Berkeley CS188 Spring 2026 是一門廣義人工智慧入門課。它不是只教神經網路：前半從狀態空間、heuristic、constraint satisfaction 與 game trees 開始，中段進入 MDP、強化學習與機率推論，後段才接機器學習、深度學習與 LLM。官方課表公開 28 組 recordings、27 組 lecture slides（Lecture 22 沒有獨立 slides）、11 組 discussion，以及 P0–P5 六個 projects。
這套材料的價值在於「概念會回到程式」。P0 是 Python 與 autograder tutorial；P1–P4 用 Pacman 情境練搜尋、多代理、RL 與機率推論；P5 則是 regression、分類、CNN 與 attention 等一般 ML tasks。這也是本系列不逐講切成 28 篇，而以 P0–P5 為主脊的原因。
公開到什麼程度
依本站 A0–A3 標準，這一版是 A3：官方首頁直接連到 slides、YouTube、線上教材、discussion worksheet／解答，以及P0–P5 六個 projects的規格與檔案。project 內附 local autograder，校外讀者可在自己的電腦形成「寫程式—跑測試—修正」迴圈。
缺少的則是 Berkeley 的課堂服務：Ed、正式提交、教師回饋與完整評分體驗。本系列不依賴也不承諾 auditor Gradescope 能登入；即使官方其他頁面提過 entry code，沒有實測就不把它寫成可執行步驟。
開始前要會什麼
官方 prerequisites 是 CS61A 或 CS61B，加上 CS70 或 Math 55。若要完整跟上 project，仍建議同時具備 Python、資料結構與離散數學背景；校外自學可用三個檢查代替課號：能讀 Python class 與 recursion、知道 stack／queue／priority queue 的差別、能處理條件機率與期望值。
若 Python 或終端機不熟，先做 optional 的 Project 0；它就是環境與 autograder 教學。若 P0 很順，不必為了形式停留。
七篇怎麼走
- 搜尋與 heuristic：Lecture 1–4，接 P0／P1。
- CSP 與多代理搜尋：Lecture 5–8，接 P2。
- MDP 與強化學習：Lecture 9–12，接 P3。
- Bayes nets 與 Ghostbusters：Lecture 13–18，接 P4。
- 決策與機器學習：Lecture 19–25，接 P5。
- 應用、安全與結業路線：Lecture 26–28，回頭整合所有 project。
每一階段先讀教材章節，再看 lecture，接著做 discussion worksheet；對完官方 discussion solution 後才開 project。project 卡住時先縮到單一 autograder case，不要搜尋完整解答。這套課真正要練的是把模型轉成程式，不是把 Pacman 跑起來就算完成。
今晚的起步動作
先打開 P0，確認 Python 環境與 local autograder 能執行；接著讀教材的 state-space search 章節，在紙上寫出 DFS、BFS、UCS 的 frontier 規則。若還有時間，只閱讀 P1 的檔案分工與 Q1，不急著一次寫完整份。
參考資料
Loading...