Skip to content

Berkeley AI／ML 課程導讀：從 CS61A 到 CS288，最新公開教材怎麼排

2026年8月21日 1 分鐘
首頁 › learning
TL;DR Berkeley 沒有獨立的大學部 AI 學位；可行路線是在 CS BA 或 EECS BS 的共同基礎上，從 CS188 的廣義 AI 或 CS189 的數學型 ML 入口，再分流到深度學習、NLP、視覺與強化學習。2025–2026 有不少 A3 公開課，但最新班次、最新穩定網址與最好用的自學版本並不總是同一個。
#berkeley#ai-course#machine-learning#learning-path#open-course
目錄
  1. 先打地基：61A、61B、70 與數學
  2. CS188 和 CS189 是平行入口，不是上下集
  3. 先解開配對課號，才不會修錯課
  4. 2025–2026 公開教材盤點
  5. 三條校外真的走得下去的路線
    1. 1. 廣義 AI 與 agent 基礎
    2. 2. ML、深度學習與 NLP
    3. 3. 視覺、RL 與 embodied AI
  6. CSDIY 能幫忙，但不能替你確認「現在能不能上」
  7. 如果今晚就開始
  8. 更新紀錄
  9. 參考資料
系列: 世界名校 AI／CS 課程地圖 (94 / 37)
MIT AI／ML 課程導讀：6-4 是正式 AI 學位，公開教材卻分散在三個年代 Harvard AI／ML 課程導讀：CS50 AI、CS181、CS182 的影片與作業是不是同一版？

🌏 English version

先處理最容易被「名校 AI 課程」這個標題帶歪的地方：依 Berkeley EECS 的學士方案比較，**Berkeley 大學部沒有一個獨立的 AI 學士。**官方列出的相關學位是 Computer Science BA 與 Electrical Engineering and Computer Sciences BS；學生在共同的程式、理論與數學基礎上，用高年級選修組出 AI／ML 路線。

這和 MIT 的 Course 6-4 很不一樣。MIT 有正式的 Artificial Intelligence and Decision Making 學位；Berkeley 比較像一張可自行組合的網。你可以從 CS188 進入搜尋、推理與規劃，也可以從 CS189 進入數學較重的機器學習，之後再接深度學習、自然語言處理、電腦視覺或強化學習。

麻煩在於，課號和公開程度都會誤導人。CS185 與 CS285 是同一主題的大學部／研究所配對，CS180 與 CS280A 也是；但 CS C280 又是另一門研究所視覺課。某個學期曾公開的網址，隔年也可能變成 404。這篇因此同時檢查官方 prerequisites、2025–2026 實際課站，以及匿名讀者現在拿不拿得到講義、作業、程式碼與錄影。

先打地基：61A、61B、70 與數學

Berkeley 的 CS BA lower-division requirements 包含 CS61A、CS61B 或 61BL、CS61C、CS70，以及微積分與線性代數。若只看 AI／ML 課程的直接 prerequisites，可以壓成這個結構：

程式設計：CS61A → CS61B
                    ├─ CS188：廣義 AI
離散數學：CS70 ────┘

微積分 + 線性代數 + CS70
                    └─ CS189：機器學習

CS61C 是完整 CS 學位的重要基礎，但不是本文多數 AI 課的直接先修，所以不硬塞進每條自學路線。反過來，不能因為 CS189 的 catalog 沒列 CS61B，就假設只會數學、不會實作也能順利完成作業；這是從課程形式得到的實務提醒，不是新增一條官方 prerequisite。

地基三門的公開程度其實很高：

  • CS61A Fall 2025 有教材章節、投影片、影片、labs、homework、projects 與 starter files。
  • CS61B Fall 2025 有課表、投影片、影片、討論、考題、作業與專案規格；主要缺口是當期完整公開 autograder。官方 GitHub 說明的最新完整公開 autograder 仍是 Spring 2021。
  • CS70 Fall 2025 有整學期 notes、slides、討論與解答、作業與解答、歷屆考題。

三門都足以排成 A3 自學課，但 A3 只表示教材鏈完整，不包含 Berkeley 的 Ed 討論區、Gradescope 提交、助教與正式評分。

CS188 和 CS189 是平行入口，不是上下集

很多自學清單會排成「CS188 → CS189」，看起來像先修完 AI 才能讀 ML。官方 prerequisites 並不支持這種嚴格順序。

CS188 Introduction to Artificial Intelligence 要求 CS61A、CS61B 與 CS70。它的範圍很廣：搜尋、對抗搜尋、constraint satisfaction、MDP、強化學習、機率推理，外加一部分機器學習。它回答的是「智慧系統怎麼表示問題、推理與行動」。

CS189 Introduction to Machine Learning 的正式地基是多變量微積分、線性代數，以及 CS70 或教師同意。它更集中在統計學習、最佳化、分類、降維與現代模型，回答的是「模型如何從資料學習」。

所以兩門課應該依目的選擇：

你想先建立什麼入口最適合的公開版本
搜尋、規劃、推理、不確定性與 agent 的全貌CS188Spring 2026
數學型 ML 與後續深度學習基礎CS189Spring 2025

CS188 Spring 2026 是這次盤點中最完整的當期課之一：slides、線上教材、影片、討論解答，以及 P0 到 P5 六個 projects 都能匿名取得，projects 還附 local autograder。Gradescope homework、Ed 與人工回饋仍然受限，但不妨礙把它排成一門完整的 A3 自學課。

CS189 的情況比較能說明「最新」為什麼不能只看年份。Fall 2025 與 Spring 2026 確實都有開課，但輪替課站的舊網址目前已回傳 404。仍穩定公開的 Spring 2025 版本則有完整 lecture notes、影片、HW1–7、code、data 與歷屆考題，因此本文把它列為最新完整且目前可用的自學版（詳見CS189 Spring 2025 總覽，對照 Fall 2026 eecs189.org/fa26 27 講行事曆）。搜尋結果曾經看得到，不等於今天仍然看得到。

先解開配對課號，才不會修錯課

Berkeley 近年的 AI 專題課常讓大學部與研究所學生共用主題與課站，再用不同課號或要求區分層級。

主題大學部／研究所課號2025–2026 狀態不要搞混
Deep LearningCS C182／CS282AFall 2025C182 舊稱 CS182；catalog 的 cross-list metadata 仍有同步差異
Deep Reinforcement LearningCS185／CS285Spring 2026 同堂185 沒有取代 285
Natural Language ProcessingEECS183／EECS283AFall 2025 同站CS288 是更進階的 NLP，不是 CS188 的續集
Intro Computer Vision and Computational PhotographyCS180／CS280AFall 2025 同站CS280A 不等於 CS C280
Computer VisionCS C280Spring 2026獨立的研究所進階課

這裡最危險的是數字 280。CS180/280A 的公開站是一門 introduction，從成像、filters、feature matching 一路做到 neural radiance fields；CS C280 則是另一門研究所 Computer Vision。看到 requirement 頁或舊清單只寫「CS280」時，應回到正式 course entry 與該學期課站確認，不能自行補字母。

CS288 也不該直接排在 CS188 後面。Spring 2026 的課程準備說明要求 ML 經驗與 PyTorch，並建議先有 NLP 背景。比較合理的路線是先走 CS189，再用 EECS183/283A 或其他 NLP 入門補語言模型基礎，最後進 CS288。

2025–2026 公開教材盤點

以下沿用世界名校 AI／CS 課程地圖的 A0–A3 分級：A0 只有 catalog，A1 有 syllabus，A2 有部分實質教材，A3 才表示材料足以組成連貫自學課。這不是 Berkeley 官方評分，也不代表有學分、回饋或免費算力。

課程與版本等級匿名讀者拿得到什麼主要缺口
CS61A, Fall 2025A3章節、slides、影片、labs、HW、projects、starter filesEd、提交與評分
CS61B, Fall 2025A3slides、影片、討論、考題、HW 與 project specs當期完整 autograder
CS70, Fall 2025A3notes、slides、討論／作業解答、歷屆考題Ed、Gradescope
CS188, Spring 2026A3slides、教材、影片、討論、P0–P5、local autograderGradescope HW、Ed、人工回饋
CS189, Spring 2025A3notes、影片、HW1–7、code/data、歷屆考題非最新班次；無課堂評分
CS C182/282A, Fall 2025A2syllabus、schedule、多份 assignment PDF／code當期影片限校內；部分 lecture resources 不完整
CS180/280A, Fall 2025A3slides、readings、討論與解答、五個 programming projects刻意不錄影；無 project solutions／評分
EECS183/283A, Fall 2025A2完整主題表與多數 slidesassignments、starter code、解答、影片
CS185/285, Spring 2026A325 份 lecture decks、9 份 discussions、五份 HW、starter code、final projects當期錄影與學生算力
CS288, Spring 2026A317+ 份 slides、三份 assignments、starter repos、final project docs當期錄影、隱藏測試、solutions
CS C280, Spring 2026A324 份 slides、HW0–3、project無影片；Ed、Gradescope、CMT

這張表也回答「沒有公開錄影，還能不能算公開課？」我的判準是：**錄影不是唯一條件，能否形成完整練習鏈才是。**CS180 沒有影片，但有整學期 slides、readings、十三份討論練習與解答，以及五個完整 programming projects；CS C280 也有講義、四份 homework 與 project。兩者仍可判 A3，只是讀法會更接近教科書加作業，而不是追劇式看課。

反過來，CS C182 有 assignment materials，卻缺公開當期影片與一部分完整 lecture resources，所以保守列 A2。A2 不是不能學，而是你需要自己補教材，不能把課站當成一條從第一週走到期末的完整路。

三條校外真的走得下去的路線

1. 廣義 AI 與 agent 基礎

CS61A → CS61B
       + CS70
          ↓
      CS188 Spring 2026

如果你對 AI 的理解目前幾乎等於神經網路，先走這條。不要只看影片：從 Project 1 Search 開始實作，接著做 Multi-Agent Search、Reinforcement Learning 與 Bayes Nets。這條路會把「agent」拉回搜尋、狀態、效用、不確定性與決策，而不只是呼叫模型 API。

2. ML、深度學習與 NLP

微積分 + 線性代數 + CS70
            ↓
       CS189 Spring 2025
          ├─ CS C182/282A：深度學習，公開材料較不完整
          └─ EECS183/283A → CS288 Spring 2026：NLP

CS189 是這條路的主幹。想讀最新 NLP，Spring 2026 CS288 已公開三份作業、starter repositories 與 final project 文件，足以做完整自學；但作業有隱藏測試，官方也禁止散布 solutions。A3 代表能練，不代表有人替你驗收全部結果。

3. 視覺、RL 與 embodied AI

CS189
  ├─ CS C182 + CS180/280A Fall 2025 → CS C280 Spring 2026
  └─ CS185/285 Spring 2026

CS180/280A 是很好的 project-first 視覺入口，五個專案比錄影更有價值。CS C280 官方頁要求讀者已掌握 CS189、CS C182 與 CS180/280A 的內容；這是建議背景，不是本文聲稱的註冊系統強制先修。若目標是 control、robotics 或 embodied AI，CS185/285 的五份 homework 與公開 starter code 能形成另一條 A3 路線。

但 CS185/285 的 enrolled students 有課程提供的 compute support，校外讀者沒有。這是實際成本，不是教材頁腳的小字。開始前應先閱讀每份 homework 的運算需求，決定要縮小實驗、租 GPU，或只完成較輕的部分。

CSDIY 能幫忙，但不能替你確認「現在能不能上」

CSDIY 目前有 Berkeley CS188、CS189、CS285 的獨立頁面。它很適合補三件事：社群選了哪個歷史版本、建議哪些先修、學習者曾經怎麼安排作業。

但它不能單獨證明當期課站仍然可用：

  • CS188 頁推薦 Spring 2024；那一版仍是完整 A3，但官方 Spring 2026 已有更新且同樣完整。
  • CS189 頁連到輪替站；頁面存在不代表 Fall 2025／Spring 2026 的舊網址今天沒有失效。
  • CS285 頁推薦 Fall 2022；官方另有更新的歷史影片，而 Spring 2026 的 slides、作業與 code 已公開。
  • CSDIY 沒有 CS C182、CS288、CS180/280A 或 CS C280 的獨立頁，不代表這些課沒有公開教材。

可靠的順序是：先用 Berkeley catalog 或 Class Schedule 確認那學期真的開課，再匿名打開 syllabus、slides、影片、作業與 repository，最後才用 CSDIY 補自學者的歷史經驗。CSDIY 是路線索引，不是即時存取監控器。

如果今晚就開始

不要先收藏十一門課。用九十分鐘判斷自己在哪個入口：

  1. 想學搜尋、規劃與 agent：打開 CS188 Spring 2026 的 Project 1，讀完規格並讓第一個 local autograder case 通過。
  2. 想走 ML／LLM：打開 CS189 Spring 2025 HW1，標出不會的線代、機率與 coding 題，不用硬做完整份。
  3. 如果兩邊都卡在 Python 與資料結構：回到 CS61B，選一個 mini-project 做，而不是繼續看更進階的課名。

Berkeley 最值得借用的不是一份官方 AI checklist，而是兩個入口加多條專題分支的結構。先決定你要補的是「智慧系統如何推理」還是「模型如何從資料學習」，再用公開程度挑版本，會比照著課號由小排到大有效得多。

延伸閱讀：MIT AI／ML 課程導讀採的是另一種結構——正式 AI 學位先定義能力中心，再去找可公開自學的版本。兩篇對照著看，能更清楚分辨「學位課綱」與「校外可執行路線」不是同一件事。

更新紀錄

  • 2026-08-22：依 CS C280 官方背景要求，把 CS C182 補回進階視覺自學路線。

參考資料

相關文章

CMU AI／ML 課程導讀：07-280 新主幹與校外可走的公開路線 1 min MIT AI／ML 課程導讀：6-4 是正式 AI 學位，公開教材卻分散在三個年代 1 min Harvard AI／ML 課程導讀：CS50 AI、CS181、CS182 的影片與作業是不是同一版？ 1 min