統計學不是背公式：它到底在替你判斷什麼？
統計學的核心不是公式，而是判斷：描述資料、估計未知量、比較差異、檢查關聯，最後在不確定性下做決策。
learning
345 篇文章看不見 Ghost 時怎麼推論｜Berkeley CS188 主題單元
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。
把 28 講與 P0–P5 變成作品集｜Berkeley CS188 課程總覽
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。
Minimax、Alpha-Beta、Expectimax 怎麼選｜Berkeley CS188 主題單元
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。
從 VPI、Naive Bayes 到 Attention｜Berkeley CS188 主題單元
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。
從 Value Iteration 到 Q-Learning｜Berkeley CS188 主題單元
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。
從 DFS、BFS 到 A* 的 Pacman 實作｜Berkeley CS188 主題單元
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。
用 P0–P5 六個 Projects 學人工智慧｜Berkeley CS188 課程總覽
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。
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｜Berkeley CS189 課程總覽
CS189 在網路上有好幾個學期的版本。本系列從第 2 篇起以 Spring 2026（eecs189.org/sp26，A3）為底本，逐講、逐份作業導讀；Spring 2025（Shewchuk）是另一條經典路線，公開 25 講 notes、HW1–7 與歷屆考題，但正式錄影在 bCourses 要登入；Fall 2026 還在進行中，只拿來對照。本篇是系列入口與全系列目錄。
探索、RL 理論、多任務學習與開放問題｜Berkeley CS285 第 19–25 堂
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。
CPU、GPU、H100 成本分界｜Berkeley CS285 主題單元
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。
模仿學習、分布偏移與 RL 基礎｜Berkeley CS285 第 1–4 堂
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。
從變分推論、LLM RL 到 Offline RL｜Berkeley CS285 第 11–18 堂
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。
Policy Gradient、Actor-Critic、DQN 與 SAC｜Berkeley CS285 第 5–10 堂
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。
深度強化學習：從決策概念到策略學習與實驗｜Berkeley CS285 課程總覽
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；講課錄影已公開在 RAIL YouTube 頻道，但 Ed、Gradescope 與助教時間仍限修課生，HW4 預設 H100，不能把它包裝成零成本公開課。
Inference-time Compute、Reasoning 與 Embodied Agents｜Berkeley CS288 主題單元
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。
從 n-gram、詞表示到文字分類｜Berkeley CS288 主題單元
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。
語言模型與 NLP：從基礎表示到檢索與 Agent｜Berkeley CS288 課程總覽
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。
Pre-training、Post-training、Generation 與 Evaluation｜Berkeley CS288 主題單元
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。
Retrieval、RAG 與進階架構如何變成一個系統｜Berkeley CS288 主題單元
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。