返回资源列表

Stanford CS228

Stanford CS228:Probabilistic Graphical Models(2023–24 冬)

用图模型表达概率依赖并进行推断和学习。

打开官方课程
难度
中阶
形式
大学课程
语言
英文
规模
10 个课节
内容费用
免费
动手
需要动手环境

使用限制

课程笔记公开;编程作业在 Ed 平台。

练习与作业
编程作业在 Ed 平台(仅限选课学生)

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「Stanford CS228:Probabilistic Graphical Models(2023–24 冬)」。课程目录是 stanford-cs228-winter24/(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 10 节 · 官方顺序

  1. 01Week 1: Introduction, Probability Theory, Bayesian Networks
  2. 02Week 2: Undirected models
  3. 03Week 3: Learning Bayes Nets
  4. 04Week 4: Exact Inference; Message Passing
  5. 05Week 5: Sampling
  6. 06Week 6: MAP Inference; Structured prediction
  7. 07Week 7: Parameter Learning
  8. 08Week 8: Bayesian Learning; Structure Learning
  9. 09Week 9: Exponential families; variational inference
  10. 10Week 10: Advanced topics and conclusions

来源与使用须知

原始资源
Stanford CS228 收录版本:2023–24 冬
收录时间
本站首次收录 2026-10-10

版权与转载

  • MIT:代码可自由使用和修改,需保留版权声明;适用范围以原站说明为准,第三方材料可能另有条款。原站说明
  • 其余材料未标明许可: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。