前言

最近完成了UC Berkeley CS189: Introduction to Machine Learning (Spring 2024) 的机器学习课程。

这门课由 Jonathan Shewchuk 教授讲授，在机器学习领域非常有含金量，特点就是重数学推导（各种手推SVM、神经网络反向传播等），相比单纯调包更有助于理解底层原理。

为了方便大家学习参考，我把这一学期的所有课件、讨论课资料、考试题以及我自己的作业代码（包括手写的数学公式推到部分） 都整理到了 GitHub 上。

仓库地址

👉 GitHub: https://github.com/cy-Yin/UCBerkeley-CS189-Sp24-Machine-Learning

仓库包含内容

目前仓库里主要包含以下几部分：

1. Homework Solutions (HW1 - HW7)
   • 包含了所有编程作业的完整代码（Python / Jupyter Notebook）。
   • 注：HW2 主要是数学推导，没有太多代码部分。
2. Lecture Notes
   • 2024春季学期的完整课程笔记，涵盖了从回归、分类到深度学习的板书和讲义。
3. Exams
   • 整理了 Midterm 和 Final 的相关复习资料。
4. Discussion
   • TA 的讨论课资料，适合查漏补缺。

使用说明 (必读)

因为作业中用到的部分数据集（Datasets）文件比较大（比如 MNIST 等），为了保持仓库轻量，我没有把数据集直接上传到 GitHub，而是把作业的原始文件–包含全部数据集放到了Releases中，可以直接下载。

• 课程官网下载地址：https://people.eecs.berkeley.edu/~jrs/189s24/

如何获取

直接 Clone 仓库即可：

git clone https://github.com/cy-Yin/UCBerkeley-CS189-Sp24-Machine-Learning.git

如果这份资料对你的复习或自学有帮助，欢迎在 GitHub 上点个 Star ⭐️ 支持一下