【长期加分贴】介绍和点评你上过的公开课

二楼就把我想介绍的给说了。。。
可以重复介绍吗？因为不同背景的人可能会有不同的感受

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：Georgia Institute of Technology
课程全名：Applications in Engineering Mechanics
开课时间：2013.1.4（已完结），应该会有future session
课程链接：https://www.coursera.org/course/statics2

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：简单，有高中物理基础的都可以听懂，如果大学里学过理论力学的话那就是just a piece of cake
作业量：一周的quiz大概2-3道选择题（主要是计算力，力矩什么的）
每周所花时间：3-4小时，因为大学本科学的就是ME，所以几乎没什么难度。

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
这门课算是instructor讲的关于静力学的第二门课，第一门叫做Introduction to Engineering Mechanics。他的课有点类似于edX上的Xseries，是一步步进阶的系列课程，在2月末还会开一门课：Engineering Systems in Motion: Dynamics of Particles and Bodies in 2D Motion，讲动力学的~

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？
和在学校里上的理论力学，材料力学相比，难度小很多，但是instructor更侧重于应用，讲道计算题就要拿出个实物模型来演示一下。总之，对于学工程的人来说这门课是一次巩固自己所学以及熟悉相关专业词汇的好机会~

我推荐的这门楼上有同学介绍过了。。。。不过我基础比较薄弱，所以感受也略微有不同吧。。
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: 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: September, 2012& January, 2012
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：这是初级的课程。非常适合我这样的入门者学习。
个人基础：我专业和cs不大沾边，之前只会一点最最基本的python。
作业量：我是跟着去年开课的时候跟着进度上的。The Fundamentals 很基础，学起来较轻松，花的时间也相对少，exercise一两小时完成，assignment两三小时吧。Crafting Quality Code花的时间相对多，assignment整整一个下午才能做完。搞不懂的问题就会在课程论坛里搜索，老师还有许多一起上课的同学会有解释，收获很大。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~
很推荐这门课，感觉难度循序渐进，老师讲的也很清楚。上crafting Quality Code的时候，老师还推荐了一本他俩自己写的关于python的书，那个我觉得看看也挺有帮助（虽然我没有看完。。。），可以加深理解。

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)
我本人就是UTORONTO的，这门课我在学校旁听过一小会，真实课堂讲的内容和coursera上基本一样，只是学校的作业考试什么的会难些。

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。
Algorithms: Design and Analysis, Part 1 and 2, Stanford, 2013/07/01, https://www.coursera.org/course/algo

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？)
课程是典型的斯坦福难度，没有因为放到MOOC上而降低，感觉对于新人很不友好。
总共有6个理论作业，6个编程作业一次Final，每次都要花不少时间, 有时候CS科班出身的都要花2个小时。
课程说明上写的是6-7 hours/week，我是EE出身的，感觉当时应该也差不多是要5-6 hours/week，第一部分还算好，第二部分讲到NP之后编程部分苦不堪言。


3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~
这门课相当系统，涵盖了算法的各个部分。编程问题数据量非常大，经常需要用long long int才能算出最终答案。 一般都需要自己写test case去保证正确性，总之非常锻炼编程的能力。 Quiz的问题也都是很有意思理论问题，对于加深理解非常有用。 最后就是老师给出了很多Optional Theory Problem, 强人可以去研究，可惜就是找答案比较费劲。

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)
看过普林斯顿的算法课，建议先从普林斯顿的算法开始，这个作为进阶课程。区别在于，这门课偏重理论，是真正的研究生级别算法课，普林斯顿那门我觉得更好的名称是 “Data Structure and Alg in JAVA".

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
Computer Networks, by David Wetherall, Arvind Krishnamurthy, John Zahorjan
University of Washington
Jan. , 2013
https://class.coursera.org/comnetworks-002
  
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？)
课程难度适中，课本讲的很多很复杂，但是老师讲解以后就很简单。作业不多，多为事实性的内容。平均每周花5h。我专业是computational applied math, 没有什么cs背景以及网络背景，也不需要任何cs背景。
里面有一点内容与算法课的内容交差。详细讲解了physical,link, network,transport and application 5个layer。

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. Wetherall讲得非常地清楚。 把原本复杂的知识用很简洁明快，通俗易懂的方式讲出来。期中用了很多恰当的analogue。
很有意思的一门课。

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: Rice university
课程全名：An Introduction to Interactive Programming in Python
开课时间：2013,Oct,7th, 9 week . 新的一轮是在今年的3月24
课程链接：https://www.coursera.org/course/interactivepython
同时新的一年Rice uni 还推出了Specialization--Foundation of computing,这是第一门课

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？)
难度中等，这门课针对的是零基础，每周需要完成一个quiz 和 用python编一个游戏，用的是他们提供的平台。
课程建议时间是7-10小时，我差不多花这么时间，视频大概不到一小时，主要是project费时间。后面几个项目反复修改可能还要大于10小时。
我算是初学者，在这之前就上过 Udacity 关于Python的两门课 cs101，和cs215 算法，在学校学过俩学期C++基本忘了。

3. 各种感想、收获、课程内容介绍、你对这门课的评价等等~~
这门课针对的是零基础，想入手python的筒子可以从这门课入手。在一周一个小游戏中，就把python入门了。
老师们都很幽默，有一周游戏编21点，俩老师玩21点打赌，结果输的一个不戴领带一周~
Deadline是第一生产力，看到自己的游戏写出来很有成就感。
评价：4星半吧，对算法的介绍少了些，作为cs入门还得从其它地方再补充

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)
学习方法上：如果更有时间，我想尝试写一个自己的游戏。课上有一个原创游戏的论坛，看到大家编的游戏都很带感。
地里也有童鞋写了自己的游戏--传送门：原创塔防游戏

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？
和Udacity的CS101 都是任务驱动，我觉得这是学编程的最好途径吧。不过这门和CS101比没有怎么接触到算法。

6. 给以后打算学这门课的同学一些建议
到后面有些project挺不好弄的，不过在看到自己的游戏出来后那个成就感呐~
所以跟课的童鞋一定要坚持，多利用forum，遇到什么问题都能在那找到。

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。MIT OCW, MIT, Linear Algebra, 开课时间任意
链接：http://ocw.mit.edu/courses/mathematics/18-06sc-linear-algebra-fall-2011/

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？)


这属于上一代的公开课平台了，数学基础的话会涉及到一点微积分，一丁点而已，大多数时候会加减乘法就可以了。上课的时间看自己了，我听了两遍，第一次听每天一个lecture，第二次听平均一天听2-3个lecture，这么课属于MIT OCW SC系列，就是资料比较全，有TA的视频，有作业，有考试，有答案，我算是零基础了。
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（请具体！）

如果你是像我一样从其他专业转到统计方向，并且没上过线代或者想复习一下的话，强烈推荐Strang的这门课，讲的通俗易懂，但把线代最重要的几个概念讲的很清楚了，四个子空间，线性变换，行列式，特征值，特征向量，矩阵奇异值分解，在这个新闻联播都提到大数据的时代，怎能不会线性代数。
剧透： 某节课会看到MIT的同学类似于快闪的行为艺术！！！
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）




学数学还是要多做习题，不做题光听课约等于白学，

还没有人来介绍andrew NG的课，我来说下。
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。
开课学校：stanford
课程平台：coursera
课程名称: machine learning
开课时间:3.3
课程链接: https://www.coursera.org/course/ml

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？)
难度并不难，其实andrew这门课讲得很浅，只能算ML的入门，偏重概念和应用，很多数学推导都略过了，有一些经典的Machine learning的基本算法没有讲到，比如Naive bayes, perceptron, DT，概率和统计上的内容比较少，比如confidence interval，p-value，怎么判断一个classifier是不是better。graphic model中的bayes network还有HMM也没有涉及，可能放到PGM另一门课了吧。
楼主非CS出身，当时学的时候算是初学，后来又上了本校的ML，深度和广度上都不是一个量级的，比这个课要深，不过作为初学仍不失为一门好课，andrew讲得比较清楚。
quiz很容易，基本不用时间，作业的话是用matlab，而且只需要写几行核心代码，没有什么难度。

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！）
感想是对ML有了一个大致的认识，会知道一些基本的算法的过程，比如重点介绍的linear regression, logistic regression, SVM, ANN还有Unsupervised learning的一些算法。

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)
数学和教材！我觉得学好machine learning的话数学这关是绕不过的，非常推荐要把概率和统计学，多变量微积分，学扎实。教材的话我非常推荐bishop的pattern recognition and machine learning，有时间一定要看，同时也是本校ML的教材，tom mitchell的书经典但是有点老。

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)
见前面的介绍，这是我上的第一门公开课，印象还不错，基本一天一章的话，不到两周就可以跟完

我也来混点大米凑1w吧。。

1. Basic Info

Computational Neuroscience - Coursera
传送门： https://www.coursera.org/course/compneuro
开课时间：1.10开课学校：University of Washington
老师：Rajesh Rao, Adrienne Fairhall

2. 背景
课程难度一般，比较适合对这个领域想了解的人，内容基本上都是self-contained，不太需要什么基础。
video一周1h左右，作业一周一般是十几个quiz，可能涉及到一些比较简单的matlab编程，主要是检验一些video里讲的基础知识。
我是CS做机器学习的，上这个课纯属自己业余兴趣

3. 感想
目前还没上完，不过如果感兴趣deep learning或者neural nets的同学看看这个课可能会得到一些启发

4. 学习方法改进
其实video讲的知识挺多的，里面有很多做compneuro的重要研究方法，我不是做这个方向的所以很多东西就走马观花了，有机会碰到这方面的问题，估计还是要回来温习一遍video的内容。最近讲了很多information theory的东西，顺便把本科学的比较渣的部分又温习了一遍。。

5. 区别
感觉这门课讲得整体比较浅，课程设计也平易近人，肯定不是学校里研究生的课，也许是本科生级别的课程吧。作为一个intro了解一下是不错的（如果有点概率和信息论背景的同学学起来会更轻松，不过如上所言，课程是self-contained，所以没有也无所谓）
占个坑，过两天有空再来水Toronto的neural nets (hinton大神！)和Stanford的Graphical Models...

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：耶鲁大学
课程全名：聆听音乐
开课时间：也有好几年了
课程链接：http://v.163.com/special/sp/listeningtomusic.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？)
不需要基础，就是去年准备T的时候看的。
在公司每天中午看，3天2集，一共23集。

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
老师讲得很好，每节课都有自己演奏或者让助教演奏，有时也会请自己认识的人来演奏，整个课程基本上都是边听边讲，边演奏边讲。压力大的时候每天看这个还是挺有帮助的。即学习了英语，又陶冶了情操，还开拓了cs外的视野。不过有时候一些专业性的音乐上的术语不太懂，anyway，有时间的话值得一看。

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)
之前的公开课都是用的网易，原来最专业的是Coursera，后面打算到这上面去搜罗课程了。