返回资源列表

UC Berkeley STAT150

UC Berkeley STAT150:Stochastic Processes(2024 春)

学习随机过程与随机系统建模。

打开官方课程
难度
见前置条件
形式
大学课程
语言
英文
规模
38 个课节
内容费用
部分免费
动手
需要动手环境

使用限制

大纲与作业题公开;指定教材只在 Berkeley 校园网络免费。

学习材料
指定教材仅在 Berkeley 校园网络免费,校外需购买或借阅

第一次学这门课?先完成学前准备,把课程目录搭好。

每节课这样学

  1. 发提示词把下面的每课提示词发给 AI Agent,它会准备这一课的练习文件。
  2. 学官方课节打开对应课节学习,按提示从第一道练习做起;它不会替你写答案。
  3. 记进度学完让 AI Agent 在 progress.md 勾选,并把疑问整理到 questions.md。
每课提示词 · 每次学习前用
继续学习「UC Berkeley STAT150:Stochastic Processes(2024 春)」。课程目录是 berkeley-stat150-spring2024/(不知道完整路径就先问我)。
1. 读 progress.md,找到下一课;如果我指定了第几课,就准备那一课。
2. 打开这一课的官方页面和本地讲义,列出本课练习要用的工具、文件和样例数据。缺少的先告诉我,等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习:exercises/ 里给每道题建一个文件,写上题号和题目原文链接,不写答案;已有文件保留,样例数据放到 data/。拿不到官方题目或起始代码时记录限制,不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单,并检查本课新增工具能否正常使用。
5. 告诉我:本课先读哪几节、从哪道练习开始、大约需要多久。我学完后,帮我在 progress.md 勾选并把问题整理到 questions.md。

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。

课节共 38 节 · 官方顺序

  1. 01Week 1, Jan 17: Outline of course, Conditional probability and conditional expectation (PK 2.1), Random sums (PK 2.3)
  2. 02Week 1, Jan 19: Random sums (PK 2.3), Markov chains (PK 3.1, D 1.1-1.2)
  3. 03Week 2, Jan 22: Markov chains (PK 3.1-3.3, D 1.1-1.2)
  4. 04Week 2, Jan 24: Markov chains (PK 3.3-3.4, D 1.9-1.10)
  5. 05Week 2, Jan 26: Markov chains (PK 3.3-3.6)
  6. 06Week 3, Jan 29: Markov chains (PK 3.5-3.6)
  7. 07Week 3, Jan 31: Branching process (PK 3.8)
  8. 08Week 3, Feb 2: Branching process (PK 3.9)
  9. 09Week 4, Feb 5: Long-run behavior of Markov chains (PK 4.1, 4.2)
  10. 10Week 4, Feb 7: Long-run behavior of Markov chains (PK 4.2)
  11. 11Week 4, Feb 9: Long-run behavior of Markov chains (PK 4.2, 4.3)
  12. 12Week 5, Feb 12: Long-run behavior of Markov chains (PK 4.3)
展开其余 26 节
  1. 13Week 5, Feb 14: Long-run behavior of Markov chains (PK 4.4)
  2. 14Week 5, Feb 16: Long-run behavior of Markov chains (PK 4.4)
  3. 15Week 6, Feb 21: Poisson process (PK 5.1)
  4. 16Week 6, Feb 23: Poisson process (PK 5.2)
  5. 17Week 7, Feb 28: Poisson process (PK 5.2, Durrett 2.1, 2.2)
  6. 18Week 7, Mar 1: Poisson process (PK 5.3, Durrett 2.2)
  7. 19Week 8, Mar 4: Poisson process (PK 5.4), Conditioning on a continuous random variable (assigned reading: PK 2.4)
  8. 20Week 8, Mar 6: Poisson process (PK 5.4)
  9. 21Week 8, Mar 8: Poisson process (PK 5.4)
  10. 22Week 9, Mar 11: Poisson process (Durrett 2.4.1, 2.4.2)
  11. 23Week 9, Mar 13: Renewal process (Durrett 3.1)
  12. 24Week 9, Mar 15: Renewal process (Durrett 3.1, PK 7.5)
  13. 25Week 10, Mar 18: Renewal process (Durrett 3.2, PK 7.3)
  14. 26Week 10, Mar 20: Renewal process (Durrett 3.3.2)
  15. 27Week 10, Mar 22: Continuous time Markov chains (Durrett 4.1)
  16. 28Week 12, Apr 1: Continuous time Markov chains (Durrett 4.1)
  17. 29Week 12, Apr 3: Continuous time Markov chains (Durrett 4.1, 4.2)
  18. 30Week 12, Apr 5: Continuous time Markov chains (Durrett 4.2)
  19. 31Week 13, Apr 10: Continuous time Markov chains (Durrett 4.3)
  20. 32Week 13, Apr 12: Continuous time Markov chains (Durrett 4.3, 4.4)
  21. 33Week 14, Apr 15: Continuous time Markov chains (Durrett 4.4), Martingales (Durrett 5.1)
  22. 34Week 14, Apr 17: Martingales (Durrett 5.1)
  23. 35Week 14, Apr 19: Martingales (Durrett 5.2)
  24. 36Week 15, Apr 22: Martingales (Durrett 5.2, 5.3)
  25. 37Week 15, Apr 24: Martingales (Durrett 5.3)
  26. 38Week 15, Apr 26: Martingales (Durrett 5.3, 5.4.1)

来源与使用须知

原始资源
UC Berkeley STAT150 收录版本:2024 春
收录时间
本站首次收录 2026-10-10

版权与转载

  • 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
  • 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。