COURSE PROFILE 机器学习 · 理论与实践
Introduction to Machine Learning · EECS 189 / 289A
从数学基础与问题建模出发，理解机器学习算法如何学习、优化并应用于视觉、语言与其他现实问题。
课程概览
- 开设单位：UC Berkeley EECS
- 课程编号：CS 189 / CS 289A
- 课程类型：机器学习导论
- 课程资料：公开课程网站
ABOUT THE COURSE
在理论、算法与实现之间建立联系
EECS 189/289A 是加州大学伯克利分校开设的机器学习导论课程。课程从如何定义学习问题和使用数据开始，系统介绍机器学习的数学基础、经典算法及现代深度学习方法。
课程强调把数学推导、算法理解与编程实践结合起来：既分析目标函数、概率模型和优化过程，也关注如何构建模型、训练参数、评估结果，并将方法应用于实际问题。
COURSE CONTENT
由基础方法走向深度学习
以下内容据课程官网介绍与 Fall 2026 大纲整理。不同学期的先后顺序和具体安排可能调整。
问题建模与数学基础
学习问题的定义与范式；复习概率、线性代数、微积分和优化，为算法分析与模型训练打基础。
PROBLEM FRAMING
无监督学习与概率模型
聚类与潜变量建模，包括 K-means、期望最大化和高斯混合模型；理解密度估计及其建模思路。
UNSUPERVISED
降维、回归与分类
通过 PCA 学习低维表示；从线性回归、最大似然估计和正则化出发，理解分类、偏差—方差与模型泛化。
CLASSICAL METHODS
优化与神经网络
学习梯度下降、非线性模型、网络结构、激活函数、损失函数和反向传播，并使用 PyTorch 实现和实验。
OPTIMIZATION
现代深度学习架构
课程介绍 CNN、RNN、Transformer 与大语言模型相关主题，并通过归一化、初始化和正则化讨论训练与模型设计。
DEEP LEARNING
LEARNING EXPERIENCE
不只理解模型，也动手检验模型
课程通过作业、课堂活动与讨论练习，把概念转化为推导、编程和问题解决能力。
MATHEMATICS
推导与分析
建立目标函数、概率解释及优化方法之间的联系。
PROGRAMMING
编码与实验
实现机器学习方法，观察训练过程并分析算法表现。
RESEARCH
专题与项目
CS 289A 课程可包含团队研究型期末项目；以当前学期官方要求为准。
PREPARATION
建议具备的基础
课程官网要求较扎实的数学和编程准备。学习前建议熟悉：
多变量微积分与链式法则
矩阵与线性代数
概率论与贝叶斯规则
Python 编程、调试与实现
以上为课程官网先修要求的中文概述。具体课程先修编号和执行标准请查看对应学期的官方大纲。
OFFICIAL COURSE SITE
课程主页与原始资料
课程介绍、学期日历、教材与考核细节可能随开课学期更新。报名和学习前请以课程官网为准。
内容来源
根据 EECS 189/289A 官方课程介绍及 Fall 2026 官方课程大纲整理与中文编写。本页为课程资源导航，不隶属于 UC Berkeley，也不替代官方课程安排。
← 返回 AI 教学课程