跳到主要内容

伯克利 CS189 机器学习导论

课程名称： Introduction to Machine Learning
官方入口： 课程主页、Berkeley AI Research Area
课程层级： 本研共修
先修要求： 线性代数、概率统计、微积分、Python
重要程度： ※※※※※

课程定位​

CS189 是 Berkeley 最核心的 ML 课，也是公开资料最丰富的课程之一。它覆盖的不是“某种模型工具箱”，而是一整套统计学习视角下的建模方法：从回归、分类到聚类、降维、生成模型，再到神经网络基础。

核心内容​

  • 线性模型、逻辑回归与概率分类
  • 生成模型、贝叶斯方法与 EM
  • SVM、核方法、集成方法
  • 聚类、PCA、降维
  • 神经网络与现代深度学习导论

课程特点​

Berkeley 的 CS189 很强调“推导 + 实验 +理解误差来源”。它的难度不只来自数学，也来自你需要能解释模型为什么失败，而不是只看 leaderboard。

适合谁​

  • 已经学过一门 AI 导论，想正式进入 ML 主线
  • 准备转深度学习、NLP、CV、RL
  • 希望通过公开作业和考试体系做系统训练

学完后的衔接​

  • 深度学习：接 CS182
  • 强化学习：接 CS285
  • 视觉 / NLP：接 C280、CS288