分类目录归档:公开课信息

Deep Learning Specialization on Coursera

fast.ai 新课程:面向程序员的机器学习导论(Introduction to Machine Learning for Coders)

fast.ai 在9月26号刚刚推出了一门机器学习新课程:面向程序员的机器学习导论(Introduction to Machine Learning for Coders),目标明确,面向程序员,注重实战,直接从随机森林讲起,这个之前Kaggle数据竞赛的热门机器学习方法,看起来很不错。

课程主页:http://course.fast.ai/ml

Welcome to Introduction to Machine Learning for Coders! taught by Jeremy Howard (Kaggle’s #1 competitor 2 years running, and founder of Enlitic). Learn the most important machine learning models, including how to create them yourself from scratch, as well as key skills in data preparation, model validation, and building data products.

课程授课者是 Jeremy Howard,Kaggle前冠军选手和专家,fast.ai的发起者之一,关于Jeremy Howard, 以下是来自雷锋网《Enlitic创始人Jeremy Howard专访:我眼中的深度学习与数据科学》中的介绍:

他是Enlitic、FastMail、Optimal Decisions Group三家科技公司的创始人兼CEO,是大数据竞赛平台Kaggle的前主席和首席科学家,是美国奇点大学(Singularity University)最年轻的教职工,是在2014达沃斯论坛上发表主题演讲的全球青年领袖,他在 TED 上的演讲《The wonderful and terrifying implications of computers that can learn》收获了近200万的点击…

这门机器学习课程包含12节课,比较偏重随机森林,第一节就从从随机森林讲起,后续几个章节相关,另外涉及性能评估、模型验证和融合、特征提取、梯度下降、逻辑回归以及NLP相关的内容:

Lesson 1 – Introduction to Random Forests
Lesson 2 – Random Forest Deep Dive
Lesson 3 – Performance, Validation and Model Interpretation
Lesson 4 – Feature Importance, Tree Interpreter
Lesson 5 – Extrapolation and RF from Scratch
Lesson 6 – Data Products
Lesson 7 – Introduction to Random Forests
Lesson 8 – Gradient Descent and Logistic Regression
Lesson 9 – Regularization, Learning Rates and NLP
Lesson 10 – More NLP, and Columnar Data
Lesson 11 – Embeddings
Lesson 12 – Complete Rossmann, Ethical Issues

关于这门面向程序员的机器学习课程,fast.ai官方有个详细介绍的文章,感兴趣的同学可以参考:http://www.fast.ai/2018/09/26/ml-launch/

最后欢迎关注我们的公众号:

注:原创文章,转载请注明出处“课程图谱博客”:http://blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/fast-ai-新课程面向程序员的机器学习导论-introduction-to-machine-learning-for-coders http://blog.coursegraph.com/?p=887

深度学习课程资源整理

这里整理一批深度学习课程或者深度学习相关公开课的资源,持续更新,仅供参考。

1. Andrew Ng (吴恩达) 深度学习专项课程 by Coursera and deeplearning.ai

这是 Andrew Ng 老师离开百度后推出的第一个深度学习项目(deeplearning.ai)的一个课程: Deep Learning Specialization ,课程口号是:Master Deep Learning, and Break into AI. 作为 Coursera 联合创始人 和 机器学习网红课程Machine Learning” 的授课者,Andrew Ng 老师引领了数百万同学进入了机器学习领域,而这门深度学习课程的口号也透露了他的野心:继续带领百万人进入深度学习的圣地。

作为 Andrew Ng 老师的粉丝,依然推荐这门课程作为深度学习入门课程首选,并且建议花费上 Coursera 上的课程,一方面可以做题,另外还有证书,最重要的是它的编程作业,是理解课程内容的关键点,仅仅看视频绝对是达不到这个效果的。参考:《Andrew Ng 深度学习课程小记》和《Andrew Ng (吴恩达) 深度学习课程小结》。

2. Geoffrey Hinton 大神的 面向机器学习的神经网络(Neural Networks for Machine Learning)

Geoffrey Hinton大神的这门深度学习课程 2012年在 Coursera 上开过一轮,之后一直沉寂,直到 Coursera 新课程平台上线,这门课程已开过多轮次,来自课程图谱网友的评论:

“Deep learning必修课”

“宗派大师+开拓者直接讲课,秒杀一切二流子”

这门深度学习课程相对上面 Andrew Ng深度学习课程有一定难道,但是没有编程作业,只有Quiz.

3. 牛津大学深度学习课程(2015): Deep learning at Oxford 2015

这门深度学习课程名字虽然是 “Machine Learning 2014-2015″,不过主要聚焦在深度学习的内容上,可以作为一门很系统的机器学习深度学习课程:

Machine learning techniques enable us to automatically extract features from data so as to solve predictive tasks, such as speech recognition, object recognition, machine translation, question-answering, anomaly detection, medical diagnosis and prognosis, automatic algorithm configuration, personalisation, robot control, time series forecasting, and much more. Learning systems adapt so that they can solve new tasks, related to previously encountered tasks, more efficiently.

The course focuses on the exciting field of deep learning. By drawing inspiration from neuroscience and statistics, it introduces the basic background on neural networks, back propagation, Boltzmann machines, autoencoders, convolutional neural networks and recurrent neural networks. It illustrates how deep learning is impacting our understanding of intelligence and contributing to the practical design of intelligent machines.

视频Playlist:https://www.youtube.com/playlist?list=PLE6Wd9FR–EfW8dtjAuPoTuPcqmOV53Fu

参考:“牛津大学Nando de Freitas主讲的机器学习课程,重点介绍深度学习,还请来Deepmind的Alex Graves和Karol Gregor客座报告,内容、讲解都属一流,强烈推荐! 云: http://t.cn/RA2vSNX

4. Udacity 深度学习(中/英)by Google

Udacity (优达学城)上由Google工程师主讲的免费深度学习课程,结合Google自己的深度学习工具 Tensorflow ,很不错:

机器学习是发展最快、最令人兴奋的领域之一,而深度学习则代表了机器学习中最前沿但也最有风险的一部分。在本课内容中,你将透彻理解深度学习的动机,并设计用于了解复杂和/或大量数据库的智能系统。

我们将教授你如何训练和优化基本神经网络、卷积神经网络和长短期记忆网络。你将通过项目和任务接触完整的机器学习系统 TensorFlow。你将学习解决一系列曾经以为非常具有挑战性的新问题,并在你用深度学习方法轻松解决这些问题的过程中更好地了解人工智能的复杂属性。

我们与 Google 的首席科学家兼 Google 智囊团技术经理 Vincent Vanhoucke 联合开发了本课内容。此课程提供中文版本。

5. Udacity 纳米基石学位项目:深度学习

Udacity的纳米基石学位项目,收费课程,不过据说更注重实战:

人工智能正颠覆式地改变着我们的世界,而背后推动这场进步的,正是深度学习技术。优达学城和硅谷技术明星一起,带来这门帮你系统性入门的课程。你将通过充满活力的硅谷课程内容、独家实战项目和专业代码审阅,快速掌握深度学习的基础知识和前沿应用。

你在实战项目中的每行代码都会获得专业审阅和反馈,还可以在同步学习小组中,接受学长、导师全程的辅导和督促

6. fast.ai 上的深度学习系列课程

fast.ai上提供了几门深度学习课程,课程标语很有意思:Making neural nets uncool again ,并且 Our courses (all are free and have no ads):

Deep Learning Part 1: Practical Deep Learning for Coders
Why we created the course
What we cover in the course
Deep Learning Part 2: Cutting Edge Deep Learning for Coders
Computational Linear Algebra: Online textbook and Videos
Providing a Good Education in Deep Learning—our teaching philosophy
A Unique Path to Deep Learning Expertise—our teaching approach

7. 台大李宏毅老师深度学习课程:Machine Learning and having it Deep and Structured

难得的免费中文深度学习课程:

课程主页:http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS17.html
课程视频Playlist: https://www.youtube.com/playlist?list=PLJV_el3uVTsPMxPbjeX7PicgWbY7F8wW9
B站搬运深度学习课程视频: https://www.bilibili.com/video/av9770302/

8. 台大陈缊侬老师深度学习应用课程:Applied Deep Learning / Machine Learning and Having It Deep and Structured

据说是美女老师,这门课程16年秋季开过一次,不过没有视频,最新的这期是17年秋季课程,刚刚开课,Youtube上正在陆续放出课程视频:

16年课程主页,有Slides等相关资料:https://www.csie.ntu.edu.tw/~yvchen/f105-adl/index.html
17年课程主页,资料正在陆续放出:https://www.csie.ntu.edu.tw/~yvchen/f106-adl/
Youtube视频,目前没有playlist,可以关注其官方号放出的视频:https://www.youtube.com/channel/UCyB2RBqKbxDPGCs1PokeUiA/videos

9. Yann Lecun 深度学习公开课

“Yann Lecun 在 2016 年初于法兰西学院开课,这是其中关于深度学习的 8 堂课。当时是用法语授课,后来加入了英文字幕。
作为人工智能领域大牛和 Facebook AI 实验室(FAIR)的负责人,Yann Lecun 身处业内机器学习研究的最前沿。他曾经公开表示,现有的一些机器学习公开课内容已经有些过时。通过 Yann Lecun 的课程能了解到近几年深度学习研究的最新进展。该系列可作为探索深度学习的进阶课程。”

10. 2016 年蒙特利尔深度学习暑期班

推荐理由:看看嘉宾阵容吧,Yoshua Bengio 教授循环神经网络,Surya Ganguli 教授理论神经科学与深度学习理论,Sumit Chopra 教授 reasoning summit 和 attention,Jeff Dean 讲解 TensorFlow 大规模机器学习,Ruslan Salakhutdinov 讲解学习深度生成式模型,Ryan Olson 讲解深度学习的 GPU 编程,等等。

11. 斯坦福大学深度学习应用课程:CS231n: Convolutional Neural Networks for Visual Recognition

这门面向计算机视觉的深度学习课程由Fei-Fei Li教授掌舵,内容面向斯坦福大学学生,货真价实,评价颇高:

Computer Vision has become ubiquitous in our society, with applications in search, image understanding, apps, mapping, medicine, drones, and self-driving cars. Core to many of these applications are visual recognition tasks such as image classification, localization and detection. Recent developments in neural network (aka “deep learning”) approaches have greatly advanced the performance of these state-of-the-art visual recognition systems. This course is a deep dive into details of the deep learning architectures with a focus on learning end-to-end models for these tasks, particularly image classification. During the 10-week course, students will learn to implement, train and debug their own neural networks and gain a detailed understanding of cutting-edge research in computer vision. The final assignment will involve training a multi-million parameter convolutional neural network and applying it on the largest image classification dataset (ImageNet). We will focus on teaching how to set up the problem of image recognition, the learning algorithms (e.g. backpropagation), practical engineering tricks for training and fine-tuning the networks and guide the students through hands-on assignments and a final course project. Much of the background and materials of this course will be drawn from the ImageNet Challenge.

12. 斯坦福大学深度学习应用课程: Natural Language Processing with Deep Learning

这门课程由NLP领域的大牛 Chris Manning 和 Richard Socher 执掌,绝对是学习深度学习自然语言处理的不二法门。

Natural language processing (NLP) is one of the most important technologies of the information age. Understanding complex language utterances is also a crucial part of artificial intelligence. Applications of NLP are everywhere because people communicate most everything in language: web search, advertisement, emails, customer service, language translation, radiology reports, etc. There are a large variety of underlying tasks and machine learning models behind NLP applications. Recently, deep learning approaches have obtained very high performance across many different NLP tasks. These models can often be trained with a single end-to-end model and do not require traditional, task-specific feature engineering. In this winter quarter course students will learn to implement, train, debug, visualize and invent their own neural network models. The course provides a thorough introduction to cutting-edge research in deep learning applied to NLP. On the model side we will cover word vector representations, window-based neural networks, recurrent neural networks, long-short-term-memory models, recursive neural networks, convolutional neural networks as well as some recent models involving a memory component. Through lectures and programming assignments students will learn the necessary engineering tricks for making neural networks work on practical problems.

这门课程融合了两位授课者之前在斯坦福大学的授课课程,分别是自然语言处理课程 cs224n (Natural Language Processing)和面向自然语言处理的深度学习课程 cs224d (Deep Learning for Natural Language Processing).

13. 斯坦福大学深度学习课程: CS 20SI: Tensorflow for Deep Learning Research

准确的说,这门课程主要是针对深度学习工具Tensorflow的:

Tensorflow is a powerful open-source software library for machine learning developed by researchers at Google Brain. It has many pre-built functions to ease the task of building different neural networks. Tensorflow allows distribution of computation across different computers, as well as multiple CPUs and GPUs within a single machine. TensorFlow provides a Python API, as well as a less documented C++ API. For this course, we will be using Python.

This course will cover the fundamentals and contemporary usage of the Tensorflow library for deep learning research. We aim to help students understand the graphical computational model of Tensorflow, explore the functions it has to offer, and learn how to build and structure models best suited for a deep learning project. Through the course, students will use Tensorflow to build models of different complexity, from simple linear/logistic regression to convolutional neural network and recurrent neural networks with LSTM to solve tasks such as word embeddings, translation, optical character recognition. Students will also learn best practices to structure a model and manage research experiments.

14. 牛津大学 & DeepMind 联合的面向NLP的深度学习应用课程: Deep Learning for Natural Language Processing: 2016-2017

课程主页:https://www.cs.ox.ac.uk/teaching/courses/2016-2017/dl/

github课程项目页面:https://github.com/oxford-cs-deepnlp-2017/

课程视频Playlist: https://www.youtube.com/playlist?list=PL613dYIGMXoZBtZhbyiBqb0QtgK6oJbpm

B站搬运视频: https://www.bilibili.com/video/av9817911/

15. 卡耐基梅隆大学(CMU)深度学习应用课程:CMU CS 11-747, Fall 2017 Neural Networks for NLP

课程主页:http://phontron.com/class/nn4nlp2017/

课程视频Playlist: https://www.youtube.com/watch?v=Sss2EA4hhBQ&list=PL8PYTP1V4I8ABXzdqtOpB_eqBlVAz_xPT

16. MIT组织的一个为期一周的深度学习课程: 6.S191: Introduction to Deep Learning http://introtodeeplearning.com/

17. 奈良先端科学技術大学院大学(NAIST) 2014年推出的一个深度学习短期课程(英文授课):Deep Learning and Neural Networks

18. Deep Learning course: lecture slides and lab notebooks

欢迎大家推荐其他没有覆盖到的深度学习课程。

注:原创文章,转载请注明出处“课程图谱博客”:http://blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/深度学习课程资源整理

2014年一月份开设课程汇总

2013年,MOOC开始进入人们的视野,2014年将是MOOC正式全面爆发的一年。

2014年一月已经确定会有多门课程即将开设,鉴于内容之多已经可以用“狂轰滥炸”来形容,课程图谱为大家进行简单的梳理,大家根据自己的需要挑选心仪的课程吧

介绍的重点主要还是以计算机科学和数学相关的课程为主:

Coursera平台

1.  斯坦福大学的 Cryptography i ,开课时间:1月6日

这门课程在 Coursera 上开课次数非常高,据说现在已经开到第9轮:

@ffffffoouddddd: 过几天要开始新的一轮了,感觉完成还没多久。不过之前都没做编程题,这次得把编程题做了。这门课理论性很强,到后面基本上都没有 in-video quiz 了。这门课是分类在 CS: Theory 下的。期末考试有点难,因为和之前的作业很不一样。

@Candy的爸爸: Stanford的密码学线上课程,主讲Dan Boneh非常给力,语速很快,是密码学界的大牛。每周的课程内容很多,主要讲了密码学的原理,包括流密码、对称密码、非对称密码,加密认证、完整性算法等。课程内容很值得推荐。我花了非常多的时间来学这门课。准备上7月份的Cryptography II。(注:Cryptography II其实已经跳票多次了,虽然官网上已经确定明年春季会开,不过是否还会跳票至今还是未知)

2. 伊利诺伊大学香槟分校的 Heterogeneous Parallel Programming 开课时间:1月6日

@wzyer: 就是讲CUDA的,额……不知为啥听过几个亚洲人的课都觉得不够给力。这个课……还行吧,学到了CUDA的基础知识,几个编程作业也还不错。不过算不上精品。个人觉得学习CUDA还是Udacity上那个课比较好。
@yongsun: 对GPU编程的各种principles和best practices有不错的介绍,不过老师讲的不是很流畅,PA的环境(特别是评分系统)也颇受诟病,希望后期有更好的改进…

3. 香港中文大学的Information Theory 开课时间:1月6日

信息论的运用相当广泛,在通信以及密码学领域都有实际运用,对于有一定数学基础的朋友可以关注。

4.巴黎中央理工学院的Discrete Inference and Learning in Artificial Vision 开课时间:1月10日

这门课的讲师Nikos Paragios是这个领域的知名专家,感兴趣的朋友可以关注

5. 华盛顿大学的Computational Neuroscience 开课时间:1月10日
该门课程的讲师Rajesh P. N. Rao还因为成功将大脑与电脑链接而成为一时的新闻话题(新闻链接:华盛顿大学成功实现人脑至人脑信号传输

@要有光LTBL: 印度老师很幽默,女老师有点像冷血女杀手酷酷的感觉。。。
讲得很细致,尤其指出了现有神经网络模型和人脑之间的一些区别,我觉得在这方面改进可能是未来的发展方向?
我还是很喜欢这个领域的。另外发现UWashington的几门CS课质量都相当高啊。。。

6.宾夕法尼亚大学的Calculus: Single Variable 开课时间:1月10日
该课曾在2013年年初通过美国官方ACE认证,成为承认学分的课程

@基佬的愛__:这门课讲数列和级数,相同的内容 Robert Ghrist 的 Calculus: Single Variable 也涉及到了。Jim 讲的要比 Robert 要细致,比如一些数列和级数的收敛性的测试定理,Jim 会花一整个 lecture 讲推导过程, Robert 讲的没那么详细。另外整门课我最喜欢的一个 lecture 是关于 Taylor series 那节,Taylor Series 的 motivation 就是 approximation ,实际上他是 linear approximation 的推广,对某个函数在某点做 Taylor expansion 实现上就是找一个函数,使他在该点的值和原函数相等,并且该点的每一阶导数也和原函数的每一阶导数相等,导数反映的是函数的变化情况,这样我们就找到了一个和原函数在某个区间内相同的函数,说在某个区间内是因为有一个收敛性的问题。我可能记不住 Taylor series 的公式,不过我已经随时能把 Taylor series 推导出来了。还有个很有意思的 lecture,为了说明 geometric series 的收敛性,Jim 举了个造桥的问题,用质量均匀分布、形状相同的长木条造桥,最多能造多远?答案是理想状况下,想多远就多远。只要我们把每一块木条放在下一堆木条的重心处就能保证它不倒,然后你会发现每次增加的长度加起来正好构成一个不收敛的级数,Jim 自己造了这么一座很壮观的桥,你能看到这门课课程介绍的图片就是这样一座桥,实际上 lecture 里 Jim 造的那座还要壮观,比课程介绍里的那座要更长。总体来说这门课内容不多、难度不大、(不过我之前已经上过 Robert 的课,并且自学过一些其他的数学)、占用的时间不多,我基本看完视频就马上能把作业完成,不过这门课还是很有启发性的,有很多有意思的东西,Jim 在课程讨论版里也是一如既往的 supportive。另外这门课也有一本配套的免费教材。

7.爱丁堡大学的Artificial Intelligence Planning 开课时间:1月13日

@wzyer: Planning嘛,看到题目就想到了A*。不过学过这门课了才发现实际应用中的算法还是很多的,除了状态空间搜索,还有策略空间搜索等等很多办法。这门课程的内容很多,视频量很大,我险些就放弃了。但是作业倒不多,作业和考试挺有挑战性的。

8. 杜克大学的Image and video processing: From Mars to Hollywood with a stop at the hospital 开课时间:1月20日
对通信和计算机视觉领域感兴趣的朋友可以关注

@freealbert:这门课定位应该是图像处理的入门课程, 内容很全面也很鲜活,从灰度,像素等的最基础的知识一直讲到如今在学术界大红大紫的稀疏表示。Slide和Demo演示都很赞,相信应该能激起很多人对图像处理的兴趣,K-SVD算法就是在他的课上搞明白的。 关于授课老师, Sapiro本人是图像处理的大牛, 光在IEEE上就有文章150余篇, 在PDE和小波方面都有很大的贡献.

9. 莱斯大学的Fundamentals of Electrical Engineering 开课时间:1月20日

@wzyer:课程本身还不错,教授满头白发也很让人尊敬。不过,内流满面的说,他讲的太快了……一门导论课,他从电路基础讲到通信技术,内容很多,速度很快,想深入理解的话课下还得花不少时间……我就那么囫囵吞枣的过了。作业和考试评分系统也经常有点bug啥的。

10. 马里兰大学的Programming Mobile Applications for Android Handheld Systems 开课时间:1月21日
该门课程是Coursera平台上第二门有关Android开发的课程,对移动App开发感兴趣的朋友可以关注一下这门课程

11. 普林斯顿大学的Algorithms, Part I 开课时间:1月23日
数据结构大师Sedgewick的名著Algorithm 4th的配套课程,对于希望能够锻炼扎实数据结构基本功的朋友不要错过这门课程

@培翔-_-:lectures本身4分差不多了 算深入浅出 但是assignment必须5分+
各种内存、性能优化 爽到爆
@wzyer:很好的课程!老师充分展示了名家风范。内容系统,结构紧凑。示例代码简洁清晰。更难得的是作业题目非常有意义,评分脚本很完善。是我上过的课中作业部分最好的了。
@ecluzhang: 这门课分上下两部分。6周跟完了,这个上部分是一个非常浅显易懂的算法入门,基本功方面非常清晰。
前面介绍完算法及分析方法之后,后面每个算法都用思路+动态demo+代码片段+复杂度分析的方式。
值得一提的是代码片段,虽然是java描述但也很简洁,视频里则多了一些java相关的东西(比如assert是什么啊、java有哪些接口会在代码段里用到啊),估计是出于入门的定位。但对于不用java编程的来说就显得有些多余。

12.华盛顿大学的Computer Networks 开课时间:1月24日

@wzyer: 这门课是现今所有mooc平台上最全面的一门介绍计算机网络的课程。课程以网络的OSI七层模型为主线,全面覆盖了支撑现有互联网的各种基础架构和协议。其中又有重点地讲解了 TCP/IP,HTTP,802.11等常用基础协议,目的是使所有上完课的同学,都能够对于数字信号如何在网络上传播有一个清晰的认识。就我自己上完课的感受来说,这门课完全能够完成这个任务。

不过,如果从讲解和交互性上来说,这门课还是难以与一些精品课程相媲美,只能算是一般水平。老师对于各个问题的讲解基本遵循了“提出问题-》解决方案-》应用实例”的顺序,所举的小例子也足够简单清晰,所以不会出现难于理解的情况。但是从交互性和趣味性上说,有意思的讲解不多,也没有什么特点突出的、有趣的内容来让人加深理解。因此上课的时候常常让人觉得乏味。个人认为这一点以后还有很大的改善空间。

其实说这门课程很无趣也并不准确。整个课程里还是时常会有有趣的事情发生,比如空中飞来飞去的小花盆,比如在老师背后扮鬼脸的吃货小萝莉。好吧……也许有人会喜欢这个。不过这个确实……确实和主题关系不大。只这能算是为课程增添一点有趣的小插曲。

这门课的作业分为两个部分,一部分是选择填空题,这部分的分数和最后的证书密切相关;另一部分则是编程和一些网络工具的使用,这个不计分,只是帮助加深理解。由于时间关系,我上课的时候并没有完成第二部分。但我仍然强烈建议想认真学习这门课程的同学去完成编程以及网络工具使用这一部分。虽然这里不算分,但对于课程内容的理解是大有裨益的。

最后该说说老师了,David Wetherall 是计算机网络方面的专家。也是著名的计算机网络教材:Computer Networks的作者之一。这本教材在Amazon上评分是3.9分,要高于著名的SICP,当然和一些大牛的接近5分的经典巨著没法比,不过也绝对够得上好书的标准了。而且他作为老师所讲授过的课程全部是计算机网络相关的,可谓相当专一。因此,完全不用怀疑老师的专业性。

最后,我把这门课推荐给想了解计算机网络的相关知识的同学,也许它算不上很深入,但绝对能为你以后的深入学习打下坚实的基础。

@超級現實的超現實理想主義者:内容覆盖非常全面的一门课,可以看出老师的用心。不过正如@wzyer 所说的:“提出问题-》解决方案-》应用实例” 的授课方式,这门课还是显得比较传统,虽然老师的授课水平不用质疑,但是交互体验还是有点欠缺,毕竟计算机网络是一门偏重工程的课程,如果在Link Layer以上的部分能够将一些概念通过现实中的工具进行演示效果可能会更好一点。可能老师也发现了这个问题,于是大家就看到了老师和他的家人为此作出的努力(看过视频大家就知道我在说什么了,哈哈)
另外值得称赞的是老师在课堂论坛社区里也很积极的与学员互动,常常能很快给出反馈

@要有光LTBL:讲的清楚明白,quiz什么的涉及的也挺合理,别的也没啥可说的。。。顺便我也没做编程作业= =

13. 巴黎中央理工学院的An Introduction to Functional Analysis 开课时间:1月27日
对泛函分析感兴趣的朋友不要错过了

OpenEdx平台
1.哈佛大学的Introduction to Computer Science 开课时间:1月1日

2. 斯坦福大学的Introduction to Databases 开课时间:1月7日

3. UTAustin的Linear Algebra – Foundations to Frontiers 开课时间:1月15日
对于线性代数感兴趣,希望通过编程动手理解的朋友们不要错过这门课程

4.斯坦福大学的StatLearning: Statistical Learning 开课时间:1月21日
统计机器学习,经典教材Elements of Statistical Learning 的作者亲自出马讲解,本课还会提供免费配套教材 An Introduction to Statistical Learning, with Applications in R 对统计学、机器学习感兴趣的朋友千万不要错过!

5.斯坦福大学的Convex Optimization 开课时间:1月21日
优化领域的大师Stephen Boyd亲自出马授课,千万不要错过!

Udacity平台
全世界第一个通过MOOC平台实现的硕士生项目OMSCS(Online Master of Science in Computer Science)将于明年一月正式开课,以下列出了1月将在该项目中开设的课程:
1. CS 6210, Advanced Operating Systems
2. CS 6250, Computer Networks
3. CS 6300, Software Development Process
4. CS 7641, Machine Learning
5. CS 8802, Artificial Intelligence for Robotics: Programming a Robotic Car
(详细信息:OMSCS:Program Information

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/2014年一月份开设课程汇总

机器学习公开课汇总

机器学习目前比较热,网上也散落着很多相关的公开课和学习资源,这里基于课程图谱机器学习公开课标签做一个汇总整理,便于大家参考对比。

1、Coursera上斯坦福大学Andrew Ng教授的“机器学习公开课”:

机器学习入门课程首选,斯坦福大学教授,Coursera联合创始人Andrew Ng老师的课程,课程图谱上多达400多人关注,20余条课程评论,绝大多数同学认为这门课程比较适合入门,以下选择其中几位同学的课程评论:

@ototsuyume 同学评价:非常好的一门入门课程。很多人诟病作业的代码给得太全,但我认为作为一门入门课程,编程作业设置得十分好,各种机器学习的作用能很直观地展示出来,这样很能激发学习兴趣。试想一下,假如不给你任何框架代码让你从头开始写,写完后得出的结果是一堆用来提交的无味的数据,对于一名初学者来说,这多么打击积极性。
这门课程极其简化了各种数学的证明,类似svm跟pca中间的求解过程都讲得很简略。要求的数学基础是低得不能再低了,所以即使是毕业几年后概率矩阵忘得差不多的人都能看懂。除去初学者之外,这门课程也很适合工作中需要用到一些机器学习但不打算深入研究的程序员。

@极度视界 同学评价:这个必然 5 星,很棒的入门课程;Ng老湿把编程作业设计到极为简单,而数据集并不单调,垃圾邮件分类/手写体分类等。学此课的同学,应该尝试丢掉Ng老湿给的框架,自己写一套算法,才好。这课我得了100%。

最后再推荐 @小小人_V 同学这门课程的学习笔记: http://vdisk.weibo.com/s/J4rRX/1373287206

2、Coursera上台大林軒田老师的“機器學習基石 (Machine Learning Foundations)公开课”:

课程正在进行中,目前感觉很不错,林老师年轻有为,也是机器学习畅销书《Learning from Data》的作者之一,课程的难度应该比上面Andrew Ng老师机器学习公开课的高一些,不过比较重要的是这门课程用中文讲解,比较适合国人:

@尘绳聋 同学评价:看老师给出的课程大纲,基本还是照着Caltech/Edx LFD的节奏走。之前跟过LFD,这次就当复习了。当然也有一些新的东西,譬如PLA的收敛证明和收敛需要的次数上界,Lecture3对learning types的介绍也很详细,原来reinforcement learning还可以用在ad system上面,看来要把Ng CS229后面的那一大块有关reinforcement learning的内容啃一下了。另外,老师讲得非常好,从video和slide也能看出很用心。

@飞林沙 同学评价: 刚听完前两讲,讲的真的非常棒!从最基本的PLA讲起,虽然很简单,但是跟着自己动手写写代码,做做数学公式,就当休息了,很棒。

林老师推出的这门课程的姊妹篇“機器學習技法 (Machine Learning Techniques)” 已于2014.12.23开课,值得关注。

3、edX上加州理工学院的“Learning From Data

和上面台大机器学习课程渊源很深,内容基本上出自加州理工的这本同名教材《Learning From Data》,林老师也曾在该校读博,这门课程的授课老师也是他的导师Abu Mostafa教授。

4、Coursera上多伦多大学Geoffrey Hinton大神的“Neural Networks for Machine Learning”公开课

这门课程主要关注神经网络以及它们在机器学习中的应用,在目前火热烫手的Deep Learning概念衬托下,这门课程简直就是必修课,不过遗憾的是这门课程只在12年10月份开过一轮,目前为止还没有开课的意思,不过好在我们还有网盘资源的备份,具体信息在“公开课可下载资源汇总”中自行查找:

@yongsun:还有什么好说的呢?Deep Learning必修课程啊!

@godenlove007:宗派大师+开拓者直接讲课,秒杀一切二流子!

@wzyer:巨牛级别的人物来开课,我也不说啥了。

5、Coursera上华盛顿大学Pedro Domingos教授的“机器学习公开课

Coursera上一门还没有正式开始过的机器学习课程,老师是机器学习的大牛Pedro Domingos,他写过的“”A Few Useful Things to Know about Machine Learning”广为流传,这门课虽然没有正式开始,但是通过preview的链接可以看课程的所有视频。@wzyer 大神的评价:个人觉得这门课比Andrew那个更深入些,老师讲的也不错。不过这个似乎就没有正式开过,我都enroll半年多了……

6、网易公开课收录的“斯坦福大学公开课 :机器学习课程

这是老一代的公开课,老师仍然是Andrew Ng教授,不过视频来自于斯坦福大学的课堂录制视频,课程难度要高一些,可以作为Ng老师Coursera上“机器学习公开课”的进阶课程,好处是有翻译字幕,比较方便国内同学的学习。

7、网易公开课收录的“加州理工学院公开课:机器学习与数据挖掘

其实就是edX上“Learning From Data”的原版课程,授课老师依然是Abu Mostafa教授,edX上老师在论坛上和同学互动,而网易公开课上有翻译。

8、超星学术上来自于贝尔实验室的“机器学习”课程:

来自于超星学术上的课程,具体情况不太清楚。

9、最后推荐的是国内龙星计划机器学习课程资源:

1)2012龙星计划机器学习课程的视频及课件

来自微博上@SunnyerEric孙晗晓 同学的信息 : 龙星计划机器学习课程的视频:http://t.cn/zlA2ZHb

网盘地址:http://pan.baidu.com/share/link?shareid=27613&uk=1513052211

关于龙星计划的课件,大家也可以在如下地方找到:

2012年龙星计划-机器学习课件

2)2013龙星计划深度学习(Deep Learning)课程视频

@龙星计划
龙星计划天津站 邓力老师的讲课视频 http://t.cn/zQixW12

@戴玮_CASIA
天津大学深度学习龙星计划课程视频:http://t.cn/zQixW12

网盘地址:http://pan.baidu.com/share/link?shareid=3220401770&uk=723014463

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/机器学习公开课汇总

公开课可下载资源汇总

微博上经常有同学分享一些公开课资源,包括可下载的网盘资源,课件资源等等,但是时间长了就忘了在哪里了。另外Coursera官方也推荐一些第三方批量下载工具,大家下载课程后也可以考虑共享到网盘里,减轻Coursera官方的下载压力。这里计划做一个汇总,包括一些佚名的来自网络上的课程资源分享,也欢迎大家提供线索或者补充公开课网盘资源。

1、Coursera上Andrew Ng老师的”机器学习公开课(Machine Learning)

通过在Google上“site:pan.baidu.com 机器学习”搜索到课程资源,包括课程视频,课件,字幕,笔记等等课程资源, 链接: http://pan.baidu.com/s/1qW0tMu4 密码: sdjq

2013.12.30更新:网友linbojin留言:Prof. Andrew最新的机器学习ML-004课程结束了,整理了视频文档和编程作业,链接: http://pan.baidu.com/s/1eQu83Vc 密码: 213g

2、Coursera上Geoffrey Hinton大牛的“Neural Networks for Machine Learning(面向机器学习的神经网络)”公开课,老头子去了Google,这门deep learnig必修课程有可能不再开了,给大家提供两个网盘下载地址:

2.1) hinton-ml:链接: http://pan.baidu.com/s/1o6wugps 密码: 8386

2.2) neuralnets-2012-001:链接: http://pan.baidu.com/s/1dD4JY17 密码: pfnf

3、Coursera上Daphne Koller教授的“概率图模型公开课(Probabilistic Graphical Models)

一个朋友通过Coursera官方提供的批量下载工具下载课程后共享给我的网盘链接,表示也可以分享给大家:
pgm-003:链接: http://pan.baidu.com/s/134ajs 密码: sgws

4、Coursera上Michael Collins大神在“自然语言处理公开课(Natural Language Processing)

微博上 @付翔_90 同学通过Coursera批量下载脚本下载了这门课程并分享给大家:我把公开课 nlangp-001下载下来了 ,@52nlp 大神帮忙转下,大家需要的就转去下载把,省得增加coursera 的压力 。地址 http://t.cn/zHp7y8y ,至少保留一个月 。

nlangp-001: 链接: http://pan.baidu.com/s/1jG9ZtEQ 密码: tuey

5、Coursera上Sedgewick教授的两门算法课:Algorithms, Part IAlgorithms, Part II

课程图谱群里有好心同学在百度网盘里分享了普林斯顿大学Sedgewick教授的两门算法课程的相关视频、课件及字幕资源,方便之前没有注册课程的同学保存或下载 http://t.cn/zHlFCoN , 课程详情及评论可以参考“Algorithms, Part I” http://t.cn/zTdJmOJ ,“ Algorithms, Part II” http://t.cn/zTFseHD

网盘地址:http://pan.baidu.com/share/home?uk=2366285389

6、2012龙星计划机器学习课程的视频及课件

来自微博上@SunnyerEric孙晗晓 同学的信息 : 龙星计划机器学习课程的视频:http://t.cn/zlA2ZHb

网盘地址:http://pan.baidu.com/share/link?shareid=27613&uk=1513052211

关于龙星计划的课件,大家也可以在如下地方找到:

2012年龙星计划-机器学习课件

7、2013龙星计划深度学习(Deep Learning)课程视频

@龙星计划
龙星计划天津站 邓力老师的讲课视频 http://t.cn/zQixW12

@@戴玮_CASIA
天津大学深度学习龙星计划课程视频:http://t.cn/zQixW12

网盘地址:http://pan.baidu.com/share/link?shareid=3220401770&uk=723014463

8、Udacity的课程视频下载问题:

Udacity官方提供了几乎所有课程的打包下载链接,具体见这个页面:https://www.udacity.com/wiki/downloads

补充:课程图谱群内 freealbert 同学在百度网盘上传了Udacity的全部课程:

Udacity的课程都全部上传了, 地址是 http://pan.baidu.com/share/link?shareid=1720289399&uk=506767875

目前有23门课程可以下载,分别是:
Download pages for classes can be found below. Videos are archived by unit, are numbered, named and have a playlist.

  • CS101 – Intro to Computer Science: Building a Search Engine
  • CS212 – Design of Computer Programs: Programming Principles
  • CS215 – Algorithms: Crunching Social Networks
  • CS222 – Differential Equations: Making Math Matter
  • CS253 – Web Application Engineering: How to Build a Blog
  • CS255 – HTML5 Game Development: Building High Performance Web Applications
  • CS259 – Software Debugging: Automating the Boring Tasks
  • CS262 – Programming Languages: Building a Web Browser
  • CS271 – Introduction to Artificial Intelligence
  • CS291 – Interactive 3D Graphics: Creating Virtual Worlds
  • CS313 – Introduction to Theoretical Computer Science
  • CS344 – Intro To Parallel Programming: Using CUDA to Harness the Power of GPUs
  • CS373 – Artificial Intelligence for Robotics
  • CS387 – Applied Cryptography: The Science of Secrets
  • CS046 – Introduction to Programming
  • PH100 – Intro to Physics: Landmarks in Physics
  • ST101 – Intro to Statistics: Making Decisions Based on Data
  • EP245 – How to Build a Startup: The Lean LaunchPad
  • MA006 – Visualizing Algebra: Problems and Patterns
  • MA008 – College Algebra: Animals, Architecture, and Innovation
  • ST095 – Statistics: The Science of Decisions
  • PS001 – Introduction to Psychology: The Science of Thought and Behavior
  • CS046 – Introduction to Programming Java

9、edX课程视频下载:

edX在每个课程视频下面提供了下载链接,注册课程后学习的时候可以看到。

10、最后,再说一下Coursera视频下载的问题,推荐大家使用相关的批量下载脚本:

a) Coursera官方推荐的公开课批量下载工具:Coursera Downloader,Python开源工具包 — This script makes it easier to batch download lecture resources (e.g., videos, ppt, etc) for Coursera classes.

b) 国内 @郭宽Oct 同学写得下载脚本 CourseraDownloader,简单、方便、好用

11、Coursera上多伦多大学的统计学公开课(Statistics: Making Sense of Data)

一个朋友通过上面的批量下载工具后下载分享给大家:introstats-001 http://pan.baidu.com/share/link?shareid=3821473220&uk=939584912

12、Coursera上杜克大学的“Image and video processing: From Mars to Hollywood with a stop at the hospital

课程图谱群里有同学求此图像和视频处理课程相关资料,有好心同学在百度网盘里分享了该课程的资料:Sapiro – Image and video processing

13、以下课程资源信息来自于豆瓣Coursera学习小组的illuz同学,给课程添加一个内部链接,部分课程资源可能与上同,不过欢迎大家共享课程资源信息:

共享我收藏的各个Coursera课程【百度云】
illuz
来自: illuz 2013-10-12 15:25:26
人艰不拆你懂的。
特别感谢课程图谱和nkwdwxc童鞋的贡献(虽然是我偷偷转存过来的)

内容:
startup-001
创业项目工程 ,Startup Engineering
sdn-001
软件定义网络,Software Defined Network
publicspeak-001
公众演讲,Introduction to Public Speaking
ni-001
网络运作,Networks Illustrated: Principles without Calculus
infosec-001
信息安全策略的设计和实施,Designing and Executing Information Security
inforiskman-003
当前环境下的信息安全和风险管理,Information Security and Risk Management in Context
inforisk-002
Building an Information Risk Management Toolkit ,信息危机管理工具的建立
hwswinterface-001
The Hardware/Software Interface,软硬件接口【CSAPP】【自己翻译的名字】
friendsmoneybytes-002
Networks: Friends, Money, and Bytes 【不想翻译名字了】
comnetworks-002
Computer Networks
bigdata-002
Web Intelligence and Big Data

下载地址【有资源就更新】:
http://pan.baidu.com/s/1qXOXj
如果喜欢就顶一下吧

14、以下信息来自微博朋友 @freealbert :
Coursera 上的公开课,吕世浩-中國古代歷史與人物--秦始皇 已经全部上传到百度网盘了, http://t.cn/zRKZC4J 感兴趣的可以去看看。

杜克大学: Sapiro – Image and video processing

哈佛大学中国课(chinaX) 的视频 (陆续更新中)

15、公开课收藏达人 @超級現實的超現實理想主義者 将他收藏的课程上传到网盘,这是网盘地址:http://pan.baidu.com/share/home?uk=2919707929   其中包含了以下课程(不断更新中):

Hebrew University of Jerusalem – Synapses, Neurons and Brains

UC Berkeley – Operating System (2012年版)

Stanford – natural language processing

Stanford – Writing in the Sciences

MICHIGAN – Internet History, Technology, and Security

UC Berkeley – Quantum Mechanics and Quantum Computation  ( edX )

Washington – Introduction to Computer Networks

Washington – The Hardware Software Interface

Washington – Computational Neuroscience

Stanford – Organizational Analysis

EPFL – Linear and Discrete Optimization

Pennsylvania – Gamification

Melbourne – Epigenetic Control of Gene Expression

Duke – Image and video processing From Mars to Hollywood with a stop at the hospital

Duke – Medical Neuroscience

LMU – Competitive Strategy

Stanford – Introduction to Logic

Stanford – Understanding Einstein The Special Theory of Relativity

Duke – A Beginner’s Guide to Irrational Behavior

MICHIGAN – Introduction to Thermodynamics Transferring Energy from Here to There

Stanford – Social and Economic Networks Model and Analysis

Washington – Scientific Computing

VANDERBILT – Pattern-Oriented Software Architectures for Concurrent and Networked Software

EPFL – Digital Signal Processing

Georgia – Software Defined Networking

Duke – English Composition I Achieving Expertise

Princeton – Analytic Combinatorics Part I

Princeton – Analytic Combinatorics Part II

UC Davis –  Theory of Computation

Pennsylvania – An Introduction to Financial Accounting

Stanford-DB Introduction to Databases

Georgia – Introductory Physics I with Laboratory

 

16. Coursera上的模型思维(Model Thinking)公开课

在百度网盘搜索到的地址:http://pan.baidu.com/share/link?shareid=386163&uk=671452669

17. 明尼苏达大学的推荐系统公开课: Introduction to Recommender System @MrDeadline同学分享的课件和视频:

链接: http://pan.baidu.com/s/1qWvA3gC 密码: 71ay

18. 来自于百度网盘上Courserain同学的分享,有9门Coursera课程和一门2012龙星计划课程,部分可能与上面重复:
http://pan.baidu.com/share/link?uk=3123221195&shareid=209027
注:根据群友 @小楼临风 反馈,这个系列下的课程不全,请大家谨慎选择下载,这里依然保留链接。

Statistics One(统计学上)
Introduction to Philosophy(这些导论)
Introduction to Genetics and Evoluion(遗传与进化导论)
Introduction to Finance(金融学导论)
Introduction to Computational Finance and Financial Econometrics(计算金融学与金融经济计量学导论)
Gamification(游戏化)
Digital Signal Processing(数字信号处理)
Computational Investing Part I(计算投资学上)
Calculus – Single Variable(单变量微积分)

@爬犁腿 同学分享的课程:

UW的Mathematical Methods for Quantitative Finance 网盘地址: http://pan.baidu.com/share/init?shareid=2781373181&uk=3339584905 密码:5ljw

Dino 101: Dinosaur Paleobiology 链接: http://pan.baidu.com/s/1o66q1z8 密码: 3qjf

其他的欢迎大家补充。

19. Standford Online上Stephen Boyd著名的凸优化课程“CVX101: Convex Optimization”,微博上已经有同学开始传递了:

@amilton-wong: Stanford X的convex optimization 包含:lecture1及lecture 2 http://t.cn/8F5P8BY

凸优化课程百度网盘地址:http://pan.baidu.com/s/1dDDZfZb

20. 课程图谱群中几大学霸格外推崇的人类历史公开课“A Brief History of Humankind”,@有光同学 已经为大家准备好百度网盘链接了:http://pan.baidu.com/s/1c0quKrI ,有光同学对这门课程的评价:

这么课到现在也只上了一半多,毕竟17周基本上是coursera上最长的课了吧。但是这门课真的讲得非常,非常,非常的好。
老师坐在椅子上把人类历史最精华的部分娓娓道来,有点像百家讲坛的感觉。这门课的重点不是那些历史事件,而是作为一个整体的历史。
比如,人类的其他近亲为什么消失?认知能力,农业革命,货币,帝国,宗教,科学,这些都是如何改变人类的。而且就我个人而言我觉得视野开阔了很多。
另外视频制作的很精良,总之各方面都无可挑剔。

21. 斯坦福大学的统计学习公开课:StatLearning: Statistical Learning

这门统计学习课程和凸优化课程节前备受大家关注,参考教程是《An Introduction to Statistical Learning with Applications in R》,授课老师也是这本书的作者,并且电子版官方免费提供:http://www-bcf.usc.edu/~gareth/ISL/。另外这里之前有同学询问这门课程的视频下载情况,所以顺手把目前4讲的视频下载了下来(其实注册课程后,每个课程视频下都有下载链接,之后持续更新),统一放到百度网盘上了:Stanford Statistical Learning 2014,需要的同学可以考虑收藏。

23. 台湾大学的机器学习基石公开课: 機器學習基石 (Machine Learning Foundations)

课程图谱群中有朋友分享了网盘信息:http://pan.baidu.com/s/1kThZi1x

24. 加州伯克利大学的计算机视觉(Computer Vision)@张鹏 提供的地址:链接: http://pan.baidu.com/s/1eQIb7rW 密码: 2tx6

25. The Hardware/Software Interface
链接: http://pan.baidu.com/s/1eS14C1s 密码: 7f9b

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/公开课可下载资源汇总

公开课笔记大盘点

网上散落了很多同学的公开课学习笔记,这里就尝试来做一些汇总和整理,也欢迎大家提供线索。

1、Coursera上Andrew Ng老师的”机器学习公开课(Machine Learning)

课程图谱上的明星课程,关注人数最多,评论最多,并且网上这门课程的笔记也是相当的多:

1)@小小人_V 同学做了一份完整的的机器学习笔记并整理成了PDF文档供大家下载:http://vdisk.weibo.com/s/J4rRX/1373287206 ,微博上大家对这份文档的赞誉有加;另外,如果想看web版,也可以在他的博客上观摩:http://www.ryanzhang.info/archives/903

2)我爱公开课上的斯坦福大学机器学习笔记,还有几课没有;

3)CSDN博客上Felven同学的机器学习笔记,可以从第一课看起:斯坦福机器学习公开课笔记(一)–单变量线性回归

4)@Rachel____Zhang 同学的笔记,可以从第一课看起:Stanford机器学习—第一讲. Linear Regression with one variable

2、Coursera上斯坦福大学Dan Jurafsky和Christopher Manning两位大牛的“自然语言处理公开课(Natural Language Processing)

这门课程的授课老师是斯坦福教授Dan Jurafsky和Christopher Manning,两位都是NLP领域的大大牛,其他不说,仅仅是他们写的书应该是很多NLPer的入门书:前者写了《自然语言处理综论》,后者写了《统计自然语言处理基础》

@王利锋Fandy 同学在我爱公开课上写了很多章节的相关笔记:斯坦福自然语言处理笔记

3、Coursera上斯坦福大学的“逻辑学导论公开课(Introduction to Logic)

还是爱学习的@小小人_V 同学分享了他的学习笔记:笔记 逻辑学导论

4、Coursera上的“异构并行编程公开课(Heterogeneous Parallel Programming)

有同学在CSDN上写了这门课程的系列学习笔记: Heterogeneous Parallel Programming(异构并行编程)学习笔记

其他的欢迎大家补充

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/公开课笔记大盘点

统计学公开课大盘点

统计学博大精深,用途广泛,是一门非常重要的基础课程。在接触了一些统计学公开课后,发现网络上还有很多的免费的在线统计学课程可以用来学习和复习相关的知识点,只是缺乏一些整理和汇总。之前课程图谱微博做了很多课程的推荐,但是发现微博上信息散落的很凌乱,不系统,所以决定在这里做一些系统的课程资源整理和汇总。第一期就选定统计学,同时也欢迎大家补充相关的没有覆盖到的课程资源,供更多的同学学习和参考。

1、Udacity的“Introduction to Statistics(统计学导论课程)

入门级课程,强烈推荐。课程对学生的数学基础要求很小,可以认为是零基础学习统计学的好课程,授课老师是斯坦福教授Sebastian Thrun,他是Udacity的创始人之一,同时作为Google Fellow, 他创办了Google X实验室,主导了Google无人驾驶汽车以及Google眼镜等革命性产品。课程本身深入浅出的介绍了统计学的大多数基本概念,只要认真回答每节课的小问题,同时认真完成homework, 包括用python写个小的统计程序,应该会大有收获。

MOOC学霸 @wzyer 对这门课程的评价是:课程本身内容很不错,涵盖了统计基本的知识点。不过也许是Udacity风格的问题吧,听完之后感觉有些不够系统。也许这门课主要面向的是无基础的人吧。

Udacity官方也提供了这门课程的视频下载链接:https://www.udacity.com/wiki/st101/downloads

另外Udacity也在Youku上建立了官方频道,这门课程对应一个专辑:Udacity公开课:ST101统计学入门 ,貌似视频不全,但是有翻译。

2、可汗学院的“Probability and Statistics(概率与统计)

入门级课程,强烈推荐。可汗老师亲自在白板上边写边讲,通俗易懂,另外一个就是它的配套练习系统了,没有一定的正确率是不让你通过的。网易公开课虽然有这门课的视频,但是缺少了练习,好像就丢了魂。虽然以前在学校里学过概率和统计,特别是后者,感觉很多基本概念没有在脑子中留下印记。这门课刚好补回了很多基本的概念。

网易公开课上将这门课程分为两个课程“概率”和“统计学”提供在线观看和视频下载,并且视频有相应的翻译,如果能再在可汗学院官方网站上做一下练习,效果会很不错:

2.1 可汗学院公开课:概率
可汗学院的概率课程通过各种生动的例子,由最基本的概率问题讲起,逐步深入讲解了概率中的一系列概念及问题,主要内容包括独立事件,相依事件,随机变量,排列,组合,概率密度函数,二项分布,期望值,大数定律以及大量的实例

2.2 可汗学院公开课:统计学
这门课是统计学入门课程,将涵盖统计学所有的主要知识,包括:随机变量、均值方差标准差、统计图表、概率密度、二项分布、泊松分布、正态分布、大数定律、中心极限定理、样本和抽样分布、参数估计、置信区间、伯努利分布、假设检验和p值、方差分析、回归分析等内容。

3、edX的伯克利统计学课程三部曲-描述统计学,概率,推荐推断

3.1 伯克利大学统计学导论-描述统计学:Introduction to Statistics: Descriptive Statistics

蒋勇NLP同学的评价: 这门课是我拿到第一张MOOC的证书,berkeley的这位女老师把统计学导论课程分为三部分,这个是第一部分,内容很简单,通过很容易,主要就是介绍统计概率最基本的知识。edx的MOOC入门课,推荐!

课程图谱花了一些时间体验了这门课程,总得评价是:

统计学博大精深,而这门伯克利统计学的入门课程可以归结为5个字:功夫在课外,或者说功夫还是要花在伯克利原生的统计学课程上。edX上的这门描述统计学课程基本上只是做了一些概括介绍,所以总共只有五周课程,而且每周课程只有2-3个视频,开始我还比较诧异,后来做练习时发现不是这回事,因为课后的练习或者作业多指向伯克利自己的统计学课程,而这门课程被 P.B. Stark教授做成了一个在线的统计学课程项目:SticiGui, 而这个在线课程上的视频,都是其在伯克利大学的统计学授课视频,长度比这里长多了。很多时候需要花时间学习这些课程再回头来做edX的作业。

edX上的这门课程的老师是Ani Adhikari ,标准的英式英语口音,貌似是P.B. Stark教授的博士生或者同事,介绍的内容很简单,主要包括直方图,均值和中位数,标准差,标准正态分布和z值,回归问题等等,视频多是做个引导,如果之前没有相关的统计学知识,需要去SticiGui上自学一下。这一点上我觉得课程做得不太好,没有在edX上形成一个闭环,虽然SticiGui非常值得推荐,但是课程的体验大打折扣。相对来说,Kehan学院的概率与统计课程以及Udacity上的统计学导论课程的体验就非常好了。

3.2 伯克利大学统计学导论-概率:Introduction to Statistics: Probability

蒋勇NLP同学评价:统计学导论的第二门课程,看课程名字就知道主要讲概率,如果说统计学导论1内容是高中或者大一上课程,这门课应该是大一下课程吧,课程内容比国内的数理统计课程要多,quiz有尝试次数限制。不得不说edx的UI做的真心赞,就是deadline不好把握,一不小心时间就过了。。。

3.3 伯克利大学统计学导论-统计推断: Introduction to Statistics: Inference

该课程将在7月份开课,值得期待和关注。

4、加州伯克利大学统计学系的在线统计学课程项目:SticiGui

“Statistics means never having to say you’re certain”

这个课程项目包括文本课程、伯克利大学课堂视频以及仿真模拟等,而且覆盖的内容广泛,项目的代码和文档可以在github上找到:SticiGui GitHub。可以认为这门课程是上面edX统计学导论三部曲的进阶或高阶课程,课程视频来源于 P.B. Stark教授的授课视频,并且以伯克利统计学的赫赫声名,相信完成这门课程后收获会非常之大。

5、国外一个统计学在线学习网站:Online Statistics Education: An Interactive Multimedia Course of Study

这是在学习可汗学院的概率统计课程时老师提到的网站,体验了一下,非常不错,包括文本(web, pdf和mobile epub版本等等),视频,问答和模拟仿真等,值得收藏。

6、斯坦福大学OpenEdx平台上的医学统计学公开课:Statistics in Medicine

@蒋勇NLP同学6月12号推荐:斯坦福的Statistics in Medicine今天开课,内容主要是统计分析的一些知识。包括:统计学概述、概论论、统计推断、p值检验、回归分析等,跟berkeley的三门统计学导论相比,侧重点应该不一样

7、加州大学伯克利分校:公共健康-数据统计分析

与上面这门医学统计学课程相似的是,在网易公开课上有一门加州伯克利大学的“公共健康-数据统计分析课程”,虽然面向的是医学和健康领域,但是主要讲的还是统计学的基础方法。值得称道的是,网易公开课上提供了部分课程的翻译和视频下载:

本课程涵盖了数据统计分析的基础内容,共四十二节课。Nicholas P. JEWELL教授主要采取ppt授课方式,让同学们更容易看到合记住知识点。并且复习起来非常方便。

8、Coursera上普林斯顿大学的“Statistics One(统计学上)

该课程去年在Coursera上开过一轮,反响很好,主讲统计学的基础知识,作业实验全部用R语言,所以关心R语言的同学也可以考虑这门课程。

9、Udacity的“Elementary Statistics(基础统计学)

从课程大纲来看这门课程难度不大,应该属于入门级的统计学课程。

10、Coursera上多伦多大学的“Statistics: Making Sense of Data

这门课程从大纲来看讲得比较基础,但是比较注重培养数据分析的感觉,用的也是R语言,并且有专门的章节讲解R语言,推荐关注统计和关注R语言的同学考虑。

11、Coursera上卫斯理大学的“Passion Driven Statistics

不知道怎么翻译了,难道是“激情驱动的统计学”?不过从大纲来看,这门课程更关注统计学在数据分析上的应用,使用的统计学软件是SAS统计分析工具,关注SAS的同学也可以关注这门课程。

12、网易公开课上的“哈里斯堡社区大学公开课:统计学入门

看了一下大纲,这门课程还是相当基础的,属于入门级的统计学课程,网易公开课一如既往的提供翻译和视频下载,功德无量,不过这门课程正在翻译中。

课程介绍:本课程的话题包括描述和总结图表及数字数据,概率,分销,参数估计,重要性估计,以及二变量数据探究。

13、网易公开课上的“统计学:数据图像化

这门课程应该属于TED的一个“数据可视化”系列演讲,称不上课程,但是看了几个视频之后,绝对会加深你对统计学的认识和兴趣。

通过优雅、生动的演讲,TED的演讲者们将海量的数据拆解,让数据变得变得简单易懂,甚至令人兴奋。这门课程将教会你如何将数据视觉化,优雅、引人入胜地呈现这些复杂的统计结果。

14、网易公开课上的“巴黎高等商学院公开课:决策统计学

这门课程应该属于统计学应用的范畴,虽然是法语讲得,但是觉得有翻译,应该还能看看,不过尝试看了一下视频后,发现PPT也是法语,所以比较适合学习法语同时对统计学感兴趣的同学。

课程介绍:这门课帮助学员熟悉帮助企业进行决策的统计方法的原理和原则。课程包含:海量数据组织/数据总结方法或者数据视图化方法。这种方法会帮助学员更好理解课程所研究理论。数据处理方法经常被用到人力资源管理和经济市场中用来帮助进行总结和决策。针对现实对象进行数学建模理论,在金融市场、会计和经济中经常会用到这种措施。

15、Coursera上的中文课程 “概率

由台湾大学叶丙成教授授课,8月份开课,课程简介很有意思:“我们的作业将搭配台大电机系所开发的多人竞技线上游戏方式,让同学在游戏中快乐的学习,快速培养同学们对于概率的洞察力与应用能力”

16、Coursera上约翰霍普金斯大学推出的”Mathematical Biostatistics Boot Camp

面向生物统计学,主讲概率和统计的基础知识:Topics include probability, random variables, distributions, expectations, variances, independence, conditional probabilities, likelihood and some basic inferences based on confidence intervals.

17、上一门课程的姊妹课:Mathematical Biostatistics Boot Camp 2

主要包括假设检验,卡方检验,Fisher精确检验,非参数检验等更深入一些的统计学知识点:Learn fundamental concepts in data analysis and statistical inference, focusing on one and two independent samples.

目前主要关注的是国外统计学公开课资源,如果你还有其他不错的统计学公开课资源和链接,欢迎推荐到这里,这里会进一步丰富和整理相关的课程信息。

注:原创文章,转载请注明出处“课程图谱博客”:blog.coursegraph.com

本文链接地址:http://blog.coursegraph.com/统计学公开课大盘点