UC Berkeley CS189/289A：Introduction to Machine Learning（2026 春）

请帮我把「UC Berkeley CS189/289A：Introduction to Machine Learning（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://eecs189.org/sp26/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：在线学习。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：Homework 1–4、可选Homework 5，以及每周Discussion。HW1包含书面与Modal编码部分；将书面推导、代码输出、模型评价分开保存，不能把平台链接可打开当作作业已完成。
课节（官方顺序）：
1. 1. Introduction + ML problem framing：https://drive.google.com/file/d/1dGqaqLlUbR6eW81MOIpW3U2JueI_dspt/view?usp=sharing
2. 2. Data Tools：https://drive.google.com/file/d/1ShsOM4DwEE1xkML4Zu5JlJFJjibu55xP/view?usp=sharing
3. 3. Machine Learning Mechanics - Terminology and Techniques：https://drive.google.com/file/d/1COKRZ917r0pTQUFaYA-xO-ZDfN1nuTbn/view?usp=drive_link
4. 4. Clustering, Probability Review：https://drive.google.com/file/d/1wTPpXlfveaC1oOYA7Bohyea1WcBSDboS/view?usp=drive_link
5. 5. Intro to Maximum Likelihood Estimation, Multivariate Gaussians, Mixture of Gaussians：https://drive.google.com/file/d/1ma6N454MTVTgr5i5Ke8KHpVqc2OvFuX_/view?usp=drive_link
6. 6. Multivariate Gaussians & Mixture of Gaussians：https://drive.google.com/file/d/17KG62IaaWaIrAR_CyxABRAFfSVkmjHNU/view?usp=drive_link
7. 7. Mixture of Gaussians & Linear Regression：https://drive.google.com/file/d/1AWAHBb3kuA8qdYm5mIaCk8a8DVN4c1f5/view?usp=drive_link
8. 8. Linear Regression：https://drive.google.com/file/d/10-22hV3z4fDeteznK2OZIw6vM5n9romC/view?usp=drive_link
9. 9. Linear Regression & Regularization：https://drive.google.com/file/d/1kDbaZf2t69nSJfqZMPU-jRV1WPKVOala/view?usp=drive_link
10. 10. Finish Linear Regression & Regularization：https://drive.google.com/file/d/1l4QFPcDuXQB8ThIsaCU8XsSkaqejB5nh/view?usp=drive_link
11. 11. Classification：https://drive.google.com/file/d/1XRPSMXshMXlA2Y54NEbMEBKh3L3Eoh00/view?usp=drive_link
12. 12. Logistic Regression, Classifier Accuracy：https://drive.google.com/file/d/1JvSLsdHffGdBQIXs_NrXJLQC7CQR3rd2/view?usp=drive_link
13. 13. Convergence + Momentum + Adam + Stochastic Gradient Descent：https://drive.google.com/drive/u/0/folders/1FEQYDjdSckr1DRVQ06day94rTZtcB0ls
14. 14. MLE, MAP and Bias-Variance Trade-off：https://drive.google.com/drive/folders/1dXJkBmG5eKAaODUFlZy-ngJwwr2ON0fx?usp=drive_link
15. 15. Learning with Gradient Descent：https://drive.google.com/drive/folders/1Ei_AOgIkLNUFI6JZyoDfWG-_VEm7Xg-1?usp=drive_link
16. 16. Entropy, Information and Logistic Regression：https://drive.google.com/drive/folders/1_Lc-MtkVryhi1nhB_BRCKhkKuJFOVkz-?usp=drive_link
17. 17. Neural Networks, Why We Need Depth, Universal Approximation Theorem, Activation Functions：https://drive.google.com/drive/folders/1-as4P5M8XTeNvXGk0tmHPorRNNjMBtrM
18. 18. Neural Networks, Backpropagation：https://drive.google.com/drive/folders/1mHu1f3UYFTCqcsy7d1zS2jnynWzWLRas?usp=drive_link
19. 19. Neural Networks, Backpropagation (ctnd.) & Convolutional Neural Networks：https://drive.google.com/drive/folders/12L6CYQ-h128-bzFPU1RvX1aJnFvWQ6Hi?usp=drive_link
20. 20. Convolutional Neural Networks (ctnd.)：https://drive.google.com/drive/folders/1Ocw82WCz2SiUEDY9uofdfyZuPX4GrfOw?usp=drive_link
21. 21. Transformers：https://drive.google.com/file/d/17Jb-uJK9KaI0lytfHUN95LztVAMLX0Pt/view?usp=drive_link
22. 22. Transformers (ctnd.)：https://drive.google.com/file/d/17Jb-uJK9KaI0lytfHUN95LztVAMLX0Pt/view?usp=drive_link
23. 23. LLM Training And Applications：https://drive.google.com/drive/folders/1GP3T4TwZeXV2L28LUY6a0ei6rtcnQ3TJ?usp=drive_link
24. 24. Self-Supervised Learning：https://drive.google.com/drive/folders/1BVcz-ohHf6J8mtzVHnTTDw55M7JQZmbL?usp=drive_link
25. 25. AI for Protein Engineering：https://drive.google.com/drive/folders/1V-V3xZCgc9ahcdZYzHEjMtC0TAo2D5uS?usp=drive_link
26. 26. Guest Lecture on Agents (Online, NOT In Person)：https://eecs189.org/sp26/
27. 27. LLMs, Agents, Environments：https://drive.google.com/file/d/1-w1R8Xki56lGIuewvwt0lukI8HNd2cgj/view?usp=drive_link

1. 环境
- 使用浏览器打开官方材料；在个人课程目录保存笔记、作答与链接。无需为阅读安装命令行环境。
- 有登录、选课或付费要求的材料，先核对自己已有的访问权限；不绕过限制。
- 从HW1 Coding入口打开官方notebook，按其中依赖单元准备；本地复现时根据该notebook建立独立Python环境。
- Modal或GPU资源可能有账号、配额、费用条件，不能假定校内赞助适用于所有自学者。
- HW1的Modal链接本次匿名访问只显示应用壳；需核对账号、运行权限及平台费用，HTTP 200不等于运行时可用。
- 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、材料与作业入口：只记录链接 https://eecs189.org/sp26/（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
3. 目录（最外层放在我确认的位置）
berkeley-cs189-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.md     # 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/
    └── 27-lesson-27/
- 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.md，逐项检查并记录“通过/未通过”：
- 按浏览器或在线 notebook 清单检查，不为自检安装本机终端。
  - 人工检查：打开首课官方链接并找到对应标题  → 能阅读首课；登录受限时记录受限材料，不把链接存在当作可访问。
  - 人工检查：打开HW1 Part 1 Coding并检查运行时和第一个小样例  → 有权访问时能运行小样例；无账号/配额时记录阻塞，先继续书面题和讲义。
- 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。