课程进阶
UC Berkeley Data102（2025 年秋）
加州大学伯克利分校 Data 102《Data, Inference, and Decisions》2025 年秋季课程网站，页面注明内容已于 2026 年 3 月归档，仅供查阅。页面列出两位授课教师 Nivasini Ananthakrishnan 与 Ramesh Sridharan 的简介，以及按周组织的课程安排，包括讲座、实验、讨论课、Vitamin 小测和作业，主题覆盖二元决策、p 值与假设检验、多重假设检验与错误发现率控制、频率派与贝叶斯决策、贝叶斯建模与层次模型等。适合想学习数据推断与决策统计方法的人参考。
- 分级
- 值得看
- 收录时间
- 2026-10-29
- 语言
- 英文
- 规模
- 25 讲 · 11 次实验
- 动手
- 11 个实验 · 6 次作业
学完你能
- 对二元决策问题建立基于损失与风险的决策框架。
- 理解并运用 p 值与多重假设检验、错误发现率控制。
- 区分频率派与贝叶斯建模，并进行参数估计与推断。
- 构建贝叶斯层次模型，并用拒绝采样、Gibbs 采样等方法做推断。
- 拟合广义线性模型并做模型检查与不确定性量化。
- 用因果推断、多臂老虎机与强化学习方法分析决策问题。
适合你吗
适合
- 已具备统计推断与回归基础、想系统学习决策方法的学生
- 对贝叶斯建模、因果推断、bandits 与强化学习感兴趣的学习者
- 希望结合实验与项目实践数据分析决策方法的人
暂不适合
- 完全没有概率统计基础、想从零入门的人
- 只想学习编程实现而不涉及统计理论的人
需要先会
材料未列出先修要求，从内容看需具备概率统计与回归建模基础。
课程特点
- 内容侧重
- 统计推断与决策：决策、假设检验、贝叶斯建模、GLM、因果推断、bandits、强化学习。
- 练习与项目
- 11 个实验（Jupyter notebook）、6 次作业、每讲后 Vitamin 小测、两次期中考试，以及分阶段提交的项目。
内容覆盖
- 第 1 讲 二元决策 I
- 第 2 讲 二元决策 II
- 第 3 讲 p 值与假设检验
- 第 4 讲 多重假设检验与错误发现率控制
- 第 5 讲 频率派与贝叶斯决策
- 第 6 讲 频率派与贝叶斯建模导论（参数估计与推断）
- 第 7 讲 贝叶斯层次模型
- 第 8 讲 贝叶斯层次模型 II
- 第 9 讲 基于采样的贝叶斯推断
- 第 10 讲 回归与广义线性模型
- 第 11 讲 广义线性模型与模型检查
- 第 12 讲 广义线性模型的不确定性量化
- 第 13 讲 非参数方法与神经网络
- 第 14 讲 神经网络、反向传播与可解释性
- 第 15 讲 因果推断 I：关联与因果
- 第 16 讲 因果推断 II：随机实验
- 第 17 讲 因果推断 III：观察性研究
- 第 18 讲 集中不等式
- 第 19 讲 多臂老虎机 I
- 第 20 讲 多臂老虎机 II
- 第 21 讲 强化学习 I
- 第 22 讲 强化学习 II
- 第 23 讲 案例研究、鲁棒性与泛化
- 第 24 讲 建模与决策的技术与伦理视角
- 第 25 讲 技术与伦理视角（续）及课程总结