跳到主要内容
步芽

【极致中配】伯克利 CS 189/289A 机器学习导论 | Spring 2026

伯克利机器学习导论，从聚类、概率、线性/逻辑回归、正则化到神经网络与卷积网络，兼顾理论推导与实现。

难度
难度 4/5 — 覆盖MLE、多元高斯、优化与反向传播，需扎实数学与概率基础
适合人群
有数学与编程基础、想系统掌握机器学习原理的本科高年级或研究生
前置要求
线性代数（矩阵运算、向量空间，用于回归与高斯分布）、概率论与统计（分布、期望、最大似然估计）、多元微积分（梯度、偏导，支撑梯度下降与反向传播）、Python编程（配合数据工具与模型实现）
课程规模
19 讲 · 1292播放
在 B 站免费观看 →就这门课提问 →排进我的学习路线

主题覆盖

数据工具聚类最大似然估计多元高斯分布混合高斯模型线性回归正则化分类逻辑回归梯度下降与优化神经网络与反向传播卷积神经网络

课程大纲（19 讲）

  1. P1 · Lecture 2. Data Tools57 分钟
  2. P2 · Lecture 3. Machine Learning Mechanics: Terminology and Techniques56 分钟
  3. P3 · Lecture 4. Clustering, Probability Review55 分钟
  4. P4 · Lecture 5. MLE and Multivariate Gaussians50 分钟
  5. P5 · Lecture 6. Multivariate Gaussians & Mixture of Gaussians54 分钟
  6. P6 · Lecture 7. Mixture of Gaussians & Linear Regression55 分钟
  7. P7 · Lecture 8. Linear Regression54 分钟
  8. P8 · Lecture 9. Linear Regression & Regularization47 分钟
  9. P9 · Lecture 10. Regularization, Classification57 分钟
  10. P10 · Lecture 11. Classification55 分钟
  11. P11 · Lecture 12. Logistic Regression, Classifier Accuracy52 分钟
  12. P12 · Lecture 13. Conv. + Momentum + Adam + Stochastic Gradient Descent55 分钟
  13. P13 · Lecture 14. MLE, MAP and Bias-Variance Trade-off51 分钟
  14. P14 · Lecture 15. Learning with Gradient Descent56 分钟
  15. P15 · Lecture 16. Entropy, Information, and Logistic Regression54 分钟
  16. P16 · Lecture 17. Neural Networks, Why We Need Depth Universal Approximation Theorem55 分钟
  17. P17 · Lecture 18. Neural Networks, Backpropagation53 分钟
  18. P18 · Lecture 19. Neural Networks, Backpropagation (ctnd.) Convolutional Neural Networ57 分钟
  19. P19 · Lecture 20. Convolutional Neural Networks (ctnd.)48 分钟

本课程卡由 AI 生成，可能存在误差，欢迎反馈。