UC Berkeley STAT153/248：Introduction to Time Series（2026 春）

请帮我把「UC Berkeley STAT153/248：Introduction to Time Series（2026 春）」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://stat153.berkeley.edu/spring-2026/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：在本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：每周 Lab 1–13；Lab 8/13 为考试复习。DataHub notebook 需要 Berkeley 账号；无账号时先使用公开 lecture notebook 和讲义，不能声明已获得校内运行权限。 课程 DataHub notebook 需要 Berkeley 账号。无账号可以阅读公开 lecture notebook；独立 Python 环境不是 DataHub 授权的替代。先运行 NumPy/SciPy 绘图检查，再按具体 notebook 导入补齐依赖；不预设所有时序分析包已经可用。
课节（官方顺序）：
1. Lecture 1：Introduction to the class：https://stat153.berkeley.edu/spring-2026/intro
2. Lecture 2：Characteristics of time series data：https://stat153.berkeley.edu/spring-2026/characteristics-of-time-series
3. Lecture 3：Measures of dependence：https://stat153.berkeley.edu/spring-2026/dependence
4. Lecture 4：Measures of dependence (part 2)：https://stat153.berkeley.edu/spring-2026/dependence-1
5. Lecture 5：Simple linear regression (part 1)：https://stat153.berkeley.edu/spring-2026/linear-regression
6. Lecture 6：Simple linear regression (part 2)：https://stat153.berkeley.edu/spring-2026/linear-regression-1
7. Lecture 7：Multiple linear regression：https://stat153.berkeley.edu/spring-2026/multiple-regression
8. Lecture 8：Multiple linear regression part 2：https://stat153.berkeley.edu/spring-2026/multiple-regression2
9. Lecture 9：Nonlinear regression：https://stat153.berkeley.edu/spring-2026/nonlinear-regression
10. Lecture 10：Cross-validation and regularization：https://stat153.berkeley.edu/spring-2026/regularization
11. Lecture Notes 11：Lecture 11 notes：https://stat153.berkeley.edu/spring-2026/regularization-l1-l2-notes
12. Lecture 12：Power Spectral Analysis：https://stat153.berkeley.edu/spring-2026/spectral-analysis
13. Lecture 13：Power Spectral Analysis 2（材料链接暂不可用）：https://stat153.berkeley.edu/spring-2026/
14. Lecture 14：Power Spectral Analysis and Time Frequency Analysis：https://stat153.berkeley.edu/spring-2026/spectral-analysis-time-frequency
15. Lecture Notebook 15：Lecture 15 notebook：https://stat153.berkeley.edu/spring-2026/lecture15
16. Lecture 16：AR Models：https://stat153.berkeley.edu/spring-2026/ar-models
17. Lecture 17：MA and ARMA Models：https://stat153.berkeley.edu/spring-2026/arma-models
18. Lecture 18：ARIMA Models：https://stat153.berkeley.edu/spring-2026/arima-models
19. Lecture 19：ARIMA and Time Lagged Regression：https://stat153.berkeley.edu/spring-2026/arima-time-lagged-reg
20. Lecture 20：Time Lagged Regression：https://stat153.berkeley.edu/spring-2026/time-lagged-reg
21. Lecture 21：State Space Models Part 1：https://stat153.berkeley.edu/spring-2026/state-space-models
22. Lecture 22：State Space Models Part 2：https://stat153.berkeley.edu/spring-2026/state-space-models-2
23. Lecture 23：Convolutional Neural Networks Part 1：https://stat153.berkeley.edu/spring-2026/cnns
24. Lecture 24：Convolutional Neural Networks Part 2：https://stat153.berkeley.edu/spring-2026/cnns-1
25. Lecture 25：Recurrent Neural Networks Part 1：https://stat153.berkeley.edu/spring-2026/rnns
26. Lecture 26：Recurrent Neural Networks Part 2：https://stat153.berkeley.edu/spring-2026/rnns-2

1. 环境
- Python 3 独立虚拟环境；按官方作业依赖安装，Notebook 使用 Jupyter。
- 在课程专用目录中准备环境，不修改全局依赖或其他项目环境。
- 记录软件版本；先跑导入、编译器版本或官方离线示例，付费模型调用和提交作业不属于环境自检。
- 课程 DataHub notebook 需要 Berkeley 账号。无账号可以阅读公开 lecture notebook；独立 Python 环境不是 DataHub 授权的替代。先运行 NumPy/SciPy 绘图检查，再按具体 notebook 导入补齐依赖；不预设所有时序分析包已经可用。
- 本站首课最小环境（不是官方全部作业锁定依赖）：在课程目录执行 python3.12 -m venv .venv；再执行 ./.venv/bin/python -m pip install numpy scipy matplotlib pandas jupyterlab ipykernel。安装失败保留错误，不把包能导入等同于干净机器重装成功。
- 官方第一课PDF第7页明确部分作业使用DataHub、另一些需要本地Python，Labs使用Jupyter。DataHub账号不是公开首课阅读的前置；没有账号时可先读44页首课并做本地频谱工具检查，校内作业访问另计。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程表与材料：只记录链接 https://stat153.berkeley.edu/spring-2026/（仅保存链接；未确认统一下载许可，不批量复制课件或视频。）
3. 目录（最外层放在我确认的位置）
berkeley-stat153-spring2026/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-lesson-01/
    ├── 02-lesson-02/
    ├── 03-lesson-03/
    ├── 04-lesson-04/
    ├── 05-lesson-05/
    ├── 06-lesson-06/
    ├── 07-lesson-07/
    ├── 08-lesson-08/
    ├── 09-lesson-09/
    ├── 10-lesson-10/
    ├── 11-lesson-11/
    ├── 12-lesson-12/
    ├── 13-lesson-13/
    ├── 14-lesson-14/
    ├── 15-lesson-15/
    ├── 16-lesson-16/
    ├── 17-lesson-17/
    ├── 18-lesson-18/
    ├── 19-lesson-19/
    ├── 20-lesson-20/
    ├── 21-lesson-21/
    ├── 22-lesson-22/
    ├── 23-lesson-23/
    ├── 24-lesson-24/
    ├── 25-lesson-25/
    └── 26-lesson-26/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - 在课程 .venv 对应的 Python 代码单元中执行（不是 shell 命令）：import numpy as np; from scipy.signal import periodogram; x=np.sin(2*np.pi*np.arange(100)/10); f,p=periodogram(x); print(round(float(f[np.argmax(p)]),2))  → 0.1；只检查基础频谱计算，官方 notebook 额外依赖另行核对
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。