分类目录归档:在线教育

Deep Learning Specialization on Coursera

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

自学CS总结-by 要有光LTBL

这篇文章大半年前看过,原作者 要有光LTBL 同学也在课程图谱的群里,这两天群里讨论的时候想到了这篇文章,还花了一点时间扒了出来,所以征得作者有光大神的同意,转发和备份到这里,顺便给课程做了一个内部链接。以下系转载:

首先这只是我个人的总结,希望能提供大家一些好的建议或者想法,至于具体的可实施性和可推广性就不做任何保证了。。。

只是汇报一下我学了这些课,而且做一些个人的评价,并不代表着就等同于CS的学位了。。。额,操作系统编译等等都没上过这是必然不能比的。。。我只是上了这些课,而且这些课都属于CS的范畴而已。现在也只不过是拿到了offer所以汇报一下,肯定还要继续学的。。。

如果确实准备通过自学CS来找工作,那么最好先确保有足够的时间,能力和毅力。大忙人,作业写不完天天赶ddl的,数学恐惧症,编程恐惧症或者重度拖延症基本可以点叉了。而且请至少留出一年时间来学习吧。

我的背景本科是药学和心理,MS是Columbia的Biostatistics,然后工作拿到了。。。加州某小IT公司(也就是说你们大部分不会知道名字的公司)的offer,package勉强可以跟CS MS comparable这样。不过鉴于这里面有极大的运气成分所以没有任何可推广性和借鉴价值。然后我就进入正题说自学CS了。

我的背景算是统计吧,然后这样的话是要往machine learning的方向转,完全没必要我也不愿意做纯码农or Software Engineer,我投的基本上还是比较交叉的Data Scientist或Modeling Scientist这样。需要一定的programming能力但是要求并不深。除此之外可能会一些database或者machine learning会有帮助。。。我学其他的基本是个人爱好。其他专业的同学请看看就好了。。。而且申请OPT什么的时候还要考虑工作和学位的匹配程度。

首先一点,一定要是免费!或者基本免费。。。为什么不旁听的原因是我在医学部的校区离计算机系的主校区还是有相当距离的,所以我懒得去。。。不过现在网络上有极其丰富的教学资源,尤其是在计算机这方面更是非常丰富。这里我用的主要是三个平台:

1, Coursera,由Stanford的吴恩达(什么没听说过?英文名应该更熟叫Andrew Ng)和Daphne Koller教授创建,现在有200多面课程,基本上有100多所大学吧,其中CS的课应该就有50+。他们的特点是每门课都有一定的开放时间,而且有deadline,如果没有赶上开放时间就要等半年或者更长时间才能赶上下次开放。。。所以要上的话建议提前半年到一年看好所上课程的下次开课时间。(如果是某门课的first run那么很可能会推迟开课。。。)最后一般会给certificate,但是不会有人看那玩意的。。。编程作业会有,不过一般不会限定语言。课程跟大学内教授的相似,会更偏理论。课时基本上是5-8周,然后每门课的用时不定,2-4小时吧,如果有programming assignment会更多。

2, Udacity,cofounder是google一个教授,另一个也是stanford的。。。课非常flexible。只要材料全部post了那么什么时间上都可以,什么时间完成作业也都没要求,适合填充碎片时间(比如coursera的课很少的时候安排看Udacity),会更加注重应用,会有autodesk,nvidia的人去讲。并且我认为很适合学编程。用的Python较多,如果没注明的话默认就是python了,最近也有需要C/javascipt/HTML的课。缺点是他的视频是upload到Y2B上面的(虽然现在基本都开放下载了),所以需要翻墙。技术好的请翻墙的,技术不好的请搞一个V*P*N,一个月也没多少钱,跟你学到的知识相比绝对物超所值。课基本是7周,6周的正课,最后一周一般是叫点牛人然后来个展望这样。。。每周时间也要看programming的比重,不会很多。

3, 其他,主要是iTunes U或者翻译过来的网易公开课,相比而言视频的质量会非常差。。。没了。不是特别推荐。优点是网易公开课的话是有中文翻译的。这个一般相比,看视频的时间需要的较多。

然后我第一次上Coursera的时间是4.23,第一次上Udacity的时间是4.18,也就是说到现在也没有一年。这之前我的编程经验是:R,基本可以熟练运用。。。如果统计的同学R或者Matlab应该是肯定会一个的吧。。。然后后面我会按照我上的课的时间顺序给出评价。基本上5星是必选,4星是machine learning必选,3星是推荐,2星是一般,1星是不推荐。

0, MIT计算机科学导论,5星。请到网易公开课找,或者iTunes U等找英文资源。我上课的时间是大四。讲的内容基本是以python编程为主,并且会涉及到一定的OOC(面向对象)的内容,鉴于后面的课都跟OOC没什么关系所以这个课也还是挺好的。讲的也不错,相比之下harvard的CS101我就很不喜欢。。。

1, Udacity CS101 Intro to CS: 2.5星,作为入门课是很可以的,讲的也很适合美国人(对我的意思是他们比较笨),不过如果有了MIT的做基础这个基本就跟玩似的。。。有时间上了就好也不花什么精力。或者直接作为python入门也是不错的。内容基本是build a toy search engine。还算有趣。

2, Udacity CS262 Programming Language:5星,通过build一个javascript和html的interpreter可以对计算机语言的运行方式有一个更深层次的理解。尤其是对于各种syntax error之类的。而且他的成品基本上是Udacity所有课里面最exciting的,老师的声音也很好听。难度适中。有前两个的基础应该问题不大

3, Udacity CS212 Design of Computer Program: 5星,Google的Peter Norvig讲,基本讲完之后的感觉就是所有编程都没问题了。。。不过也很难,我当时每周的课都。。。比较困难。因为当时我是101,212,262还有machine learning同时上的,外加还要抽出一点点时间复习期末考试。。。每周基本上都能有一定的成果,第一周是poker,然后后面还有word game,game solver,grammar等等非常有趣的内容,极力极力推荐。难度,挺难的,不过收获也非常大。顺便这老师我特喜欢,也是Udacity的cofounder。

4, Coursera Machine Learning:4星,ML必须课需要说什么么。。。不过比较偏应用,会介绍Neural Network,但是对SVM基本上一带而过。还有recommendation system和别的一些较应用的内容。没有reinforcement learning的部分,unsupervised也比较浅。有PA,没有期末考试,一般人这课都能拿满分吧因为没有限制尝试的次数。。。用的语言是Octave/Matlab,难度一般。顺便Andrew Ng的奇怪的中国口音实在是听起来好爽。以及老师也是Coursera的cofounder,还经常来中国玩。

5, Coursera Software Engineer for SaaS: 1星,看情况应该是不再开了,随便说几句。课的视频直接就是上课录得,质量很差非常没有诚意,而且感觉就是一直在卖自己的教材的样子。课。。。因为上的太早了我完全没概念所以也基本没听懂。勉强做了前面几个PA实在忍不了了最后这个课我就基本没上。。。用的是Ruby on Rails。

6, Coursera Human-Computer Interaction: 2星,一般。没什么特别的意思。。。有些需要自己设计界面什么的对那种基本不感冒。而且后面居然开始讲统计和实验心理学一类的东西了我有些接受不了。。。

7, Udacity CS253 Web Application: 3星,挺不错的课,就是最后用GAP搭建一个非常简单的blog以及wiki。能够提供一些关于网页应用的insight(当然非常浅),做的东西也算是非常有意思的,另外用的平台是Google的GAP,国内的同学请准备翻墙。难度适中。而且最后一单元会谈到很多很实用的问题比如scale什么的。而且能给一些关于software engineering的idea。

8, Coursera Algorithms: Design and Analysis Part 1: 5星,这个是Stanford开的那版,不是Princeton的,后者我没上过不过据说更浅一些。老师很有激情语速也比较快,写字也很难看。。。不过看多了就习惯了。算法对CS是非常重要的,也是面试常考的。这个介绍的是基本概念big-O,还有sort和search。每周都有PA,基本是给input然后求output这样,不限定语言,不过python有时候会非!常!慢!难度适中

9, Coursera Cryptography I: 3星,Stanford的密码学,讲得很详细,而且也非常难。。。毕竟都是最最聪明的人在搞这些玩意。有很多非常奇妙的trick。不过难的同时同样的也很有挑战性。这个比较偏理论。有三星的自虐指数,难度是真的很难。

10, Udacity CS373 AI: Robotics: 3星,是Udacity另一位cofounder讲的,也很不错介绍了particle filter和A*什么的。缺点是一开始重复了两周的非常基础的probability的内容,不然的话还是可以考虑给4星的。。。难度适中。

11, Udacity CS387 Applied Cryptography: 也是密码学,一视同仁给3星。这个就很应用,理论的部分不多,而且cover的比Coursera的多(Coursera的毕竟只是part I, part II还遥遥无期。。)每单元最后都有challenge题目,是真的很变态。。。尤其是final的最后一题,设计得非常巧,有大概四五个环节要把很多学到的东西都用上。做的感觉就跟拿着藏宝图寻宝,然后一个一个解开线索一样。。。因为是密码学,所以必须的自虐指数三星,难度也真的很难。另外上这课有时候也需要翻墙。

12, Udacity CS215 Algorithms:3星吧,鉴于有上面的algo了这个也不是很难。。。算是巩固好了。介绍的重点是关于graph的,dijkstra什么的。。。老师很有趣,见过一面。难度适中。

13, Udacity CS258 Software Testing: 1星,我上过的Udacity最差劲的课,课内容非常少,而且总之这个现在也用不到。我反正是有时间就上了。唯一的收获是中间写了一个数独的solver,然后我自我感觉写得很不错。。。导致后面我对数独完全失去兴趣了。。。

14, Coursera Quantum Mechanics and Quantum Computation:2星。量子。。。啊这些其实没什么关系上纯是兴趣因为密码说过量子计算机可以破RSA。。。然后非常难,非常虐。所以就不推荐了。。。我现在也只能记住最基本的qubit的共轭。。。

15 Stanford Machine Learning: 4星。是iTunes U上面的,Andrew Ng在斯坦福的讲课视频,相比前面coursera的就更理论,虽然没有NN的内容,但是svm讲得很细,还有ica和reinforcement的部分。总之算是巩固基础,然后相辅相成。同样我还是很喜欢吴恩达老师的口音!

16, Coursera Web Intelligence and Big Data: 1星。大部分很浅,不喜欢。而且考试非常无厘头。不过基本上介绍得很全面,包括file system也涉及到了。PA。。。比较傻逼。不过也不是很花时间,所以还好。

17, Udacity CS222 Differential Equation:3星,在学校基本算是没学过微分方程所以挺遗憾的。。。这个课也有涉及很多实际问题所以算是有趣。画的图也很好看。。。总之最后的感觉就是世界真和谐,世界真奇妙,世界真美好。而且用matplotlib,需要的同学可以借鉴一下。

18, Coursera Introduction to Computational Finance and Financial Econometrics:2星,本科难度的课,基本上很傻逼。。。前面70%都是在复习什么矩阵啊概率啊之类的。。。用的是R。会有一些time series的东西。。。还有一点关于股票的,不然根本就是白上了。。。

19, Coursera Probabilistic Graphical Models: 3.5星,和Machine Learning的关系也没有那么大,还不算一定必选。老师是Coursera的另一位cofounder,内容是研究生级别的,很难,PA也很难。我现在有些概念也没完全理解透。。。而且内容很多。借用weibo上老师木的评价:“别的都是讲的术,图模型讲的是道”。自虐指数三星。我当时经常周六下午做这个PA做的死去活来。。。

20, Coursera Neural Networks for Machine Learning: 4星。现在Deep Learning的领军人大牛hinton亲自讲授。内容有点。。。晦涩,但是理解之后概念还是不错的。PA什么的难度也适中。不算特别变态。

21, Udacity CS313 Theoretical Computing:2.5星,主要讲关于NP的,这个topic还是蛮有趣的。Programming的比重也不大,应该可以轻松上完。。。因为确实跟CS,主要是找工作的话关系没那么大所以到不了3星,何况NP后面还有5星课程会cover到。。。

22, Udacity CS259 Software Debugging: 2星。主要是Coursera的课都上完了没事就上了。内容如题。。。其实也可以,但是我肯定不是这么debug的。。。

23, Udacity CS271 Intro to Artificial Intelligence: 4星。Udacity当年的第一门课。两个cofounder讲。对于ML,NLP,CV,机器人,game theory等都有所涉及。看完了我突然觉得。。。尼玛原来我感兴趣的这些全都是AI啊。。。不难,没有PA,花点时间就好了。

24, Coursera Algorithms: Design and Analysis Part 2: 5星。必须的五星,之前的part 2,内容是greedy algorithm,dynamic programming和NP。涉及的东西很多,PA也变态了很多python真的特别慢。在此力荐pypy。没什么可说的算法是必须看的。而且这俩part加起来本科毕业生的水平至少就有了。。。

25, Coursera Interctive programming in Python:2.5星,用他们自己建的一个GUI去遍图形界面,也算是python入门课。很简单,不过如果是machine learning的话用处不大。。。(这门课当是因为没时间只是看了视频,也没有做作业,没拿certificate)

26, Coursera: Intro to Database: 3星 现在搬到Class2Go上面去了貌似。介绍数据库,包括一些xml啊json什么的还有nosql的部分。当然大头是SQL,因为考SAS证的时候学过了,所以也就看看。不过数据库对于big data什么的还是很重要的(准确地说nosql数据库还有DFS什么的很重要。。。),所以应该还是看看比较好。

27, Coursera Computing for Data Analysis: ?星,简单的但是比较系统的介绍R语言。看各位的需要了。

28, Coursera Game Theory: 2星,感觉。。。好奇怪的,感觉什么都没说就上完了,最后就记得一个词叫纳什均衡了。。。而且很浅,尤其是rational的假设令我感到很不安。。。当然我会说我选这课的时候根本不知道Game Thoery是博弈论。。。我还以为是什么游戏之类的呢。。。

29, Coursera Image and video processing:3星,介绍基本的关于image processing的东西,挺好的。有时候挺好奇PS里那些效果是怎么办到的,就看这个就好了。。。当然那部分貌似跟PDE有关所以其实我基本没看懂。。。

以下课程是我在上的还没上完。。。

30, Udacity CS344 Parallel Computing:2.5星,用的是build on C的CUDA。因为主要是为了提高运算速度所以用C还是可以理解的。因为不熟悉C。。。所以上成了一个傻逼啊!不过有些概念学一下还是很有助于开阔眼界的。现在Program GPU也很是流行的样子。。。而且我觉得挺难,主要是C完全不熟。

31, Coursera Linear and Discrete Optimization:2星,有很弱智的PA,基本就是填空题。然后就是线性规划嘛。。。主要cover了simplex算法等。也不是很花时间。

32, Coursera Natural Langauge Processing:看在是鄙校的份上违心给个3.5星吧。。。这个课主要是先期准备不足所以一开始很乱套导致扣了很多印象分。讲的目前为止也中规中矩,PA难度也还可以。不过那些东西感觉都太经典了。。。是不是有点过时了啊。。。NLP基本也和ML关系很紧密,所以个3.5也不算很过分。。。

33, Coursera Social Netwrok Analysis: 3星,社交网络诶很火的,虽然讲的似乎也比较浅,而且老师没有照片上那么好看。。。

34, Udacity CS291 Interactive 3D Graphics:2.5星。用Threejs吧,build on javascript。恩,想想这是魔兽会用到的技术我就觉得很有动力。。。

下面这个课我没上过:

??: Coursera Complier,所以也没法打分,用的应该是C,目测比较难但是上过的同学感觉收获还是很大的。。。不过因为python不用compile所以我也没什么概念。。。

总结:必上:MIT的导论,Udacity 262, 212,Coursera上斯坦福的算法。还有Andrew在Coursera和Stanford上面的两版Machine Learning。

另外我们有个关于Udacity和Coursera这些公开课的QQ群:244689946 (课程图谱)

最后的废话:感谢Andrew Ng,Peter Norvig等人的努力,没有他们就不会有这么多这么好的免费资源给我们。我的偶像是Steve Jobs和Walt Disney,他们不仅改变了我,也改变了世界。Andrew他们还不算,因为虽然这些公开课改变了我,但是还没看到他们改变世界,不过他们都还活着。。。所以我觉得肯定会看到那一天的。另外感谢他们给这么好的机会和资源,我觉得如果可能的话我会贯彻终身学习,坚持一直学习下去的。。。

以及感谢太傻的任老师虽然把我搞出国服务就算结束了但是一直还在帮我。。。发各种信息给我(虽然大多不靠谱),但是Udacity和Coursera也是他介绍的。。。我后面找工作的position大部分也是他发给我的。。。虽然造就了超低的回复率但是至少我要去的公司也是包含在里面的。。。

好吧再加一句太傻的服务基本上似乎是不太好的,这真的不是广告啊你们妹的,有这么广告的么。。。只不过这个老师是真的对我不错。。。

源地址: http://blog.renren.com/GetEntry.do?id=900262844&owner=232614149