UC Berkeley CS188：Introduction to Artificial Intelligence（2026 秋）

请帮我把「UC Berkeley CS188：Introduction to Artificial Intelligence（2026 秋）」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://inst.eecs.berkeley.edu/~cs188/fa26/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：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：按 Projects 0–5、HW0–10 和 Discussion/Exam Prep worksheets 实践；Project0 配置 Python 并熟悉 autograder，然后按顺序搜索、多智能体、强化学习等。已发布链接以当期网站为准。 Project 0 需要 NumPy、Matplotlib 和图形显示环境，不能仅检查 Python 版本。官方页面要求 Python 3.6+并推荐 3.9；本站测试 Python 3.12 只说明本机小检查可用。合法取得 starter 后运行 python autograder.py --check-dependencies；检查动画显示，不把尚未完成题目导致的评分失败当成环境失败。
课节（官方顺序）：
1. 1. Intro, Agents, and Environments：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec01.pdf
2. 2. Uninformed Search：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec02.pdf
3. 3. A* Search and Heuristics：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec03.pdf
4. 4. CSPs I：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec04.pdf
5. 5. CSPs II：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec05.pdf
6. 6. Game Trees I：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec06.pdf
7. 7. Game Trees II：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec07.pdf
8. 8. MDPs I：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec08.pdf
9. 9. MDPs II：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec09.pdf
10. 10. RL I：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec10.pdf
11. 11. RL II：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec11.pdf
12. 12. Probability：https://inst.eecs.berkeley.edu/~cs188/fa26/assets/lectures/cs188-fa26-lec12.pdf
13. 13. Bayes Nets: Representation：https://inst.eecs.berkeley.edu/~cs188/fa26/
14. 14. Bayes Nets: Independence：https://inst.eecs.berkeley.edu/~cs188/fa26/
15. 15. Bayes Nets: Inference：https://inst.eecs.berkeley.edu/~cs188/fa26/
16. 16. Bayes Nets: Sampling：https://inst.eecs.berkeley.edu/~cs188/fa26/
17. 17. Decision Networks and VPI：https://inst.eecs.berkeley.edu/~cs188/fa26/
18. 18. HMMs：https://inst.eecs.berkeley.edu/~cs188/fa26/
19. 19. Guest Lecture: Josh Blumenstock：https://inst.eecs.berkeley.edu/~cs188/fa26/
20. 20. ML I: Naive Bayes：https://inst.eecs.berkeley.edu/~cs188/fa26/
21. 21. ML II: Perceptrons：https://inst.eecs.berkeley.edu/~cs188/fa26/
22. 22. ML III: Neural Networks：https://inst.eecs.berkeley.edu/~cs188/fa26/
23. 23. ML IV: Applications & Decision Trees：https://inst.eecs.berkeley.edu/~cs188/fa26/
24. 24. ML V: Transformers：https://inst.eecs.berkeley.edu/~cs188/fa26/
25. 25. Course Wrap Up：https://inst.eecs.berkeley.edu/~cs188/fa26/

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。
- Project 0 需要 NumPy、Matplotlib 和图形显示环境，不能仅检查 Python 版本。官方页面要求 Python 3.6+并推荐 3.9；本站测试 Python 3.12 只说明本机小检查可用。合法取得 starter 后运行 python autograder.py --check-dependencies；检查动画显示，不把尚未完成题目导致的评分失败当成环境失败。
- 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 py -3.12 -m venv .venv；再执行 .\.venv\Scripts\python.exe -m pip install numpy matplotlib。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tutorial.zip代码已核对教育许可。Windows Python3.12/NumPy/Matplotlib/TkAgg实际执行autograder.py --check-dependencies退出0；其他平台与后续作业不能由此推定通过。
- 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://inst.eecs.berkeley.edu/~cs188/fa26/（仅保存链接；未确认统一下载许可，不批量复制课件或视频。）
- Fall2026官方Project0 tutorial.zip：下载 https://inst.eecs.berkeley.edu/~cs188/fa26/assets/projects/tutorial.zip 到 official-starter/（许可：教育用途使用/扩展：保留原声明及UC Berkeley署名，不发布解答）；解压后实际目录为official-starter/tutorial。仅在此目录运行autograder.py --check-dependencies；不要按文件后缀误选submission_autograder.py。原始题目与评分文件不修改，不提交。；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
3. 目录（最外层放在我确认的位置）
berkeley-cs188-fall2026/
├── 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.ps1     # 环境自检，按 README 操作
├── official-starter/ # 官方材料
├── 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-05/
    ├── 05-lesson-06/
    ├── 06-lesson-07/
    ├── 07-lesson-08/
    ├── 08-lesson-09/
    ├── 09-lesson-10/
    ├── 10-lesson-11/
    ├── 11-lesson-12/
    ├── 12-lesson-13/
    ├── 13-lesson-14/
    ├── 14-lesson-15/
    ├── 15-lesson-16/
    ├── 16-lesson-17/
    ├── 17-lesson-18/
    ├── 18-lesson-19/
    ├── 19-lesson-20/
    ├── 20-lesson-21/
    ├── 21-lesson-22/
    ├── 22-lesson-23/
    ├── 23-lesson-24/
    ├── 24-lesson-25/
    └── 25-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.ps1，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。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - 在课程虚拟环境中进入official-starter/tutorial，执行：python autograder.py --check-dependencies  → 依赖导入成功并显示旋转线段动画；该分支不评分、不提交。Windows实跑退出0；学习者仍应确认本机图形显示。
- 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。