分类目录归档:在线教育

Deep Learning Specialization on Coursera

Geoffrey Hinton 大神面向机器学习的神经网络公开课及相关视频资料

Geoffrey Hinton 大神的”面向机器学习的神经网络(Neural Networks for Machine Learning)“公开课早在2012年就在 Coursera 上开过一轮,之后一直沉寂,直到 Coursera 新课程平台上线,这门经典课程已开过多轮次,之前我们在《深度学习课程资源整理》隆重推荐过。

1月15日,Geoffrey Hinton 大神在twitter上宣布:

My Coursera MOOC “Neural Networks for Machine Learning” was prepared in 2012 and is now seriously out of date so I have asked them to discontinue the course. But the lectures are still a good introduction to many of the basic ideas and are available at https://www.cs.toronto.edu/~hinton/coursera_lectures.html

大意是这门在Coursera上的MOOC课程是在2012年准备的,现在有点过时了,所以要求他们(Coursera)停止提供这门课程。但是这门深度学习课程依然是介绍神经网络相关基础概念的好资料,所以课程视频依然保留在多伦多大学hinton大神的主页下,感兴趣的同学可以直接观看:https://www.cs.toronto.edu/~hinton/coursera_lectures.html

我试了一下Coursera,发现如果之前注册过,还能打开这门课程,但是一旦是非登录状态后,这门课程已经无法在Coursera上找到了:

https://www.coursera.org/learn/neural-networks

这样稍微有点遗憾,不能在Coursera上做相关的Quiz,感兴趣的同学可以参考课程图谱上早期关于这门课程的评论:

http://coursegraph.com/coursera_neuralnets

“宗派大师+开拓者直接讲课,秒杀一切二流子!”

“巨牛级别的人物来开课,我也不说啥了。”

“还有什么好说的呢?Deep Learning必修课程啊!”

该课程最后在Coursera上开课的时间大概在2018年11月份:

http://coursegraph.com/coursera-neural-networks

最后,如果你觉得访问多伦多Hinton教授主页那个教程页面不方便,这里提供早期从Coursera上下载的课程版本,包括视频、PPT、英文字幕等,关注AINLP公众号,回复“hinton”获取:

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:Geoffrey Hinton 大神面向机器学习的神经网络公开课及相关视频资料 http://blog.coursegraph.com/?p=985

如何学习机器学习:机器学习该怎么入门

首先你要学好英语,因为英文世界的相关资料更加丰富和原创。

其次你得有一定的数学基础,如果你觉得微积分、线性代数和概率统计这些基础课程没有时间回顾的话,那么推荐机器学习强相关的一门课和一本书:

1)面向机器学习的数学课程(Mathematics for Machine Learning Specialization)
http://coursegraph.com/coursera-specializations-mathematics-machine-learning

伦敦帝国理工学院的面向机器学习的数学专项课程系列(Mathematics for Machine Learning Specialization),该系列包含3门子课程,涵盖线性代数,多变量微积分,以及主成分分析(PCA),这个专项系列课程的目标是弥补数学与机器学习以及数据科学鸿沟,感兴趣的同学可以关注:Mathematics for Machine Learning。Learn about the prerequisite mathematics for applications in data science and machine learning

2)机器学习中的数学(https://mml-book.github.io/):新书,看章节安排的很合理。

如果想学习更多的数学课程打基础,这里有:

3) Coursera上数学类相关课程(公开课)汇总推荐

除了数学基础,你还应该有一定的编程基础,如果你还是编程小白,那么推荐从Python入门:

4)Coursera上Python课程(公开课)汇总推荐

当然,一定的数据结构和算法接触还是要有的:

5)Coursera上数据结构 & 算法课程(公开课)汇总推荐

然后重点推荐推荐2门机器学习入门课程:

6) 还是首推Andrew Ng老师的机器学习课程了:http://coursegraph.com/coursera_ml

7) 其次是最近比较火的fast.ai的课程:fast.ai 新课程:面向程序员的机器学习导论(Introduction to Machine Learning for Coders)

不过到了这里,也只是入门而已,你需要动手做相关的项目,如果没有项目,我推荐你去参加一下类似Kaggle的项目。如果想更深入的学习更多的机器学习课程,这里有一份Coursera课程汇总:

8)Coursera上机器学习课程(公开课)汇总推荐

最后,如果想更进一步,学习深度学习,依然首推Andrew Ng的深度学习专项课程

9)Deep Learning Specializationhttp://coursegraph.com/coursera-specializations-deep-learning

再奉上一份更详细的深度学习课程资源,仅供参考:

10)深度学习课程资源整理

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/如何学习机器学习-机器学习该怎么入门 http://blog.coursegraph.com/?p=904

Coursera上博弈论相关课程(公开课)汇总推荐

博弈论(Game Theory)很有意思,大家可能首先想到的就是赌博,据说博弈论最早源于赌博策略和数学,下面是来自维基百科的解释:

博弈论(英语:game theory),又译为对策论,或者赛局理论,应用数学的一个分支,1944年冯·诺伊曼与奥斯卡·摩根斯特恩合著《博弈论与经济行为》,标志着现代系统博弈理论的的初步形成,因此他被称为“博弈论之父”。博弈论被认为是20世纪经济学最伟大的成果之一。目前在生物学、经济学、国际关系、计算机科学、政治学、军事战略和其他很多学科都有广泛的应用。主要研究公式化了的激励结构(游戏或者博弈)间的相互作用。是研究具有斗争或竞争性质现象的数学理论和方法。也是运筹学的一个重要学科。

作为互联网广告研发人员,应该或多或少了解一点计算广告学,其中支撑Google, 百度等互联网巨头广告业务的竞价排名机制的核心之一就是博弈论。另外经济学中有很多博弈论的影子,电影“美丽心灵”中的主角数学家约翰纳什,由于他与另外两位数学家在非合作博弈的均衡分析理论方面做出了开创性的贡献,对博弈论和经济学产生了重大影响,而获得1994年诺贝尔经济学奖,纳什均衡则是博弈论课程中不可或缺的一节课。Coursera上有好几门博弈论(Game Theory)相关的课程,这里做个汇总整理。

1. 斯坦福大学的 博弈论(Game Theory)

这门课程早在Coursera诞生之初就有了,后经多次优化,现在有上和下两个部分,这门课程属于博弈论上,重在博弈论基础,需要学习者有一定的数学思维和数学基础,例如基础的概率理论和一些微积分基础知识:

This course is aimed at students, researchers, and practitioners who wish to understand more about strategic interactions. You must be comfortable with mathematical thinking and rigorous arguments. Relatively little specific math is required; but you should be familiar with basic probability theory (for example, you should know what a conditional probability is), and some very light calculus would be helpful.

2. 斯坦福大学的 博弈论二: 高级应用(Game Theory II: Advanced Applications)

上门博弈论课程的续集,关注博弈论的应用,包括机制设计,拍卖机制等:

Popularized by movies such as “A Beautiful Mind”, game theory is the mathematical modeling of strategic interaction among rational (and irrational) agents. Over four weeks of lectures, this advanced course considers how to design interactions between agents in order to achieve good social outcomes. Three main topics are covered: social choice theory (i.e., collective decision making and voting systems), mechanism design, and auctions. In the first week we consider the problem of aggregating different agents’ preferences, discussing voting rules and the challenges faced in collective decision making. We present some of the most important theoretical results in the area: notably, Arrow’s Theorem, which proves that there is no “perfect” voting system, and also the Gibbard-Satterthwaite and Muller-Satterthwaite Theorems. We move on to consider the problem of making collective decisions when agents are self interested and can strategically misreport their preferences. We explain “mechanism design” — a broad framework for designing interactions between self-interested agents — and give some key theoretical results. Our third week focuses on the problem of designing mechanisms to maximize aggregate happiness across agents, and presents the powerful family of Vickrey-Clarke-Groves mechanisms. The course wraps up with a fourth week that considers the problem of allocating scarce resources among self-interested agents, and that provides an introduction to auction theory.

3. 东京大学的 博弈论入门课程(Welcome to Game Theory)

入门级博弈论课程,由东京大学推出,英文授课:

This course provides a brief introduction to game theory. Our main goal is to understand the basic ideas behind the key concepts in game theory, such as equilibrium, rationality, and cooperation. The course uses very little mathematics, and it is ideal for those who are looking for a conceptual introduction to game theory. Business competition, political campaigns, the struggle for existence by animals and plants, and so on, can all be regarded as a kind of “game,” in which individuals try to do their best against others. Game theory provides a general framework to describe and analyze how individuals behave in such “strategic” situations. This course focuses on the key concepts in game theory, and attempts to outline the informal basic ideas that are often hidden behind mathematical definitions. Game theory has been applied to a number of disciplines, including economics, political science, psychology, sociology, biology, and computer science. Therefore, a warm welcome is extended to audiences from all fields who are interested in what game theory is all about.

4. 佐治亚理工学院的 组合博弈论(Games without Chance: Combinatorial Game Theory)

这门课程主要关注组合博弈论,覆盖不靠运气游戏背后的数学理论和分析:This course will cover the mathematical theory and analysis of simple games without chance moves.

本课程将讲解如何运用数学理论,分析不含运气步骤(随机步骤)的简单游戏。本课程将探索不含运气步骤(随机步骤)的两个玩家游戏中的数学理论。我们将讨论如何简化游戏,什么情况下游戏等同于数字运算,以及怎样的游戏才算公正。许多例子都是有关一此简单的游戏,有的你可能还没有听说过:Hackenbush(“无向图删边”游戏)、Nim(“拈”游戏)、Push(推箱子游戏)、Toads and Frogs(“蟾蜍和青蛙”游戏),等。虽然完成这门课程并不能让你成为国际象棋或围棋高手,但是会让你更深入了解游戏的结构。

5. 国立台湾大学的 实验经济学: 行为博弈论 (Experimental Economics I: Behavioral Game Theory)

台湾大学王道一副教授 (Associate Professor)的实验经济学课程-行为博弈论:

人是否会如同理论经济学的预测进行决策?这门课将透过每周的课程视频以及课后作业带你了解实验经济学的基本概念。每周将会有习题练习以及指定阅读的期刊论文。你将会参与一些在线的实验、报告论文并且互评其他同学的报告。❖课程介绍(About the course)这是一门进阶的经济学课程,课程目标为介绍实验经济学的基本概念,并且让学生们能开始在这个领域从事自己的相关研究。详细课程目标如下:1.实验经济学的介绍:在上完这堂课之后,学生应能列举经济学各个领域的数个知名实验,并且解释实验结果如何验证或否证经济理论及其他实地数据。2.评论近期相关领域研究:上完这堂课之后,学生应能阅读并评论实验经济学相关的期刊论文。在课堂中,学生将会阅读指定的期刊论文,并且(在视频中)亲自上台报告一篇论文。❖授课形式(Course format)1.本堂课将以视频的形式为主,搭配课后作业的形式来进行。每个同学将阅读一篇实验经济学论文,并录像成两段各10分钟的介绍视频并后上传至Coursera(或上传到Youku,再复制连接到作业上传区)。第一段期中报告视频请同学介绍该论文所描述的实验设计,第二段,也就是期末报告视频则介绍实验结果。此外每位同学至少需观看其他两位同学的呈现内容,并给予评论。2.这堂课将简单地运用以下赛局(博弈)概念:奈许均衡/纳什均衡(Nash Equilibrium)混合策略均衡(Mixed Strategy Equilibrium)子赛局完美均衡/子博弈精练纳什均衡(SPNE)共识/共同知识(Common Knowledge)信念(Belief)

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/coursera上博弈论课程博弈论公开课汇总推荐 http://blog.coursegraph.com/?p=782

Coursera上数据结构 & 算法课程(公开课)汇总推荐

数据结构和算法是基本功,Coursera上有很多数据结构和算法方面的经典课程,这里做个总结。

1. 普林斯顿大学 Sedgewick 教授的 算法1: Algorithms, Part I

这门算法课程已经开过很多轮,好评如潮 ,应该算得上是 Coursera 上的明星算法课程了,感兴趣的同学可以参考课程图谱上的旧版 课程评论,强烈推荐:

This course covers the essential information that every serious programmer needs to know about algorithms and data structures, with emphasis on applications and scientific performance analysis of Java implementations. Part I covers elementary data structures, sorting, and searching algorithms. Part II focuses on graph- and string-processing algorithms.

2. 普林斯顿大学 Sedgewick 教授的 算法2: Algorithms, Part II

系列课程,依然强烈推荐,感兴趣的同学可以参考早期课程的评价:http://coursegraph.com/coursera_algs4partII

“Part II较Part I在部分Programming Assignments上增加了timing和memory的难度,API100%不再意味着全部100%,这正是这门课程的精华之处:不是灌输算法知识,而是通过实际操作的过程让学员深入理解数据结构和算法调优在经济上的意义。个人很喜欢论坛上大家在Performance Thread里贴出自己的report然后交流优化心得的过程,很有圆桌会议的架势。这门课的教授Robert Sedgewick师出名门,是Knuth在斯坦福的博士。老爷子年岁已近70,一直活跃在论坛上解答和讨论问题,敬业程度让人赞叹。”

This course covers the essential information that every serious programmer needs to know about algorithms and data structures, with emphasis on applications and scientific performance analysis of Java implementations. Part I covers elementary data structures, sorting, and searching algorithms. Part II focuses on graph- and string-processing algorithms.

3. 斯坦福大学的 算法专项课程(Algorithms Specialization)

斯坦福大学的算法专项课程系列(Algorithms Specialization),这个系列包含4门子课程,涵盖基础的算法主题和高级算法主题,此前评价非常高,五颗星推荐,感兴趣的同学可以关注: Learn To Think Like A Computer Scientist-Master the fundamentals of the design and analysis of algorithms.

Algorithms are the heart of computer science, and the subject has countless practical applications as well as intellectual depth. This specialization is an introduction to algorithms for learners with at least a little programming experience. The specialization is rigorous but emphasizes the big picture and conceptual understanding over low-level implementation and mathematical details. After completing this specialization, you will be well-positioned to ace your technical interviews and speak fluently about algorithms with other programmers and computer scientists. About the instructor: Tim Roughgarden has been a professor in the Computer Science Department at Stanford University since 2004. He has taught and published extensively on the subject of algorithms and their applications.

可参考老版课程评论:Algorithms: Design and Analysis, Part 1Algorithms: Design and Analysis, Part 2

3.1 Divide and Conquer, Sorting and Searching, and Randomized Algorithms

The primary topics in this part of the specialization are: asymptotic (“Big-oh”) notation, sorting and searching, divide and conquer (master method, integer and matrix multiplication, closest pair), and randomized algorithms (QuickSort, contraction algorithm for min cuts).

3.2 Graph Search, Shortest Paths, and Data Structures

The primary topics in this part of the specialization are: data structures (heaps, balanced search trees, hash tables, bloom filters), graph primitives (applications of breadth-first and depth-first search, connectivity, shortest paths), and their applications (ranging from deduplication to social network analysis).

3.3 Greedy Algorithms, Minimum Spanning Trees, and Dynamic Programming

The primary topics in this part of the specialization are: greedy algorithms (scheduling, minimum spanning trees, clustering, Huffman codes) and dynamic programming (knapsack, sequence alignment, optimal search trees).

3.4 Shortest Paths Revisited, NP-Complete Problems and What To Do About Them

The primary topics in this part of the specialization are: shortest paths (Bellman-Ford, Floyd-Warshall, Johnson), NP-completeness and what it means for the algorithm designer, and strategies for coping with computationally intractable problems (analysis of heuristics, local search).

4. 北京大学的 程序设计与算法专项课程系列

据说是国内学生选择最多的中文程序设计课程,这个系列包含7门子课程,分别是计算导论与C语言基础, C程序设计进阶 ,C++程序设计, 算法基础, 数据结构基础, 高级数据结构与算法, 程序开发项目实践,最后一个项目实践课程联合腾讯公司设计一个实际的应用问题:搜索引擎设计。感兴趣的同学可以关注:

本专项课程旨在系统培养你的程序设计与编写能力。系列课程从计算机的基础知识讲起,无论你来自任何学科和行业背景,都能快速理解;同时我们又系统性地介绍了C程序设计,C++程序设计,算法基础,数据结构与算法相关的内容,各门课之间联系紧密,循序渐进,能够帮你奠定坚实的程序开发基础;课程全部配套在线编程测试,将有效地训练和提升你编写程序的实际动手能力。并通过结业实践项目为你提供应用程序设计解决复杂现实问题的锻炼,从而积累实际开发的经验。因此,我们希望本专项课程能够帮助你完成从仅了解基本的计算机知识到能够利用高质量的程序解决实际问题的转变。

5. 加州大学圣地亚哥分校的 数据结构与算法专项课程系列(Data Structures and Algorithms Specialization)

这个系列包含5门子课程和1门毕业项目课程,包括算法工具箱,数据结构 ,图算法,字符串算法 ,高级算法与算法复杂度,算法毕业项目 等,感兴趣的同学可以关注: Master Algorithmic Programming Techniques-Learn algorithms through programming and advance your software engineering or data science career

This specialization is a mix of theory and practice: you will learn algorithmic techniques for solving various computational problems and will implement about 100 algorithmic coding problems in a programming language of your choice. No other online course in Algorithms even comes close to offering you a wealth of programming challenges that you may face at your next job interview. To prepare you, we invested over 3000 hours into designing our challenges as an alternative to multiple choice questions that you usually find in MOOCs. Sorry, we do not believe in multiple choice questions when it comes to learning algorithms…or anything else in computer science! For each algorithm you develop and implement, we designed multiple tests to check its correctness and running time — you will have to debug your programs without even knowing what these tests are! It may sound difficult, but we believe it is the only way to truly understand how the algorithms work and to master the art of programming. The specialization contains two real-world projects: Big Networks and Genome Assembly. You will analyze both road networks and social networks and will learn how to compute the shortest route between New York and San Francisco (1000 times faster than the standard shortest path algorithms!) Afterwards, you will learn how to assemble genomes from millions of short fragments of DNA and how assembly algorithms fuel recent developments in personalized medicine.

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/coursera上数据结构-算法课程-算法公开课-汇总推荐 http://blog.coursegraph.com/?p=736

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9月份MOOC部分热门课程汇总

又到了一年的开学季,几大MOOC平台又有不少质量很高的课程轮番推出,本文将对9月已经或者即将开设的偏向计算机科学类的课程进行一个简单的选择和汇总,各位可以从中选取自己感兴趣的课程。

Coursera:

1. 杜克大学的 Data Analysis and Statistical Inference

本课讲授比较基础的统计学,但不同于传统的统计学内容,本课将很大一部分精力用在锻炼学生的实际动手能力。部分课程练习是在一个叫“DataCamp”的平台上完成的,力求学生能够通过实际练习解决现实中的问题。

2. 斯坦福大学的 Automata

本课属于比较传统的计算机科学理论课程,讲授了计算理论和复杂度方面的内容,讲师是个传奇人物,对纯粹的计算理论感兴趣的朋友不要错过这门课程。

3. 加州理工学院的 The Caltech-JPL Summer School on Big Data Analytics

本课不同于一般的课程,由一系列的讲座组成,讲述了数据分析领域的一些常用概念,属于比较偏向实务的课程。本课没有限制时间,也没有作业和证书。

4. 普林斯顿大学的 Algorithms, Part I

普林斯顿的数据结构是一门很有口碑的课程,本课的内容作为普林斯顿大学翻转课堂的材料,课程的内容和作业和该校校内基本一致。对于算法和数据结构感兴趣的朋友,这门课是非常不错的选择。唯一遗憾的是课程不提供证书。

5. 香港中文大学的 Information Theory

目前互联网上关于信息论的课程屈指可数,本课是为数不多系统讲授信息论的课程,感兴趣的朋友可以了解一下。

6. 台湾大学的 計算機程式設計 (Computer Programming)

这门课程是台湾大学计算机专业的基础课程,在台大拥有很好的口碑。课程用C语言教授,内容和国内大部分学校同类课程相似,初学计算机编程的同学不要错过这门华语课程。

7. 佐治亚理工学院的 Computational Investing, Part I

本课讲授基础的量化投资概念,属于比较偏向实务的课程。课程内容本身其实没有难度,面向有一定编程基础的同学。

8. 北京大学的 Introduction to Computing 计算概论A

来自北京大学的计算概论是又一门关于计算机基础理论的课程,适合对计算机编程感兴趣的同学作为入门课程。

9. 莱斯大学的 An Introduction to Interactive Programming in Python

又是一门关于计算概论的课程,本课通过一步步制作一款小游戏的方式,逐步介绍编程的基本概念。本课在世界范围内获得了极高的评价,不同于国内计算导论的课程,本课使用容易上手的Python语言,相信对于初学编程的同学来说这门课程将是非常棒的选择。

10. UCSD的 Bioinformatics Algorithms (Part 1)

这是一门关于生物信息学的课程,不需要生物学的背景知识,如果之前修习过算法的同学会觉得这门课程非常亲切。该课属于算法在生物学中的应用,通过本课可以提升自己的编程技巧。

11. EPFL的 Functional Programming Principles in Scala

EPFL的这门课程之前已经在Coursera上开设多轮,也是很多人初次接触Scala甚至是函数式编程的启蒙课程。课程的讲师是Scala的发明人,经典的课程再次启程。

12. 马里兰大学的 Usable Security

本课是马里兰大学在Coursera上开设的“Cybersecurity”系列的第一门课程,主要讲述从产品角度如何涉及一个安全的软件和系统。对安全领域感兴趣的朋友不要错过这门课程。

13. 北京大学的 操作系统与虚拟化安全

来自北大的操作系统课程,对操作系统以及安全领域感兴趣的朋友可以关注一下这门课程。

14. 斯坦福大学的 Machine Learning

虽然本课的讲师Andrew Ng已经离开Coursera加入百度,成为百度首席科学家,但是他给世界上对机器学习感兴趣的人留下的财富至今延续。经典的课程无需多做解释。

15. 台湾大学的 機器學習基石 (Machine Learning Foundations)

原汁原味的机器学习课程,在Coursera上的本课与台湾大学的线下课程同步。有一定难度,但如果坚持学习下来将会受益匪浅。

16. 斯坦福大学的 Mining Massive Datasets

据说该课原来属于斯坦福大学的收费在线课程,如今搬到了Coursera上免费提供给全世界。本课讲授了大数据技术的方方面面,对于数据分析感兴趣的朋友一定不要错过这门课程。

edX:
1. 清华大学的 电路原理 (开课时间:9.15)

本课是首批华语MOOC课程之一,一经上线便好评如潮。目前互联网上已经有数门关于电路原理的课程,包括MIT的6.002X。本课拥有与6.002X相媲美的质量,是国内大学生学习电路原理的不二选择。

2. 清华大学的 数据结构 (开课时间:9.16)

清华大学的数据结构一经上线便受到了一致的好评,课程内容接近清华校内线下课程的难度,推荐给渴望接触到国内最高学府知识的同学。

3. 比利时UCL大学的 Paradigms of Computer Programming – Fundamentals (开课时间:9.22)

这是一门关于编程范式的课程,对于日后期望从事软件开发或者在职工程师而言,这门课程能够为日后的开发生涯打下扎实的基本功。

4. 香港科技大学的 A System View of Communications: From Signals to Packets (Part 1) (开课时间:9.23)

本课是香港科技大学电气工程专业(EE)的第一门专业基础课程,对电子通信感兴趣的朋友不要错过这门课程。

5. 加州理工学院的 Learning From Data (开课时间:9.25)

本课的讲师和台湾大学机器学习课程的林轩田老师有很深的渊源,前者是后者的导师。本课制作精良,内容有深度,与台大的机器学习有相当的重合度。

6. 北京大学的 魅力机器人 | The Fascinating World of Robots and Robotics (开课时间:9.30)

来自北京大学的机器人课程,对机器人领域感兴趣的朋友可以关注一下这门课程。

2014年4月份MOOC部分热门课程汇总

近期MOOC的内容呈现出爆炸式的增长,各式各样的课程让人应接不暇。本文将对各大平台4月份预计比较热门的课程进行简单的汇总,各位可以根据自身的需求挑选合适的课程。

Coursera平台:

1. 美国西北大学的Everything is the Same: Modeling Engineered Systems 将于4月6日开课。本课主要讲述一些简单的物理工程实例,对物理学、工程学感兴趣的朋友可以关注。同时这门课程中会穿插Matlab和Python的内容,适合懂得一点编程的朋友。

2.马里兰大学的Exploring Quantum Physics将于4月7日开课,本课讲述的是量子物理。目前讲述量子物理方面的课程还不多,这门课或许是个不错的选择

3. 约翰霍普金斯大学的Getting and Cleaning Data将于4月7日开课。本课属于约翰霍普金斯大学 Data Science Specialization(“微专业”)的一部分

4.约翰霍普金斯大学的R Programming将于4月7日开课。本课属于约翰霍普金斯大学 Data Science Specialization(“微专业”)的一部分,R语言日益成为数据分析领域的首选工具,本门课程可以作为对这个工具入手的入门课程。

5. 约翰霍普金斯大学的The Data Scientist’s Toolbox将于4月7日开课。本课属于约翰霍普金斯大学 Data Science Specialization(“微专业”)的一部分,主要介绍了目前数据分析中会经常用到的工具,例如:Github,  MarkDown, R Console, R Studio等等

6. 上海交通大学的“唐诗宋词人文解读”将于4月8日开课。课程从喜闻乐见的唐诗宋词入手,触摸一段历史与一群文人的体温,领悟人生旅途的趣味和智慧。

7. 上海交通大学的“媒介批评:理论与方法”将于4月8日开课。“媒介批评”是现代大众传播学的重要分支,简单而言,就是批评媒介,是 对大众传播媒介本身进行批评,属于应用传播学的研究领域。

8. 密歇根大学的Programming for Everybody将于4月10日开课。在众多编程基础课中这门课属于新的成员,适合编程零基础的朋友。

9. 慕尼黑大学的Competitive Strategy将于4月11日开课:

@ototsuyume:

其实就是简单易懂的博弈论入门,课程量少老师讲得作业难度不高而且每道题都有说明,大概是大学里面公共通选课的难度,有空可以看看

10.科罗拉多大学博尔德分校的Physics 1 for Physical Science Majors将于4月14日开课。本课属于比较传统的大学物理,之前获得了不错的反响

11.慕尼黑大学的Introduction to Mathematical Philosophy将于4月14日开课。在现代的哲学研究中越来越多的需要思考很多底层的问题,在这期间免不了需要思考很多数学层面的问题,本课推荐给对数学或哲学领域感兴趣的朋友。

12.匹兹堡大学的Warhol将于4月21日开课。出生于匹兹堡市的Andy Warhol是20世纪最伟大的艺术家之一,波普艺术的创始人,对当代的艺术和文化产生了巨大的影响。本课将介绍Andy Warhol的生平和作品,让大家一睹大师的风采。

13.香港中文大学的“中國人文經典導讀”将于4月24日开课。本課程是以四堂演講的方式,分別討論中國文化的四個主要面向,彙文學、歷史、哲學、藝術于一爐。每一個主題以一篇或兩篇經典文本爲基礎,指導學生如何精讀作品,學習以欣賞和批判的雙重角度重新解讀經典,同時獲得對中國文字的陶冶和享受。它本爲大學一年級學生所設,但不限於中文系本科專業,希能為學生鑒賞中國傳統文化開啟新的視野。

14.瑞士洛桑联邦理工学院(EPFL)的Functional Programming Principles in Scala将于4月25日开课。本课之前几轮获得了极高的评价,主要通过Scala语言讲述函数式编程的思想。本课的讲师正是Scala语言的发明人。

15. 斯坦福大学的Algorithms: Design and Analysis, Part 1将于4月29日开课:

@超級現實的超現實理想主義者:

这门课对我的影响非常大,直接改变了我的思维方式,并且为日后的学习打下了很好的基础。

edX平台

1. MIT的Street-Fighting Math将于4月8日开课。如同街头打架一样,不论你使用什么招式,打架的唯一目的就是寻求胜利。各位接受了多年“严谨”的数学教育,不妨感受一下“Quick and Dirty”的数学方法。

2.哈佛大学的Justice将于4月8日开课。这门“公正”课早在MOOC出现之前就已经红遍国内互联网,想要重温或者学习这门经典课程的朋友不妨关注一下这门MOOC形式呈现的课程。

3.京都大学的The Chemistry of Life将于4月10日开课。该课属于化学和生物的入门课程。

学堂在线:

1. 清华大学的组合数学将于4月10日开课。随着计算机科学的发展,组合数学在这段时间里获得了极大的发展。不同于传统数学领域侧重于“连续”层面,组合数学解决的是“离散”层面的问题。本课将从基础的排列组合开始,逐步深入了解计数问题的不同解决思路,通过对现实生活中计数问题的演绎和学生们共同体会组合计数问题不断抽象深入的挖掘过程,引导学生共同感受数学知识的精妙,从而深入理解组合数学对计算机理论发展的推动作用。

2. 加州大学伯克利分校的云计算与软件工程—第一部分将于4月21日开课。本课的讲师是软件工程和计算机科学领域的大牛,课程主要通过Ruby on Rails等目前热门的互联网开发技术阐述诸如“云计算”、“敏捷开发”等软件工程领域热门的主题。

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: http://blog.coursegraph.com/2014年4月份mooc部分热门课程汇总

数据分析公开课汇总

数据分析是如今非常热门的话题之一,课程图谱为此简单整理一下目前(2014年初)在MOOC平台上有关数据挖掘方面的公开课程。
Coursera

1.  Johns Hopkins University的Data Analysis 该课通过R语言讲授数据分析的技巧:

@Cloga在路上:很好的一门课程,用R为工具讲了数据分析挖掘的一些算法和实例。

2. University of Washington的Computational Methods for Data Analysis 该课为课堂录像,通过MOOC的形式进行组织,讲师Nathan Kutz讲课生动、幽默,但是该课不足之处是课程不提供证书激励且几乎没有课程工作人员参与讨论,属于自助性质的课程。

3. University of Washington的Scientific Computing:科学计算是很多工程应用领域的基础课程,该课的讲师同样为Nathan Kutz,课程形式与上一门Computational Methods for Data Analysis基本一致。

4. University of Toronto的Statistics: Making Sense of Data

@Mavlarn008:就像这门课的标题“making sense”一样,这门课最好的地方就是让你对统计有”感觉”。虽然讲的比较简单,但是对于理解这些概念非常有用。 最后那个大胡子还自弹自唱一首他自创的有关这门课的歌,也很有意思。

5. University of Washington的Introduction to Data Science

@Cloga在路上:很好的一门课,尤其对于我这种初学者,老师讲的面很广,涉及了数据科学的很多方面。
不足之处是课程内容过多有些内容讲的很匆忙,比如数据可视化这个部分,大家普遍反馈讲的有点水,Graph那部分也有点水。
比较好玩的是,课程结束后Bill好像有些事情,拖了一段时间才给出分数,大家在课程论坛上各种吐槽,无比欢乐。

@伟伟酱说:正如老师开始所讲的,这门课的目的只是让你成为advanced beginer,课程内容涵盖了数据库(SQL,NoSQL),MapReduce,基本的数值分析,机器学习,数据可视化。类似于另外一门课Web intelligence and big data,两者都应该算是入门型课程,学生想要深入学习的话可以选择其他专门的课程。
有人认为老师讲课枯燥,你总不能指望每个老师把数学课讲的有历史课那么有趣吧~

@钛合金蛙眼: 希望和失望并存。。。课程内容结构很好,讲的不好;作业很赞,对有一定基础的人不难,但入门的同学可能还是有困难。如果只是想粗浅了解课程各个topic的,跟着做作业就不错,想深入还需自学

6. Columbia University的Big Data in Education:该课讨论的是将数据分析的技巧运用于教育领域

7. Johns Hopkins University的Computing for Data Analysis

@宋鑫要学习:想入门R语言的可以听听。我自己之前有看过一些R的入门书籍,但是总感觉云里雾里,这门课让我感觉自己摸着点门道

@Puriney:这门课更确切说确实是R语言指南,很多实用并且系统地把R用法娓娓道来,没有啥算法,因此可能有人觉得不象一门综合大学的课程而更象蓝翔技校般的技能课。我想跟当时课程开课有一定关系,当时我记得是这门4周课时的课(很精简了)先开(Roger Peng主讲),结束之后马上接着便是Roger Peng的好基友Jeff Leek (他们都是http://simplystatistics.org/博客的共同博主)讲的Data Analysis。Jeff的这门课就更加复杂,作业里有更多计算成分在,就不那么“技校”了。 p.s. 这是我唯一一门上完不那么费脑力的课(相比那些算法的课)。Jeff的这门我没有坚持到底,当时我很讨厌“互相批改”的评分制度(如果没记错)

@要有光LTBL:R讲的挺好的,一直在用但是知识体系并不是很系统。这门课还是讲得不错的。。。

@wzyer:这门课就应该叫作R使用手册。全是R的语法与应用,有些让我失望。语法什么的太琐碎,很容易遗忘,放到课上讲太多语法个人以为不妥。

 

8. Stanford University的StatLearning: Statistical Learning:名著The Elements of Statistical Learning: Data Mining, Inference, and Prediction(ESL)的作者Trevor Hastie和Rob Tibshirani开设的课程,本课的配套教材An Introduction to Statistical Learning: with Applications in R在美国亚马逊上获得了极高的评价,在课程中该教材将会免费对外开放

9.Duke University的Data Analysis and Statistical Inference:该课将会由R语言讲授统计学和数据分析方面的内容,欢迎关注

Udacity
Udacity近期与企业界合作推出了一些数据分析领域的课程,课程内容本身对外公开免费,但如果需要获得证书以及专门的在线辅导的话则需要支付一定的费用。
1. Introduction to Hadoop and MapReduce:

@ziyoudefeng: 这门课程太简单了,google搜索 mapreduce PPT 出来的这些PPT,看上几个也都抵上这三节课了。不过,总共也就3节课,听听也无妨。讲的内容很初级,小白用户可以网上的讲义加视频一起学习!

2. Introduction to Data Science

3. Data Wrangling with MongoDB

4. Exploratory Data Analysis

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:http://blog.coursegraph.com/数据分析公开课汇总

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

数学基础公开课汇总

良好的基础是成功的一半。在如今这个时代,数学成为人们社会运行中不可缺少的组成部分,拥有良好的数学基础就等于为自己创造了更多可能,使得人们可以有足够的资本在这个变化繁杂的社会里来调转方向。

大学里有三门数学课是绝大部分专业的学生必修的,分别是:微积分、线性代数、概率统计。课程图谱本次就为这三门课罗列一下目前(2013年)几大MOOC平台收录的相关课程。

微积分公开课
1. 俄亥俄州立大学的Calculus One 是一门口碑非常不错的课程,讲师表情丰富、讲解投入,深得学员的欢迎:

@基佬的愛__ 同学评价“这门 Calculus One 内容比较基础,没有讲拓扑,没有涉及多变量函数,所有的讨论都是在 R 上进行的,差不多等于国内工科高数上的简化版。Jim Fowler 讲课很清楚,耐心很好,推导从来不跳步骤,很显然的步骤也写出来(其实我上过的所有的数学系教授教的 MOOC 的都是这样的),有时候我都有点不耐烦了,所以你跟着他上下来肯定能把这部分内容掌握好。我觉得学过一些函数的高中生甚至初中生就能听懂。印象中每周都会有一两个 lecture 是在室外进行实验。Jim 还提供了一本自己写的教材,教材写的要比他上课讲的严格一些,他上课讲的比较直观、稍欠严谨,可能是希望这门课的受众更广的原因,我建议看完 lecture 把对应的教材也看一遍就完美了。还有一个课程配套的网站 http://mooculus.osu.edu/ ,每周都有 exercises,从最 trivia 的到稍有难度的,总体来说都不是很难的题目,目的在于检查你是否理解了某个概念,不过因为很多都太 trivia 我都是挑着做的。 整个课程有 15 周,可能是最长的 MOOC 跟完很有成就感。Jim Fowler 是我上过的所有 MOOC 里上课最激情的一个讲师,属于表演型的老师,给人的感觉是他很享受整个教书的过程,很能带动学生。Jim 也是我上过的所有课中最愿意和学生互动的讲师,他几乎会回复每一个帖子,而且他不摆架子,允许我们叫它 Jim。Jim 说他在大学的一部分工作就是负责 MOOC,之后可能会开多变量微积分、拓扑、复分析、抽象代数等课程,明年3月会有一门他开的课程,目前还不知道是什么内容,我已经打算上所有 Jim Fowler 的课了。”

@ffffffoouddddd 同学评价“内容很简单,我估计比大学里面要学的微积分内容少70%。这位老师是很有激情的,拍摄视频时离镜头很近,有种身临其境的感觉,并且很有喜感(可能是因为他是光头)。观看视频时你总觉得他下一秒就要把你逗笑那种。而且他们也有一本他自己写的教材,很不错,有自己的俄亥俄州立大学的练习平台,我没怎么去练习因为太简单了。Coursera 上习题可以回答很多次,……”

2. 俄亥俄州立大学的Calculus Two: Sequences and Series 是前一门课程的后续:

@基佬的愛__ 同学评价 “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。”

3. 宾夕法尼亚大学的Calculus: Single Variable 在今年年初获得了美国官方的认可,成为可以获得正式学分的在线课程

@基佬的愛__ 同学评价 “Robert Ghrist 这门课和 Jim Fowler 的 Calculus One 有重叠的部分,不过内容更深入,课程周期也挺长的。课程总共分五个部分,Functions,Differentiation,Integration,Applications(主要是积分的),Discretization(主要讲数列和级数)。积分的应用部分略有难度,讲的内容比我以前上的高数课讲的积分的应用要多 centroids 和 moments and gyrations 我是第一次学,第一部分的 Taylor series 我觉得没有 Jim Fowler 讲的好。这门课作业量挺大的,每周大概是五个 lecture(外加一亮个 bonus),每个 lecture 对应一个 core 和 一个 challenge 作业,core 一般10道左右,challenge 一般2-5道左右,我做了所有的 core 和一部分的 challenge 。作业是不计分的,某个单元会有一次 quiz,期末会有个 exam。另外,讲师是个 geek,他的 lecture 里很多彩蛋。”

@52nlp 评价 “Coursera在今年一月份同时推出了两门微积分课程,一门是这个单变量微积分,另一个是微积分上(Calculus One)。我同时跟了这两门课,不过由于工作及春节等等缘故,大概跟了一半就放弃了,不过还是可以点评一下。相对来说,这门课制作的课件非常有意思,但是Calculus One讲得更生动一些。

这门课程的一个参考书是不到50页的一个小册子:FLCT: the Funny Little Calculus Text ,这个在google book上能阅读免费电子版,google play 上也只有0.45美元的价格,课件的确很有趣并且动感实足,这样导致感觉老师讲得有点不生动了。不过总体来说,这门微积分入门课还是非常不错的。”

线性代数公开课
线性代数是一门非常实用的课程,但是国内绝大多数的同学在学习这门课程的时候并不能很好理解线性代数的重要性,究其原因可能是因为教学方式相对于现实运用的滞后性。目前国外MOOC平台的线性代数课程往往结合了计算机编程,通过动手解决问题来加深对于这门课程的理解。

1. 布朗大学的Coding the Matrix: Linear Algebra through Computer Science Applications 通过Python来解决现实中的实际问题,来帮助学生对于知识的理解。不过有趣的是,对于这门课程大家的反响不一:

@ototsuyume 同学评价“值得吐槽的很多:
1.老师讲课水平不咋样,课程内容也有问题,很多基本概念没有说清楚
2.作业量偏大,而且大部分是重复的计算,比如上上周作业是要实现matrix类各种运算,然后作业里面还要用另外的方法算matrix的乘法,不明白这样做的意义何在
3.课程介绍说这门课很偏向应用,但貌似基础概念讲不好应用讲得也很浅,从作业上没看到这点,你将线性变换好歹在作业里让学生拉长一张图片都比实现vector、matrix类要好吧
4.svd分解等内容因为课程长度问题不会讲,这门课的含金量进一步降低。
另外虽然吐槽的是这个老师主页上还写着拿过布朗大学的优秀讲师奖项的,从他讲课的方式来看我不明白这个奖到底是怎么评的…”

@大家都叫我瑞爷 同学评价“这门课不能算是一门入门课,尤其是不能视为线性代数入门课,因为关于数学部分的课程材料过于简略。此外,这门课还有编程作业较多的特点。因此此课比较适合:了解线代,但是不懂如何将线代应用到计算机上解决问题。我见过有人吐槽这门课线性代数教的太少了。所以想学线性代数的guys请移步到mit公开课网站直接修线性代数。”

2. UTAustin的Linear Algebra – Foundations to Frontiers 将于明年在Edx平台上开课,本课同样也是希望通过计算机编程来帮助学生理解线性代数的概念,让学生充分理解这门课的重要性。由于这门课尚未正式开课,质量究竟如何让我们拭目以待!

3. 最后隆重推荐网易公开课上收录的“麻省理工公开课:线性代数”:

这门课程虽然是老一代的公开课,但是讲得确实确实非常好,更详细的信息可参考这篇文章《线性代数的学习及相关资源》。

概率论公开课
生活中充满不确定性,如何更好地理解和面对这种不确定,正是概率和统计学所主要面对的议题。正因为如此,概率统计是适合每个人去学习的一门课程
1. 台湾大学的機率

@基佬的愛__ 同学评价 “这门课半途弃了。讲师是个 EE 背景的教授,虽然第一周第一个 lecture 叶老师明确说了这门课比较注重生活中的应用,还是有些小失望,如果叶老师选择自己更擅长的 EE 方便的课程可能会效果会更好。这门课不合我口味是因为太不严肃,推导少了点。课程前几周有一课里叶老师引入了一个事件域/空间(event field)的概念,我不记得他用的哪个名词了,反正他给出的定义是样本空间的幂集。事件域(event field)我用英文在 google 搜没有搜到这个概念,只有 wolfram 的 wiki 说它指的就是样本空间,和叶老师的定义不一样,用 baidu 搜发现国内的教材里确实有这个概念,定义也是和叶老师的课里一样的,但是叶老师引入这个概念后面的课里(至少在我上完的那几周里)没用到这个概念,那引入这个定义有什么意思,我受不了这种不严谨。另外叶老师喜欢在每周花一整节课的时间讲大道理让我非常反感,人之患在好为人师,客观的真理是可以教的,但是怎么做人就不太好教了,我觉得人不是从别人的建议里学到东西的,人是从自己的经验,犯过的错中学习的。对于叶老师不公布作业解答的做法也不太认同。叶老师也鲜有在论坛上回复同学数学上的问题,有个 TA 还是很认真的。值得肯定的是叶老师也是属于教学非常热情的讲师,不过他在课上用的梗很烂,没得到我的共鸣……我觉得他过于花心思在课上一些讨人欢喜的梗上而忽略了课程内容讲解的重要性。”

2. MIT的Introduction to Probability – The Science of Uncertainty 将于明年(2014)二月开课,课时很长,或许将是一门很实的课程,讲师John Tsitsiklis在MIT讲授的概率论课程在MIT的OCW上也有公布。由于课程尚未开始,究竟课程质量如何,让我们拭目以待!

统计学公开课
目前MOOC平台上涌现了很多统计学的课程,课程图谱曾经对统计学的课程进行了收录,详细点击《统计学公开课大盘点》:
http://blog.coursegraph.com/统计学公开课大盘点

还有一门华盛顿大学的Mathematical Methods for Quantitative Finance也受到了广泛的好评,想要快速的过一遍基础数学的朋友不妨关注一下这门课程:

@钛合金蛙眼:内容包括微积分,线性代数,最优化再捎带一些金融知识,都是数据挖掘和机器学习数学基础(除了概率统计),老师也讲的很清楚,只可惜没有证书,UW开的几门课程都不错
@算文解字:搞statistical NLP自然要吃透了概率、统计和随机过程,但适当的微积分、线性代数和数值计算基础也很重要。没时间系统恶补?No problem! Coursera上推出了一门 Mathematical Methods for Quantitative Finance ,虽然原本针对金融,但8周的课程提供的浓缩版数学对NLPer也很实用。

以上是对数学基础课进行的简单汇总,难免会有缺失和遗漏,还望谅解。如果有朋友发现不错的数学基础公开课在上文中尚未收录,希望能够留言告知。

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/数学基础公开课汇总