【长期加分贴】介绍和点评你上过的公开课

现在网上的公开课资源很多了，但是相同或者类似的课程很多，让人很难抉择。还有很多好的资源没有被发现。
欢迎跟过公开课(不一定要全部跟完)的同学贡献信息，介绍你上过的公开课，给后来想跟课的同学一个参考，加分多多哦~~

要求包括以下内容：
1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦（请具体！）
4. 如果让你重新学过这门课，你会在学习方法上，背景提升上会有什么样的改进(选答)
5. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
6. 给以后打算学这门课的同学一些建议（请具体！可包括任何方面）

课程平台不限，Coursera, Udacity, edX, Stanford Online(openEdX), Stanford SEE, MIT OCW, UCB webcast, udemy, code school, codecademy, MongoDB University, NovoEd, Khan Academy等等都行，只要你跟过，不一定全部跟完，分享资讯都可以获得加分！
请大家直接回复到下面，版主会过来加分~

评论列表 (更新至220L)

• Data Structures @Berkeley
• Introduction to Computer Science and Programming: Using Python @MIT
• Algorithms @Princeton
• Algorithms: Design and Analysis @Stanford
• Data Structures and Algorithm Design @Tsinghua
• Developing iOS 7 Apps for iPhone and iPad @Stanford
• Python @Codecademy
• Full Stack Web Development Specialization Capstone Project @HKUST
• Algorithms @Princeton
• Probabilistic Graphical Model @Stanford
• Control of Mobile Robots @GeorgiaTech
• Data Analysis @JHU
• Learn to Program @UToronto
• Introduction to Finance @UMich
• Computing for Data Analysis @JHU
• Positive Psychology @Harvard
• Applications in Engineering Mechanics @GeorgiaTech
• Learn to Program @UToronto
• Computer Networks @UW-Seattle
• An Introduction to Interactive Programming in Python @Rice
• Linear Algebra @MIT
• Machine Learning @Stanford
• Computational Neuroscience @UW-Seattle
• Listening to Music @Yale
• Introduction to Algorithms @MIT
• Linear Algebra @MIT
• Human Behavioral Biology @Stanford
• Probabilistic Graphical Models @Stanford
• Intro to Computer Science @Udacity
• Intro to Artificial Intelligence @Udacity
• Intro to Data Science @Udacity
• Programming Methodology @Stanford
• Neural Networks for Machine Learning @UToronto
• Financial Engineering and Risk Management @Columbia
• Fundamentals of Clinical Trials @Harvard
• Programming Languages @UW-Seattle
• Programming Languages @UW-Seattle
• Introduction to Computer Network @Stanford
• Developing iOS 7 Apps for iPhone and iPad @Stanford
• Image and Video Processing: From Mars to Hollywood with a stop at the hospital @Duke
• 程序设计实习 @PKU
• Introduction to Statistic Learning @Stanford
• Financial Markets @Yale
• Game Theory @Yale
• Introduction to Psychology @Yale
• Natural Language Processing @Columbia
• Gamification @UPenn
• Machine Learning @Stanford
• Asset Pricing @UChicago
• Data Analysis and Statistical Inference @Duke
• Intro to Java Programming @SJSU
• Algorithms @Princeton
• Networks, Crowds, and Markets @Cornell
• Machine Learning @Stanford
• Design: Creation of Artifacts in Society @UPenn
• Think Again: How to Reason and Argue @Duke/UNC
• R Programming @JHU
• 欧洲简史，美国简史 @Khan Academy
• Computing for Data Analysis @JHU
• Machine Learning @Stanford
• Intro to Computer Science @Udacity
• Financial Markets @Yale
• Machine Learning @Stanford
• Linear and Integer Programming @Colorado
• Programming for Everybody (Python) @UMich
• Introduction to Power Electronics @Colorado
• Probabilistic Graphical Models @Stanford
• The Fourier Transform and Its Applications @Stanford
• Machine Learning @Stanford
• Human Computer Interaction @UCSD
• Positive Psychology @Harvard
• Cryptography @Stanford
• Data Analysis and Statistical Inference @Duke
• Programming for Everybody (Python) @UMich
• Machine Learning @Stanford
• Algorithms  Design and Analysis @Stanford
• 中国古代历史与人物——秦始皇 @NTU
• Algorithm: Design and Analysis @Stanford
• Internet History, Technology, and Security @UMich
• R Programming @JHU
• Introduction to Computer Science @Harvard
• Data Analysis and Statistical Inference @Duke
• Algorithmic Thinking @Rice
• 计算机网络概论 @台湾清华大学
• An Introduction to Interactive Programming in Python @Rice
• Principles of Computing @Rice
• Algorithmic Thinking @Rice
• Introduction to Power Electronics @Colorado
• 数据结构 @ZJU
• Software Security @UMD
• Introduction to Algorithm @MIT
• 中国古代历史与人物——秦始皇 @NTU
• PaulProgramming @YouTube
• 机器学习技法 @NTU
• Algorithms: Design and Analysis @Stanford
• Introduction to Computer Science @Harvard
• Principles of Computing @Rice
• Game Theory @Stanford
• Intro do Computer Science @Udacity
• Intro to Relational Database @Udacity
• Programming Methodology @Stanford
• Introduction to Computer Science and Programming: Using Python @MIT
• Linear Algebra @MIT
• Data Structures @Tsinghua
• Statistical Mechanics: Algorithms and Computations @巴黎高师
• Algorithms @Princeton
• Machine Learning @Stanford
• Programming Languages @UW-Seattle
• Algorithms: Design and Analysis @Stanford
• Convolutional Neural Networks for Visual Recognition @Stanford
• Medical Image Analysis @SJTU
• Design and Analysis of Algorithms @MIT
• Programming for Everybody (Getting Started with Python) @UMich
• R Programming @JHU
• Introduction to Programming with Matlab @Vanderbilt
• Programming Mobile Applications for Android Handheld Systems @UMD
• R programming @JHU
• 機器學習技法 @NTU
• Financial Markets @Yale
• Introduction to Algorithms @MIT
• Object Oriented Programming in Java @UCSD
• Full Stack Web Development @HKUST
• An Introduction to Interactive Programming in Python @Rice
• An Introduction to Interactive Programming in Python @Rice
• The Analytics Edge @MIT
• Full Stack Web Development @HKUST
• Machine Learning @Stanford
• Convex Optimization @CMU
• Intro to Programming @Udacity
• Programming Methodology @Stanford
• Machine Learning @Stanford
• Introduction to Computer Network @Stanford
• Machine Learning @Stanford
• Model Thinking @UMich
• Deep learning @Udacity
• Intro to Parallel Programming @Udacity
• Algorithms @Princeton
• Data Structures and Algorithm Design @Tsinghua
• Machine Learning @Stanford
• Build Web Apps with React JS and Flux @Udemy
• Introduction of Forensic Science @NTU Singapore
• Algorithms: Design and Analysis @Stanford
• Machine Learning @Stanford
• Introduction to Computer Systems @CMU
• Programming Abstractions @Stanford
• Functional Program Design in Scala @EPFL
• Linear and Integer Programming @Colorado
• An Introduction to Interactive Programming in Python @Rice
• Algorithms @Princeton
• Data Manipulation at Scale: Systems and Algorithms @UW-Seattle
• The Complete Web Developer Course - Build 14 Websites @Udemy
• Data Analyst Nanodegree @Udacity
• Introduction to Programming with MATLAB @Vandebilt
• The R Programming Environment @JHU
• Machine Learning for Trading @GeorgiaTech
• 用Python做数据分析 @NJU
• Positive Psychology @Harvard
• Google's Python Class @Google
• Machine Learning @Stanford
• Introduction to Functional Programming @TU Delft
• Python for Everybody @UMich
• The Web Developer Bootcamp @Udemy
• The Python Mega Course @Udemy
• Introduction to Negotiation @Yale
• Open Security Training @CMU
  

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接
课程平台：UCB
开课学校：UCB
课程全名：CS 61B Data Structures
开课时间：1月22号到5月7号(每年秋季和春季都有，不知道夏季有没有了)
课程链接：课程官方主页链接：http://www.cs.berkeley.edu/~jrs/61b/
              Youtube链接（fall 2006）：https://www.youtube.com/playlist?list=PL4BBB74C7D2A1049C

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
课程难度: 个人感觉讲的还是比较基础。而且是用JAVA讲的，省去了操作指针带来的麻烦。
作业量: 几乎每周一次作业，一共十次，还有三次项目和大量阅读。

所花时间：每周大概花10个小时左右： 3个小时视频，4个小时写作业，3个小时阅读资料，因为官方大纲上每次课结束后都有大量的资料要读，而且读那些资料是一个非常好的补充。强烈建议大家跟着读。教材网上都能下到。

背景基础：本人国内CS专业（非牛校），基础很差，就不多说了，国内的本科教学大家也很清楚的。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
各种感想：这门课是我真真正正理解数据结构的第一门课，老师在讲这个课的时候讲的非常清楚。 基于以下几个理由，我在这里强烈的推荐给大家：1. 这门课老师讲课的时候手中有一份讲义，那个讲义从06年到14年在内容和顺序上几乎没有变化，所以你可以选择听06年的（youtube链接），也可以听14年的，官方主页上的链接。讲课内容没有太大的区别，但是学生问问题环节差别就很大了。06年估计很多人刚接触JAVA，所以问的问题很基础，非常适合初学者去听，14年感觉大家对JAVA都很熟悉了，所以问问题的难度有点大，有经验的想加强的可以去听听。2. 这门课老师上课节奏把控的很好，可以说没有半句废话。每讲10分钟左右会让学生问问题，正好可以让你喘息一下。3. 这门课老师是写板书的而不是用PPT，这我非常喜欢，节奏很舒服，不会快。4. 这门课老师上课是按照讲义讲的，那份讲义能在官网上下到，几乎是100%的copy了老师上课讲的内容，如果你上课的时候没有听的太明白，这份讲义可以作为一个很好的补充。5. 也是最重要的，这门课有schedule，完全和UCB一样，所以你可以按照官方网站上的schedule去跟，该due的时候把作业写完，比单纯online的课程更容易坚持下来。

各种收获： 收获前面也说了，让我重新认识了一遍JAVA，重新认识了数据结构在计算机里的用途。
课程内容介绍：不多说了，直接看schedule，什么都明白了。http://www.cs.berkeley.edu/~jrs/61b/
评价：如果这门课满分10分话，我打11分。强烈推荐给每一位同学，尤其是想转专业的同学。

4. 如果让你重新学过这门课，你会在学习方法上，背景提升上会有什么样的改进
我最开始是先打印讲义，然后边听课边在讲义上记笔记。 后来发现这样记住的东西太少了，所以改为先听课，边听边记笔记，下来复习的时候再打印讲义看看什么地方不清楚。感觉这样效率更高点

5. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？
我上学期在匹大（upitt）信息学院也在上过数据结构，感觉老师上课废话很多，讲的东西很少，也很不清楚，后来听了UCB的发现牛校就是不一样。老师上课讲课效率高，讲的也很清楚。

6. 给以后打算学这门课的同学一些建议（请具体！可包括任何方面）
第一，动手记笔记，好好把笔记保存好，以后面试绝对能用上。
第二，一定要写作业，如果半个小时还没有思路，请谷歌。
第三，项目一定要做，写代码和调试是学习数据结构最快的方法。
第四，不要再问转专业该怎么办，学什么。放下问题，先把这个视频听完，踏踏实实的学完，相信你自己都能知道接下来该怎么学了。

1. 课程的基本信息：
课程平台：Udemy
开课人：Colt Steele
课程全名：The Web Developer Bootcamp: The only course you need to learn web development - HTML, CSS, JS, Node, and More!
开课时间：always open
课程链接：https://www.udemy.com/the-web-developer-bootcamp/

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
课程难度：难度很小，即使是完全零基础的小白，也能非常快地跟上colt的节奏，因为colt实在教的太好了！！！
作业量：因为是self-paced的课，作业量可以自己安排。反正所有的代码，colt都会亲自带你写一遍，仔细讲解每一行（注意，是每一行）代码的作用，以及相关的注意事项，能做的就全做了，会有非常大的提高，也不难。
每周花在这门课的时间：8-12小时
你的基础：我有编程的基础，而且比较擅长数理逻辑之类的东西，所以虽然之前从来没上过web开发的课（废话，上过了还回来上这样的基础课么...），但是从头到尾我都感觉colt实在讲得太好了，而且课程非常适合我这样的想找project做写上简历的人。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦（请具体！）

感想和收获：平时只学CS的理论知识，没有相关的应用开发和项目经验，很难体会许多专业知识的用处。上了这个课，有了一个项目在手上，更加激发学CS的兴趣，对那些专业知识理解也更加深入，同时还有project写上简历，可以说，好处非常多，可以随意供你挖掘。

课程内容介绍：web开发无敌指南，面向零基础小白，也适合需要做project的同学，以及对MEAN Stack 全栈开发感兴趣的同学。虽然课程量不小，好几百个视频，但是难度不大，需要的更多是坚持，而不是智力（你看我就学下来了嘛...咦，我怎么又控制不住自己自黑起来了...）。

需要特别强调的是，在后阶段的课程里面，我没有像课程那样用的c9网站的编辑器来开发，都是在local做的的，所以有一些部署的东西，比如MongoDB，比如Express最后的app.listen函数的端口，等等吧，有很多东西在local是需要自己弄，自己配置的，而如果用c9网站的在线编辑器的话，没有这些问题。我之所以自己弄到local来，一是对自己比较有信心，二是也是锻炼自己能力，因为做开发总是要回到local来做。当然，这些配置也不难，虽然课程里面没有讲到，但是网上也都能查到，不难配置，稍微有一些繁琐，过程中会有遇到坑的情况，不过也当做一种锻炼吧。我所有的课程内容和project都在local完成的，最后也成功部署到heroku了（从local到heroku，express的app.listen函数的端口需要改变成环境变量，算是一个坑）。有同学上了，感觉也想做到local来，有疑惑的，可以直接私信我，都没问题，我读书多，不会骗你的-_-...

对这门课的评价：反正无论什么时候，有人问我web开发的课程的话，我一定会推荐这个课，因为我敢保证，问我的人上完这套课程，一定会感谢我的推荐。

4. 如果让你重新学过这门课，你会在学习方法上，背景提升上会有什么样的改进(选答)
我感觉自己学得还是挺好的，在学习的过程中，我自己也是有意识地改进方法，比如各种refactor，所以如果再从头来学一遍的话，学习策略上面，不会有什么大的变化。

5. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
最大的区别就在于，colt会带你写每一行（真真正正的每一行）代码，然后仔仔细细地讲解，所以即使是完全没有计算机基础的同学，这个课也能停下来，最后肯定也能把项目完成，所以我感觉这个非常不同，因为心里面有数，colt一定会把自己的疑虑一一解答，内心是那种非常踏实的那种感觉，不像有一些课，只讲个大概的idea，最后代码基本都是自己琢磨自己写，遇到坑了还得自己查...

6. 给以后打算学这门课的同学一些建议（请具体！可包括任何方面）
建议的话，还是上面提到的，如果大家打算在local做的话，有很多东西需要自己配置，不过不用过于担心，那些都不是什么很难的问题，我自己感觉最难的是要有持之以恒的耐心，把整个课程全部跟下来，中间那一两个小项目不做倒影响不大，但是所有的理论讲解，一定要扎扎实实地跟下来，因为这个课程，前后关联度还是很大的，有些东西你觉得没有必要看，但是后续课程会用上（一定会用上，所以大家不要抱侥幸心理了哦-_-...），你要是没有学过的话，肯定会抓瞎，所以建议就是一定要把每一个理论讲解的视频教程跟下来。
几百个视频说多也多，说少也少，很多视频就是几分钟，最多的不到半小时，绝大部分都是10分钟到18分钟（印象）这样，所以大家也不用压力太大啦。另外，我还要强调，colt实在教的太好了，好到只要你认真跟了教学视频学下来，学不会都难，而且他超有趣（咳咳...我是直男-_-...）

其实看udemy上面，选这个课的人数（那么多），对这个课的评价（那么高，4.7/5），基本上是公认的好课了，大家开开心心上课，一定会大有收获。

话说这课的广告我在地里也经常见，我这么夸，是不是多给我也评点分呐？哈哈，玩笑啦，写这个东西倒是没有想什么分的事情，只是一直以来在地里收获很多，这次有机会就做一点微小的工作（蛤？），讲一点人生经验（...从自黑的画风转变到这个有点夸张了...），算是一点点回馈吧，希望对大家有所帮助吧~

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接
课程平台：学堂在线（国内）或edx（国外）
开课学校：MIT
课程全名：MITx:6.00.6x Introduction to Computer Science and Programming: Using Python
开课时间：不定，一般要么学堂在线开放，要么edx开放
课程链接：公开课：http://www.xuetangx.com/
               课堂实录： http://open.163.com/special/opencourse/bianchengdaolun.html

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
课程难度: 我是先看的MIT6.00课堂实录，后面才开始跟公开课，感觉公开课的难度比实际课堂小，因为讲的慢而细，很易学

作业量: 每周一次作业，一到两个project，没有阅读。我比较笨，project要做好几个小时，最后都能做出来

每周花在这门课的时间：得有十五个小时吧

我的基础：和很多国内本科同学一样，学校有上过大课的C++，然而我们那老师成天只念课本，我也没听过讲，所以啥都不会。因此在上6.00之前，可以说完全没有编程基础，而且非常厌恶编程。但是6.00用python教学，非常容易上手入门，而且project很有趣，现在完全变成了编程迷。



3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
各种感想：这门课可以说彻底改变了我~之前因为极度厌恶编程，所以转码农这种事都很排斥。偶然上了MIT6.00这门课，我发现编程非常有趣。衷心的推荐给大家这门课，基于以下几个原因：
首先，这门课非常适合入门，它把算法最基础的部分讲的很细致，例如if for while recurssion，打下了非常好基础。
第二，老师还提到了hash，binary tree， dynamic program等知识，对于以后学算法和数据结构有很大帮助。
第三，这门课用python教学。我一开始学的时候没有感觉，只是觉得python比c++好像逻辑清楚多了，然而当现在开始进阶学习Java，算法和数据结构，才明白为什么外国很多学校都用python来入门了。Python很有逻辑性（比c++真的好太多了），程序易读易写，容易增加兴趣。
第四，这门课的project设计得很好，一步一步指导你写出一个大程序（小游戏什么的），像我这种智商捉急的同学花多一些时间就能做出来，真的是很兴奋呢。

评价：如果这门课满分10分话，我打100分。转cs的同学的入门课必修啊！！超级好！！

4. 如果让你重新学过这门课，你会在学习方法上，背景提升上会有什么样的改进
我很建议大家先看几集课堂实录，然后看公开课。课堂实录难度比公开课大，但是这种互动式教学更能让人记住知识。看公开课的时候相当于复习知识点，这样会学的很扎实。

5. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？
我也只上过我们学校的c++。我只能说，如果你不喜欢编程，只可能是因为你没有上对课：）我把MIT6.001推荐给憎恶编程的室友，她也说很有趣！

6. 给以后打算学这门课的同学一些建议（请具体！可包括任何方面）
第一，一定动手记笔记，好好把笔记保存好，以后的学习绝对用的上。
第二，一定要写作业，耐心的做project，可以加MIT6.001 的qq群讨论。

来一发~

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
课程平台: Coursera
开课学校: Princeton University
课程全名: Algorithms, Part I (Part II因为后来没时间了就没跟)
开课时间: 1.31
课程链接: https://www.coursera.org/course/algs4partI


2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)

课程难度：需要有一点Java基础，因为Project都是实打实的基于算法的project。如果对Java一点都不了解的话，建议先去翻一遍「Head First Java」。总体来讲，Lecture讲得都蛮清晰的，在讲解排序、并查集等等的算法描述后都会有动态图片演示，可以让听者对算法怎么工作的有一个更加感性的认识。其次，在programming assignment里面用到的一些Java的高级特性，老师也会在lecture里面单独列出来一个lecture讲！这一点我觉得挺赞的。

作业量：因为本人是CS专业出身的，基本的Java语句没有什么问题，纯粹出于瞻仰大牛老师和对project的兴趣去上的这门课。这门课和其他课的作业形式差不多，都是Quiz + Programming Assignment。Quiz大概每周两个，平均1小时搞定吧~ 但是project花的时间就会长不少，平均每周也得花个至少6小时才能搞定，如果是刚刚接触编程的话估计得更久一些。课程链接里也写了：6-10 hours of work / week。所以想好好学算法的童鞋得做好心理准备哦~ 而且算法往往是挺难调试的，到后面几周我经常赶完一个Due，马上开始下一周的课程和project，然后继续赶Due = =


3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
这门课的老师Robert Sedgewick是计算机界大牛Knuth的早期学生（不过Knuth很早就从大S退休了），名师出高徒，他自然也是大牛！老师看上去就很和蔼，说话语速不快。Part I中，讲的主要是一些常用的数据结构（栈、队列、并查集、红黑树等等）和排序算法，此外通过做Programming Assignment，我还学到了Java的一些常用接口(比如iterable)的使用。唯一的缺点就是没有Certificate, Statement of Accomplishment，所以控Certificate的同学跟之前要考虑清楚，是不是真的想上这门课。不管如何，真心很推荐！尤其是接触CS不久想学算法的同学，上完这门课后一定会对基础数据结构和算法有比较清晰的认识！如果10分是满分的话，我觉得可以给9.5分~


4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)

我还跟过大S的算法，好像也是叫Algorithm。那门算法课偏理论，有时候lecture里会出现一些数学证明，课程PPT做得也略逊色（老师是直接在白板上写字的），老师的语速很快，印象中好像也没有大作业。从提高动手能力，理解算法的角度上来讲感觉不如这门课。

再和学校讲的数据结构和算法比，我觉得从这门课上收获更多的收获不是理论上的（因为很多知识点已经学过），而是通过做projects带来的编程水平上的提升。而且Online Course可以看不懂再重来嘛~ 这样也能提高学习效率。

相应不够热烈啊，作为老人贡献一帖：

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
Probabilistic Graphical Model, Coursera, Stanford, 2013/04/08, https://www.coursera.org/course/pgm

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
比较标准的研究生课程，难度并没有因为放到MOOC上而降低，总共9个编程作业，每次都要花不少时间。课程说明上写的是15-20 hours/week，我当时应该也差不多是要12-15 hours/week吧，之前有学过Andrew的Machine Learning，看过有关PGM的书(Pattern Recognition & Machine Learning)和一两篇paper。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~
相当系统。学完以后感觉把整个graphical model的内容都串联了起来。当然，这也是把所有作业都扛下来，把时间花到了之后应有的效果。不少录像内容我都听了两遍，因为确实第一遍搞不太懂。。一门硬课，在coursera上跟下来的最硬的一门（另一门编译原理完成了2/3...）

4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
Andrew的Machine Learning的进阶课吧，如果希望把统计学习，尤其是PGM相关的算法搞清楚，这门课可能是最好的资料了。最后一次作业是gesture recognition，做出来很有成就感~

我也来凑个热闹，会自学control的人可能比较少，课也不多。我介绍的是Gatech的Control of Mobile Robots，最近刚开第二期，老师是瑞典牛人Magnus Egerstedt.

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
Control of Mobile Robots, Coursera, Gatech, 2014/01/20, https://www.coursera.org/course/conrob

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
我觉得这门课是一门比较好的控制入门课程。难度不是很大，适合没有什么基础的人。需要的数学基础有linear algebra, ordinary differential equation等，用到的软件主要是MATLAB。这里有编程作业，不过不是required的，是在一个用MATLAB GUI搭建出来的Khepera仿真平台里实现每周讲的一些控制方法。每周花5到7个小时，required的作业只有quiz。我的基础嘛，上这门课之前对control的知识几乎为0，上完之后还是有很多收获的。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~
这门课的主题是control and robotics。内容不算特别难，但老师很有意思，把原本比较枯燥的数学讲的很生动。这里建议一定要做一下编程作业，不然控制原理太抽象了不知该怎么用。课程涉及到的内容比较广，先引入了PID控制，然后讲mobile robots的一些特性（这里主要是odometry和differential drive）和behavior based robotics。然后进行建模，引入state space models，进行系统稳定性分析。然后讲系统的controllability和observability。之后就进入hybrid systems和robot navigation等比较high level 的topic啦。最后会编程出一个在一个环境中具有go-to-goal, avoid-obstacles, follow-wall三种behavior并合理切换的Khepera移动机器人。这门课很不错，学起来也很有意思，很适合对控制和机器人有兴趣但还没太入门的同学（比如我XD）。

4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
在学校木有学过控制。。我见过的讲控制的mooc也就这一门，不过质量很高。刚开的第二期貌似加入了hardware部分，教你打造一台mobile robot？我还会去看的XD。

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
Coursera
Bloomberg School of Public Health, Johns Hopkins University
Data Analysis
Oct., 2013
https://www.coursera.org/course/dataanalysis
  
2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
难度适中，作业量适中，这门课主要是介绍用R对数据的初步分析，本身难度不大。
每周会有一个quiz，这个quiz难度倒是还好，有些题目操作略复杂但是只要耐心对待就没有问题。
有时候题目理解出错，或者粗心什么的，会导致quiz attempt用完了还没拿到满分，所以要细心。
但是因为课程包含两份实验报告，而且因为lecture的内容很detailed，所以占用学习时间不算少。每周大概5~8个小时，需要坚持。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
非常好的一门课，Prof. Jeffery Leek讲得非常地清楚，介绍的R操作都是我需要掌握的，也在其他的课程甚至我的research project上面用到了。
有趣的是，两份实验报告是需要用标准的英文格式写的，还是online classmates互批的。这个实验报告感觉是在模拟美国industries里面的data analysts对management作数据分析报告，很有针对性。
对了，话说这门课最后会批个总分，满分170多来着好像，过了划定的分数线才有certificate，还有“with distinction”的level，总之要求不低
最后，真的十分推荐这门课！

4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
N/A

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
课程平台: Coursera
开课学校: University Of Toronto
课程全名: Learn to Program: The Fundamentals             Learn to Program: Crafting Quality Code
开课时间: （我要跟的时候已经结束了，但是视频能看，作业也能提交）
课程链接: https://www.coursera.org/course/programming1             https://www.coursera.org/course/programming2


2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)

课程难度：个人觉得这是初级教程，按顺序跟的话没有基础的也可以轻松跟上。本人是CS专业，虽然很水，只会java，跟这两门课只是为了学Python，目的也达到了哈。

作业量：因为是入门教程，所以exercise和assignment都不算难，我是两个小时完成全部exercise，一个assignment一两个小时也正常。但是要全对需要非常非常细心。第一门课是一周一个exercise，两周一个assignment。第二门课总共两个assignment，4个exercise。


3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
真的很推荐想学python或者没什么编程基础的人跟一下，基本看完用python编写小东东还是不难的，不过要进阶的话就得找书来看了。然后这两门课有两个老师，讲话听清楚的，也有字幕，变写代码变讲解知识点也挺生动的，课程中间的quiz也不错（陷阱很多就是了）


4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)

我还看过google python class，个人觉得基本大同小异，google的作业可能稍难一点。但是无论跟完哪个，python就入门了。接下来就靠自己了。

来一个非主流的，顺便求加分！
1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
Coursera
University of Michigan
Introduction to Finance
Oct, 2013
https://class.coursera.org/introfinance-004
  
2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
偶然在浏览列表时发现这个课，作为传统工科男一直觉得金融高富帅们非常屌，于是也想了解一下金融讲的到底都是些什么东西。纯粹的初学者，完全没有专业基础。
难度不大，比较简单，适合初学者。确切的讲在过了一两周以后就发现“初学者”这个概念并不是很合适，其实讲的这些东西完全就是高中甚至是初中数学套上一个不明觉厉的名字嘛，比如求个等差数列，求个等比数列什么的，还有一些问题就是概率的基本知识，有一周甚至专门来介绍概率与统计的基础知识，于是到后面就当数学课来听的。不过有些概念像我这种没学过会计学的听起来还是很吃力的，wiki了以后才能理解。
作业量不大，基本临deadline一天时候看半天视频，作业的话难的时候两个小时，简单点的一个小时就好了

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
课程的内容主要包括：PV, FV, NPV这些基本概念，Decision Criteria, Cash Flow Estimation, Bonds, Stocks, Risk, Valuation等。
因为不是专业课，所以就当放松来看的，补充些课外知识。老师人非常好，经常讲一些笑话，也经常分享一些人生感悟，还会把自己人生的经历与Finance的一些概念结合起来。还会在video上做演示，比如上Yahoo Finance带大家读分析图表，知道了很多不知道的东西。
另外对Finance是什么也有了个大概其最基本的认识，我现在的感觉是就是数学！这门课属于入门课，已经有不少数学内容了，更深入的一些课程应该会涉及到更深入的数学（我猜的……），考虑到自己的智商有限，决定对金融的探索就到此为止，回过头来专心做码农吧……
总体还是很推荐的，适合没基础的同学了解一些金融基础知识，满足好奇心，是一个不错的入门课。

4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
没上过其他相关课

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
Coursera
JHU
Computing for Data Analysis
Jan.6th, 2014
https://class.coursera.org/compdata-004

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
我是生医转生统，想要趁这个寒假补一点R的知识。作为一门编程0基础的newbie，我还记得开始第一周的课程时候那叫一个痛苦啊。第二周之后去codecademy补了python，感觉稍微有点sense了然后就能应付貌似是最难的第三周了。quiz比较快，我没看具体花了多久，但是2h以内一定能解决。assignment就看各人基础啦，我一般每周都是要花10h左右的.........还好是寒假...

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
基本上quiz的内容lecture里面都有cover，并不难。
但是assignment就没那么友好了。虽然范围基本上不会超过lecture的内容，但是老师（似乎）不会在lecture里面直接提及那些指令在assignment的用法。不过也不错啊，我搜了一圈谷歌回来发现：啊这不是老师上课说的那个什么什么嘛，原来可以这样用啊，有种踏破铁鞋无觅处得来全不费功夫的感觉= =

为了跟这门课我去学了python，从而开启了新世界的大门，这大概是这门课对于我而言最大的意义之一。可以这么说，这门课并不是一门很好的R入门课，尤其不太适合无编程基础的人，但是跟下来之后绝对能让人可以对R有sense了。

4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
assignment的grading方式十分智能十分智能！
别的还没开始接触...

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
课程平台：网易公开课
开课学校：Harvard
课程全名：幸福课
开课时间：很久以前==
课程链接：http://v.163.com/special/positivepsychology/

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
不用基础，作业很少，有些作业比如一周给人20个free hug算吗？
每次有空的时候，或者心烦的时候看一集，有点用。
不用花很多时间，我大概花了一个月不到的时候看完了。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
感觉比一般的心灵鸡汤要靠谱多了，有更多的科学依据，而且更成一个体系。
我是在大一的时候看的，那时候刚入学很迷茫，一直看书查资料想寻找所谓的答案，这门课所讲述的内容对我后来的三观还是有一定指导意义的。

4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
ls全是coursera....
感觉国产的确实落后点，coursera更加规范，网易的比较随意。

1. 课程的基本信息：课程平台，开课学校，课程全名，开课时间，课程链接。
课程平台：code academy
开课学校：code academy 上貌似没有开课学校这一说。吧？
课程全名：Python
开课时间：all the time. I guess
课程链接：http://www.codecademy.com/tracks/python

2. 课程难度，作业量，每周花在这门课的时间，以及你的基础(是初学者？还是本来就是你的专业内容？)
课程循序渐进，刚开始非常基础，后期有一些比较tricky的题目。然后code academy，是没有作业的，他就是那种边学边做的形式，让你做一道题，传授给你一个知识点。每周花在这门课的时间，两小时吧，我猜。本人比较懒，做不到天天坚持。然后这个是比较适合初学者的，可以非常扎实的学到一门编程的基础。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~这个就自己发挥啦
因为我是半路出家，商科转IS的，所以技术基础薄弱到几乎没有。这门课不仅教了我python的基础，更重要的是我学到了一些思路和编程的common sense吧。

4. 这门课和其他你跟过的课，用过的资源或者是学校上过的课有什么区别？(选答，如果你还跟过其他类似的课的话)
还学过一个看视频学C #的，哪里的资源忘记了。觉得个人更偏向code academy 的形式，感觉更多上手机会，学的更踏实。