CS188 Bayes Nets 與 Ghostbusters：看不見 Ghost 時怎麼推論
Lecture 13–18 與 Project 4 從 factor operations、variable elimination 走到 exact inference 與 particle filtering，讓 Pacman 用有雜訊的距離感測追蹤看不見的 ghosts。
#berkeley
22 篇文章CS188 結業路線：把 28 講與 P0–P5 變成作品集
Lecture 26–28 用核監測、AI safety 與課程回顧收尾；校外結業不該只算 autograder 分數，而要為 P1–P5 各留下模型假設、測試證據與失敗分析。
CS188 CSP 與多代理搜尋：Minimax、Alpha-Beta、Expectimax 怎麼選
Lecture 5–8 先用 CSP 練變數、限制與搜尋順序，再由 Project 2 實作 minimax、alpha-beta 與 expectimax；三者差別在對其他 agent 行為的假設。
CS188 決策與機器學習：從 VPI、Naive Bayes 到 Attention
Lecture 19–25 把 rational decisions、VPI 與 ML 接起來，Project 5 再用 PyTorch 實作 regression、分類、CNN、attention 與 optional character-GPT。
CS188 MDP 與強化學習：從 Value Iteration 到 Q-Learning
Lecture 9–12 與 Project 3 用同一個 Gridworld 對照已知模型的 value iteration、未知模型的 Q-learning，以及用 features 泛化的 approximate Q-learning。
CS188 搜尋與 Heuristic：從 DFS、BFS 到 A* 的 Pacman 實作
Lecture 1–4 與 Project 1 把 DFS、BFS、UCS、A*、state representation 和 heuristic 串成同一套搜尋工具；關鍵不是背演算法，而是看清楚 frontier、cost 與 state 各自改變什麼。
Berkeley CS188 Spring 2026：用 P0–P5 六個 Projects 學人工智慧
CS188 Spring 2026 公開 28 組錄影、27 組講義、11 組討論與 P0–P5 六個 projects；P0 是 Python／autograder tutorial，P1–P4 採 Pacman 情境，P5 是一般機器學習任務。
Berkeley CS189 Spring 2025 總覽：用 HW1–7 與 code/data 走完的機器學習，用 Fall 2026 看下一學期
CS189 Spring 2025 公開完整 notes、影片、HW1–7 與 code/data，是目前唯一 A3 自學版；Fall 2026（eecs189.org/fa26）已上線 27 講行事曆但多數教材尚未開放，輪替站舊檔有 404 風險，本文以 Spring 2025 為主、Fall 2026 為對照。
Berkeley CS285 L19–25：探索、RL 理論、多任務學習與開放問題
最後七講從 exploration 與理論界線，經兩講期中複習，走到 advanced exploration、multi-task RL 與仍未解決的研究問題。
Berkeley CS285 作業與期末專案：CPU、GPU、H100 成本分界
五份作業從 CPU 友善的 imitation learning 走到 H100 LLM RL 與六小時 offline RL runs；自學者應按成本分三階段，而非整套照搬。
Berkeley CS285 L1–4：模仿學習、分布偏移與 RL 基礎
前四講從 behavioral cloning 走到 MDP；HW1 再用 MSE policy、DAgger 與 flow matching，讓分布偏移從概念變成可觀察的失敗。
Berkeley CS285 L11–18：從變分推論、LLM RL 到 Offline RL
L11–18 把 control as inference、LLM RL、model-based RL 與 offline RL 接成一條主線，並用 HW4、HW5 呈現兩種高運算成本實作。
Berkeley CS285 L5–10：Policy Gradient、Actor-Critic、DQN 與 SAC
L5–10 用 policy-based 與 value-based 兩條路建立深度 RL 核心；HW2 可用 CPU，HW3 的 Atari 與 HalfCheetah 則約需數小時 GPU。
Berkeley CS285 Spring 2026 導讀：25 講、5 份作業與自學邊界
Spring 2026 CS185/285 公開 25 講投影片、9 組討論課資料、5 份作業與 starter code；當期錄影在 bCourses，HW4 預設 H100，不能把它包裝成零成本公開課。
Berkeley CS288（五）：Inference-time Compute、Reasoning 與 Embodied Agents
15–18 組教材把 NLP 模型放進感知、推理、工具與環境迴圈；核心問題從下一個 token，轉成如何分配推論計算並驗證多步行動。
Berkeley CS288（一）：從 n-gram、詞表示到文字分類
前四組教材先建立可計數、可表示、可分類的文字模型；A1 再要求從 n-gram、perceptron 做到 NBOW MLP。
Berkeley CS288 Spring 2026 導讀：18 組教材、三份作業與自學邊界
CS288 用 18 組公開投影片與三份作業，從 n-gram 走到 RAG、reasoning 與 agents；錄影需 Berkeley 登入，所以這是一條教材型 A3 路線。
Berkeley CS288（三）：Pre-training、Post-training、Generation 與 Evaluation
08–12 組教材把 base model 變成可互動系統：預訓練決定基礎能力，post-training 改變行為，generation 與 evaluation 決定輸出如何被使用與判讀。
Berkeley CS288（四）：Retrieval、RAG 與進階架構如何變成一個系統
13–14 組教材把模型接到外部知識；A3 要學生自行蒐集資料、標註 QA、建索引、做 ablation，並在 CPU 與延遲限制下交付 RAG。
Berkeley CS288（二）：Sequence Models、Seq2Seq 與 Transformer
05–07 組教材把固定向量的分類器推進序列狀態、encoder-decoder，再用 attention 與 Transformer 改寫資訊路徑。
Pacman AI project 血統：Berkeley CS188 與 CMU 15-281 怎麼重組同一套教材
CMU 15-281 的 Search and Games 明確標示源自 Berkeley Pacman AI projects；官方課站另列一份零分 P0 tutorial，以及 P1–P5 五份 programming assignments。
Berkeley AI／ML 課程導讀：從 CS61A 到 CS288，最新公開教材怎麼排
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。