=kU7a1K3PX10>)
- [Walkthrough](<https://www.youtube.com/watch?v=Mf4deCkjUkQ>)
- [Lecture 5](<https://www.youtube.com/watch?v=JzlMrqaa_-A>)
- [Lecture 6](<https://www.youtube.com/watch?v=0YLmbbERr0g>)
- [Lecture 7](<https://www.youtube.com/watch?v=202aSB1p8do>)
- [5 \| Tue \| 9. Linear Regression & Regularization / \| 4. Discussion](<https://www.youtube.com/watch?v=lrU8Vn0G44w>)
- [Lecture 9](<https://www.youtube.com/watch?v=SlkUTrXY60E>)
- [Lecture 10](<https://www.youtube.com/watch?v=oid6SvXy8Kw>)
- [Lecture 11](<https://www.youtube.com/watch?v=xBCpwQt8A5w>)
- [Lecture 12](<https://www.youtube.com/watch?v=1EAoNdjsOZw>)
- [Lecture 13](<https://www.youtube.com/watch?v=Z1KuNG9HyiQ>)
- [Lecture 15](<https://www.youtube.com/watch?v=6zV_GGgUa0Y>)
- [Lecture 15](<https://www.youtube.com/watch?v=ArSadC8hY-Q>)
- [Lecture 16](<https://www.youtube.com/watch?v=bMJ9igfvn1M>)
- [Lecture 17](<https://www.youtube.com/watch?v=XlaV_z2knjA>)
- [Lecture 18](<https://www.youtube.com/watch?v=-4PpBUsB_S4>)
- [Lecture 19](<https://www.youtube.com/watch?v=4LrCyN7URuY>)
- [Thu \| 21. Transformers / \| Chapter 12](<https://www.youtube.com/watch?v=mqaFEvi5rWE>)
- [Lecture 22](<https://www.youtube.com/watch?v=syp1pSf_DYY>)
- [Thu \| 23. LLM Training And Applications / \| Chapter 10](<https://www.youtube.com/watch?v=m13yELgj02c>)
- [14 \| Tue \| 24. Self-Supervised Learning / \| Chapter 11 \| 11. Discussion](<https://www.youtube.com/watch?v=iGcer6b6mp8>)
- [Thu \| 25. AI for Protein Engineering /](<https://www.youtube.com/watch?v=V-SJk4AJ-xc>)
- [Thu \| 27. LLMs, Agents, Environments /](<https://www.youtube.com/watch?v=yRgSQCXr8M0>)

---
来源：LearnMap · 学径（https://oplearnx.com）