标签归档:edX

Deep Learning Specialization on Coursera

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。

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

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

安装开源在线教育平台edX的一个简单方法

开放式在线教育平台edX在今年六月份开源,当时按着Google Group中的方法“Clean install on Ubuntu Server 12.04”在一台全新的VPS上安装了一把,虽然最终安装成功,但也破费周折,最后对edX系统的总体印象是有些臃肿,依赖的东西过多,不太轻量。

前段时间一个北大的朋友在安装edX的时候和我交流了一下,他最终通过直接安装的一套完整的edX镜像的方法“Quick Start to working with the edX Platform”在windows虚拟机下安装成功。当时没有太在意这个事情,最近又捡起了edX这套开源平台,第一件事还是edX的安装问题,这一次想到了安装镜像这个比较简单的方法,于是照猫画虎的在自己的Mac上安装起了edX开源系统,全程基本没有遇到什么问题,比较容易上手,推荐想要玩edX开源平台的朋友在本机先试试这个方法。以下是我的简单记录,针对Mac OS系统,其他系统请下载相应的文件进行安装:

1、安装VirtualBox

下载地址:https://www.virtualbox.org/wiki/Downloads

我下载安装的是4.2.16版本的dmg文件:VirtualBox 4.2.16 for OS X hosts

2、安装Vagrant

下载地址:http://downloads.vagrantup.com

我下载安装的是v1.2.7版本的dmg文件:Vagrant-1.2.7.dmg

3、建立相关的目录并下载edX的课程样例:

mkdir mitx-vagrant
cd mitx-vagrant
mkdir data

最后下载edx4edx_lite到data目录下,关于edx4edx:

This is a set of source content and code for an edX course about the edX system. Included are demo problems for option, multiple choice, string, numerical, formula, symbolic math, image, custom (python script graded) response, and schematic response problems.

4、下载edX镜像文件并初始化和启动虚拟机(在mitx-vagrant目录下):

a、下载这个3.4G的镜像: mitxvm-edx-platform-08jun13b.box
md5sum: 633ca08e4f3834516c7113aa484b68c1

b、vargrant初始化:vagrant init mitxvm mitxvm-edx-platform-08jun13b.box

vagrant init mitxvm mitxvm-edx-platform-08jun13b.box
A `Vagrantfile` has been placed in this directory. You are now
ready to `vagrant up` your first virtual environment! Please read
the comments in the Vagrantfile as well as documentation on
`vagrantup.com` for more information on using Vagrant

c、启动环境:vagrant up
这个需要一段时间,差点以为出问题了:

Bringing machine ‘default’ up with ‘virtualbox’ provider…
[default] Box ‘mitxvm’ was not found. Fetching box from specified URL for
the provider ‘virtualbox’. Note that if the URL does not have
a box for this provider, you should interrupt Vagrant now and add
the box yourself. Otherwise Vagrant will attempt to download the
full box prior to discovering this error.
Downloading or copying the box…
Extracting box…te: 18.4M/s, Estimated time remaining: 0:00:01)
Successfully added box ‘mitxvm’ with provider ‘virtualbox’!
[default] Importing base box ‘mitxvm’…
[default] Matching MAC address for NAT networking…
[default] Setting the name of the VM…
[default] Clearing any previously set forwarded ports…
[default] Creating shared folders metadata…
[default] Clearing any previously set network interfaces…
[default] Preparing network interfaces based on configuration…
[default] Forwarding ports…
[default] — 22 => 2222 (adapter 1)
[default] — 80 => 8080 (adapter 1)
[default] — 81 => 8081 (adapter 1)
[default] Running ‘pre-boot’ VM customizations…
[default] Booting VM…
[default] Waiting for VM to boot. This can take a few minutes.
[default] VM booted and ready for use!
[default] Configuring and enabling network interfaces…
[default] Mounting shared folders…
[default] — /vagrant

5、在上述工作完成后,就可以在本地局域网下访问相应的站点了:
http://192.168.42.2 — LMS(学习管理系统,也就是学生用的系统,我们在edX公开课平台上看到的就是,这个本地站点目前只有edx4edx样例课程)
http://192.168.42.3 — CMS (Studio)(内容管理系统,也就是开课老师用的系统,你可以在这个里面尝试编辑和创建课程)
http://192.168.42.4 — Preview (Studio)
http://192.168.42.5 — Edge (Studio)

这个时候你就可以在本地机器上玩edX平台了,如果你想登陆的话,用户名和密码如下:

You may login to the system using a pre-created user: (email “xadmin@mitxvm.local”, password “xadmin”); if you create your own user, to active the user use the “xmanage” command (see below).

后半句的意思是指这个虚拟镜像提供了一个xmanage的管理工具,你可以通过如下vagrant命令查看相关的命令和账号信息:

vagrant ssh — xmanage help

Welcome to the MITx / edX instance management tool

Commands available:

restart-lms – restart the LMS (for vagrant boxes, running at http://192.168.42.2)
This will force re-loading of course data
restart-cms – restart the CMS (aka the Studio system)
restart-edge – restart the Edge server (part of the Studio system)
restart-preview – restart the Preview server (part of the Studio system)

restart-xqueue – restart the xqueue main system
restart-consumer – restart the xqueue consumer
restart-xserver – restart the xserver (python code grader)

logs – view last 100 lines of log file for
appname should be one of lms, cms, edge, preview, xserver, xqueue

activate – activate user specified by username
setstaff – make user (specified by username ) into staff

update-mitx – update mitx system code (use with care!)
update – update this management script (from central repo)
help – print out this message, as well as local NOTES.txt file
—————————————-
Notes file:
=============================================================================
Welcome to the ODL MITx Vagrant Box
=============================================================================

The following services are available:

http://192.168.42.2 – MITx LMS
http://192.168.42.3 – MITx Studio System
http://192.168.42.4 – MITx Edge System
http://192.168.42.5 – MITx Preview System

pre-defined users:

edx user=xadmin, email=xadmin@mitxvm.local, pw=xadmin
edx user=guest, email=guest@guest.local, pw=guest

最后edX提供了两个主要方法来创建和管理课程,感兴趣的同学可以看一下:

There are two main workflows you can use to develop courseware:

LMS (+github) — edit XML files of courses in the data directory, then click on “Reload course from XML files” in the Instructor Dashboard (under the Admin tab). The course files may be stored in github, and a webhook configured to make the LMS automatically update upon checkins (“gitreload”). See edX documentation of XML formats.

Studio — Create course using the web-based interface, and view on the Preview (“draft”) and Edge (“live”) sites. Beware that the Studio system is really meant for single-author work; it loses all history, and there is no visibility for what changes are being made by authors. But Studio is wysiwyg and gives fast feedback, so it can be a good way to start.

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/安装开源在线教育平台edX的一个简单方法