# 加州大学伯克利分校 EECS127/227A：优化模型（2026 春） - 原标题：UC Berkeley EECS127/227A：Optimization Models（2026 春） - 类型：课程 - 来源：eecs127.github.io - 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：[ai-mathematics-proofs]()（第 7 位） - 原文链接：[https://eecs127.github.io/]() - 本站页面：[https://oplearnx.com/resources/pk\_5b09fa7e3c2e]() ## 摘要 这是 UC Berkeley EECS 127/227A 2026 年春季课程主页。页面提供本学期、2024 年春季和 2022 年秋季的讲座录像链接（不同学期内容并非互相覆盖），以及由往届教学团队编写、本学期将持续更新的课程讲义。阅读材料标注使用两本教材的缩写：CEG 指 Calafiore 与 El Ghaoui 的《Optimization Models》，BV 指 Boyd 与 Vandenberghe 的《Convex Optimization》。页面还链接了线性代数复习课幻灯片，并给出课程日历，第 1–2 周内容涉及最小二乘、向量范数、Gram-Schmidt/QR 与最小范数解等，另附讨论课题目与解答 PDF。适合想了解优化模型课程进度与配套资料的人阅读。 ## 概览 - 难度：进阶 - 语言：英文 - 规模：28 讲 · 14 次讨论 - 费用：免费 ## 学完你能 - 用线性代数工具处理最小二乘、最小范数解与 PCA/SVD 等问题 - 理解凸集、凸函数的判定与性质 - 掌握梯度下降、随机梯度下降等下降方法与收敛直觉 - 分析弱对偶、强对偶、KKT 条件并写出优化模型 - 认识 LP、QP、SOCP、L1 与 Lasso、牛顿法、SVM 等模型与应用 ## 适合你吗 - 适合：已具备线性代数与向量微积分基础、想系统学习优化模型的本科生或研究生 - 适合：希望把优化用于机器学习与信号处理问题的学习者 - 适合：想配合讲义、视频与作业自学凸优化的人 - 暂不适合：完全没有线性代数与多变量微积分基础的学习者 - 暂不适合：只想看应用代码、不打算推导数学结论的人 - 需要先会：需要线性代数（向量范数、QR、对称矩阵、SVD）与向量微积分基础，课程开头安排复习。 ## 课程特点 - 内容侧重：以最小二乘为起点，覆盖线性代数复习、低秩逼近、凸性、下降方法、对偶与 KKT，再到 LP/QP/SOCP 等模型与应用。 - 练习与项目：每周一次作业，配有题目与解答 PDF；部分讲座附 Jupyter Notebook；每周另有讨论课材料。 - 投入时间：共约 28 讲，另有 14 次讨论课；每讲时长与总时长材料未给出。 - 费用说明：讲义、课程笔记与往期讲座视频可直接访问；材料未提及价格、证书或会员。 ## 内容覆盖 - 第 1 讲 导论与最小二乘 - 第 2 讲 线性代数复习：向量范数 - 第 3 讲 Gram-Schmidt、QR、线性代数基本定理、最小范数解 - 第 4 讲 线性代数复习：对称矩阵 - 第 5 讲 主成分分析与 SVD - 第 6 讲 向量微积分 - 第 7 讲 向量微积分（续） - 第 8 讲 SVD 与低秩逼近 I - 第 9 讲 低秩逼近 II - 第 10 讲 岭回归的三种解释 - 第 11 讲 凸性 - 第 12 讲 凸性（续） - 第 13 讲 下降方法 - 第 14 讲 下降方法（续） - 第 15 讲 随机梯度下降及其变体 - 第 16 讲 弱对偶 - 第 18 讲 强对偶 - 第 19 讲 对偶 - 第 20 讲 KKT 与优化问题的建模 - 第 21 讲 KKT - 第 22 讲 Fenchel 共轭 - 第 23 讲 线性规划 - 第 24 讲 二次规划 - 第 25 讲 二阶锥规划 - 第 26 讲 L1 范数与 Lasso、牛顿法 - 第 27 讲 应用：支持向量机 - 第 28 讲 缓冲 ## 课程各讲 - [视频合集]() --- 来源：LearnMap · 学径（https://oplearnx.com）