更多课程

eecs189.org2026 春

课程进阶

UC Berkeley CS189/289A：机器学习导论（2026 春）

AI 导读

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。

打开原文
分级
值得看
收录时间
2026-10-29
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
  • 希望从经典方法延伸到深度学习与 LLM 的学习者
  • 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
  • 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

已上线 27 讲 · YouTube 视频合集（新标签页打开）

  1. Thu | 2. Data Tools /（新标签页打开）
  2. Lecture 1（新标签页打开）
  3. Walkthrough（新标签页打开）
  4. Lecture 4（新标签页打开）
  5. Lecture 4（新标签页打开）
  6. Walkthrough（新标签页打开）
  7. Lecture 5（新标签页打开）
  8. Lecture 6（新标签页打开）
  9. Lecture 7（新标签页打开）
  10. 5 | Tue | 9. Linear Regression & Regularization / | 4. Discussion（新标签页打开）
  11. Lecture 9（新标签页打开）
  12. Lecture 10（新标签页打开）
  13. Lecture 11（新标签页打开）
  14. Lecture 12（新标签页打开）
  15. Lecture 13（新标签页打开）
  16. Lecture 15（新标签页打开）
  17. Lecture 15（新标签页打开）
  18. Lecture 16（新标签页打开）
  19. Lecture 17（新标签页打开）
  20. Lecture 18（新标签页打开）
  21. Lecture 19（新标签页打开）
  22. Thu | 21. Transformers / | Chapter 12（新标签页打开）
  23. Lecture 22（新标签页打开）
  24. Thu | 23. LLM Training And Applications / | Chapter 10（新标签页打开）
  25. 14 | Tue | 24. Self-Supervised Learning / | Chapter 11 | 11. Discussion（新标签页打开）
  26. Thu | 25. AI for Protein Engineering /（新标签页打开）
  27. Thu | 27. LLMs, Agents, Environments /（新标签页打开）
课程
harvard-ml-courses.github.io

哈佛 CS1810：机器学习（2026）

Harvard CS1810：Machine Learning（2026）

哈佛大学 2026 年 CS1810 机器学习课程主页，授课教师为 David Alvarez-Melis 和 Yilun Du，上课时间为周二、周四 9:45–11:00，地点 SEC 1.321。课程对机器学习、概率推理和不确定环境下的决策做广泛而严谨的介绍，讨论常见算法的动机及其适用于特定任务的性质，要求推导多种方法的数学基础并将其应用于真实数据。主题包括监督学习、集成方法与提升、神经网络、支持向量机、核方法、聚类与无监督学习、最大似然、图模型、隐马尔可夫模型、推断方法、强化学习。课程面向高年级本科生，要求能编写较复杂程序、具备概率论基础并熟悉微积分与线性代数，提供的脚手架代码均为 Python。

进阶神经网络与注意力强化学习与对齐
查看详情 →
课程发布 07-31
YouTube

Stanford CS229 Machine Learning | Spring 2026

一个 YouTube 播放列表，收录斯坦福研究生课程 CS229 机器学习 2026 春季学期的课堂录像，共 17 讲。材料列出的前 8 讲标题涵盖课程介绍、监督学习设置、加权最小二乘、指数族与 GLM 分类、高斯判别分析、数据集划分与机器学习建议、神经网络架构等。课程内容为机器学习与统计模式识别的广泛导论，涉及监督学习、无监督学习、学习理论与强化学习，以及机器人控制、数据挖掘、语音识别等应用。

入门认识人工智能神经网络与注意力
查看详情 →
课程必读
karpathy.ai

神经网络：从零到高手（Neural Networks: Zero to Hero）

Neural Networks: Zero to Hero

Andrej Karpathy 的课程页面，讲的是用代码从零构建神经网络，从反向传播基础逐步搭到 GPT 这类现代深度神经网络，并以语言模型为主要载体。页面列出课程大纲及每讲时长与内容，例如用 micrograd 讲解反向传播与网络训练、用 makemore 实现二元字符级语言模型并介绍 torch.Tensor 与语言模型训练、采样和损失评估框架；先修要求为熟练的 Python 编程和入门级数学（如导数、高斯），并给出 Discord 交流频道。材料显示其面向具备基础编程与数学背景、想从零动手实现神经网络的学习者。

进阶神经网络与注意力
查看详情 →
教程
stanford.edu

CS229 监督学习简明指南（中文）

斯坦福 CS229 机器学习课程的监督学习复习速查表中文版，作者为 Afshine Amidi 与 Shervine Amidi，中文版由 Wang Hongnian 翻译。内容按主题压缩呈现：预测类型与模型类型对比、符号与一般概念、损失函数与成本函数、梯度下降、似然、线性与逻辑回归、广义线性模型、支持向量机与核方法、生成学习（高斯判别分析、朴素贝叶斯）、树与集成方法（CART、随机森林、提升）、k-NN，以及学习理论（Hoeffding 不等式、PAC、VC 维）。页面提供 GitHub 上的 PDF 版本，并有监督学习、无监督学习、深度学习、提示和技巧等姊妹速查表入口。适合已接触机器学习基础概念、需要对监督学习要点做快速回顾的人查阅。

进阶神经网络与注意力认识人工智能
查看详情 →
课程
Stanford 课程官网

Stanford CS229: Machine Learning（2026 夏）

斯坦福 CS229 机器学习课程 2026 夏季学期的课程主页，授课教师为 Jehangir Amjad 和 Anand Avati，并列出助教名单。页面给出课程介绍（监督学习、无监督学习、学习理论、强化学习及各类应用）、上课时间地点（周二、周四 16:30–18:15，NVIDIA Auditorium）以及先修要求：具备 Python/NumPy 编程能力（相当于 CS106A/B）、概率论（相当于 CS109 或 MATH151）、多变量微积分与线性代数（相当于 MATH51 或 CS205L）。相关链接需用斯坦福邮箱登录访问。

进阶认识人工智能强化学习与对齐
查看详情 →
课程
Stanford 课程官网

Stanford STATS315A：现代统计学习（2026 冬）

斯坦福大学 Statistics 315a“Modern Statistical Learning”2026 年冬季课程主页，授课教师为 Brian Trippe。课程介绍称其讲授现代机器学习背后的统计技术，学习目标包括熟悉常见机器学习方法及其统计基础、根据数据集与分析目标选择合适的工具、用 Python 和 PyTorch 实践与评估机器学习方法，以及通过构建核心组件和简化实现理解用于文本与图像生成的大规模机器学习系统；材料显示课程约三分之二内容涉及若干主题。页面另列上课时间（周二、周四 13:30–14:50，McCullough Building 115 室）、教师与两位助教的答疑时间，以及使用 Ed、Gradescope 和 Canvas 的安排。

进阶扩散与图像生成神经网络与注意力
查看详情 →