UC Berkeley CS189: Introduction to Machine Learning — Course Guide from the cs-self-learning Project

CS189（Berkeley EECS 的机器学习入门课）在 cs-self-learning（CS 自学指南）中被定位为一门“更数学、更深入”的机器学习课程：它与 Stanford CS229 同属进阶路线上的备选项，却因作业代码与 Gradescope 自动评测系统（autograder）全部开源而更适合自学者。本文基于仓库中该课程的条目文档 CS189.en.md（其简体中文版见 CS189.md），结合 CS 学习规划 中的路线定位、先修课程页面与后续课程页面，说明这门课适合谁、学什么难度、如何接入你的自学计划。

课程速览（Course Snapshot）

仓库中该课程的条目以结构化元数据开场，是全书统一的课程卡片格式（可对照仓库模板 template.en.md 理解其字段含义）：

字段	内容	说明
所属学校	UC Berkeley	授课方为 Berkeley EECS，由 Berkeley EECS 系的本科生难度课程体系收录
先修要求	CS188、CS70	见下文“先修链条”一节
编程语言	Python	课程作业以 Python 为主要实现语言
课程难度	🌟🌟🌟🌟（4/5）	在仓库中属于中高难度档位，高于 CS70（🌟🌟🌟）与 CS188（🌟🌟🌟）
预计学时	100 小时	仓库贡献者给出的粗略预算，可与 CS229 的 100 小时横向对比

以上难度星级与学时均为仓库维护者的主观评估，并非课程官方数据，请作为规划时间的参考而非承诺。

仓库为什么推荐这门课：开源作业 + 理论深度

CS189 的条目文档直接给出了仓库维护者的选课理由，原文要点如下：

我没有系统修过这门课，只把它的课程 notes 当作参考书查阅；但从课程网站看，它比 CS229 更好的一点是开源了全部 homework 代码以及 gradescope 上的 autograder；并且这门课讲得相当理论且深入。

把这句话拆开看，其实对应了自学者最关心的三个维度：

1. 资料可获取性：Stanford CS229 的作业“不对公众开放”（见 CS229.en.md），而 CS189 的作业与自动评测全部公开，意味着自学者可以像在校生一样提交作业并获得即时反馈，这正是它在该仓库被反复提及的核心优势。
2. 理论深度：条目明确强调这门课“讲得相当理论且深入”。在仓库的路线里，它被归为“想理解神奇算法背后数学原理”时应该选择的课程（见 [CS学习规划.en.md](https://gitcode.com/GitHub_Trending/cs/cs-self-learning/blob/adce8e13789dc16aa6d1fbe163e9541736defae4/docs/CS学习规划.en.md?utm_source=gitcode_repo_files#machine-learning 章节)）。
3. 学习方式灵活：维护者本人并未完整上课，而是将课程 notes 当作工具书/参考书来用——这说明课程的讲义本身独立、完整、可读，足以支撑“只看讲义”的自学方式。

需要提醒的是，“比 CS229 更好”是仓库维护者的个人判断，判断依据集中在“开源程度”而非学术水平。若你的目标是研究生级的数学理论训练，仓库同时给出了 CS229 作为对照选项，两者并非互斥。

先修链条：CS70 → CS188 → CS189

条目把先修要求标注为 CS188 与 CS70，这两门课在该仓库中同样有完整条目：

• CS70（离散数学与概率论）：Berkeley 的离散数学与概率论课程，覆盖逻辑证明、图论、数论（RSA）、多项式环与概率论，并把每个理论模块与实际算法（如稳定匹配、网络拓扑、纠错码、哈希表与负载均衡）对应起来。它是理解 CS189 中线性代数与概率推导的数学地基，仓库标注难度 🌟🌟🌟、约 60 小时。
• CS188（人工智能导论）：Berkeley 的 AI 入门课，内容涵盖搜索剪枝、约束满足问题、马尔可夫决策过程、强化学习、贝叶斯网络、隐马尔可夫模型以及基础的机器学习与神经网络，难度 🌟🌟🌟、约 50 小时。它为 CS189 铺垫了“用算法建模问题”的直觉。

在机器学习主路线中的位置

仓库在 CS 学习规划 中把机器学习的学习拆成“先上手 → 后深入”两段：

1. 上手：完全零基础时，先学吴恩达的 Coursera: Machine Learning（难度 🌟🌟🌟、约 100 小时），它以“把算法讲到像 1+1=2 一样直白”著称，适合建立整体认知但刻意放低了数学推导。
2. 深入：当想理解算法背后的数学原理、甚至从事相关科研时，路线明确给出了两个进阶选项——Stanford CS229 或 UCB CS189（即本文主题课程）。原文措辞为：“还需要一门更‘数学’的课程，例如 CS229 或者 CS189。”

换言之，CS189 在仓库路线中是“数学深度进阶”阶段的两条主路之一，与 CS229 平级、可二选一。

学完 CS189 之后可以接什么

仓库用 CS189 作为先修的后继课程提供了一个直接的“下游参照”：

• CS285: Deep Reinforcement Learning（UC Berkeley 深度强化学习）在条目中明确把先修要求写为 CS188、CS189。这说明 CS189 的统计学习功底被视作进入强化学习研究的必要前置，可作为修完后的下一站。
• 若目标是机器学习理论研究，仓库还维护了一份更深入的研究生路线图 机器学习进阶/roadmap.en.md，可在学完 CS189 后按需衔接。

课程资源与自学建议

条目文档“课程资源”一节列出了四类资源的统一入口（课程网站 / 课程视频 / 课程教材 / 课程作业，均指向课程官方站点与录像播放列表）。按照本仓库的中英双语规范，完整原始链接保留在仓库页面 CS189.en.md（中文版见 CS189.md）中，请以仓库页面维护的链接为准；配置层面对这门课的收录与目录命名可对照 mkdocs.yml 中 “机器学习” 分组的导航条目验证。

结合仓库信息给自学者几条可执行的建议：

• 把官方课程讲义当教材精读：维护者的实践经验是“课程 notes 足以独立使用”，不要求先看视频再动手。建议以讲义为主、按章节做笔记，遇到不懂的再回到课程主页的 schedule 查找对应资料。
• 认真做 homework 并用 autograder 验证：这是 CS189 相对同类课程的最大可用性优势——全部作业与 Gradescope 自动评测开源，自学者能得到近似在校生的“提交 → 判分 → 反馈”闭环，是自测理解程度的硬指标。
• 预留足够的数学与时间预算：难度 4/5、预计 100 小时意味着它高于 CS70/CS188 的体量，且强调理论推导；建议在离散数学与概率（CS70 内容）基本牢固后再开课，避免边学边补数学地基。
• 控制节奏、量力选择：与 CS229 二选一时，若你更看重“可执行的开源作业与自动评测”，CS189 是更顺手的选项；若你偏好研究生级别的理论讲义体系，可对比 CS229 后再决定。

如何继续阅读本仓库

• 机器学习方向的同级课程卡片：Coursera ML、CS229，可用于横向对比难度与侧重点。
• 先修课程：CS70、CS188。
• 后继课程：CS285；理论进阶路线 roadmap.en.md。
• 全局选课顺序：CS 学习规划；课程页面的通用书写规范见 template.en.md。

总体而言，UC Berkeley CS189 是一门口碑上“理论深入、讲义可独立自学、作业与评测全开源”的机器学习课程。把它放进 cs-self-learning 的路线里，最合适的打开方式是：先修完 CS70 与 CS188，跟随官方 notes 精读、用开源的 homework 与 autograder 检验理解，再按兴趣通往 CS285 或机器学习理论进阶路线。