【长期加分贴】介绍和点评你上过的公开课

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。
课程平台：网易公开课
开课学校：MIT
课程全名：算法导论
开课时间：有年头了
课程链接：http://v.163.com/special/opencourse/algorithms.html
老师：Charles Leiserson & Erik Demaine

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？)
上学的时候学过算法，不过听了这门课后发现自己当时学得明显不够深入。
基本上2天1节课，会跟着老师一起思考，老师也是从基础讲起，循序渐进，不过没有啥quiz和assignment.
另外学习这门课的话，最好有一些概率和数分的基础，不然老师讲证明的时候听着会有点吃力。

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
两个老师都讲得很好，并且都是伴着数学证明由浅入深，但是由于年代比较早，老师都是手里拿着讲义在黑板上做版书，所以听起来效果肯定不如身临其境或者有ppt的动态显示来得接受得快。不过总体如果跟一直跟下来，还是会有收获的。这门课我学了两遍，第二遍收获更大。

后面会跟沙发提到的Coursera里Princeton的Algorithms

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：MIT
课程全名：线性代数
开课时间：有年头了
课程链接：http://v.163.com/special/opencourse/daishu.html
老师：Gilbert Strang

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？)
本科是数学专业，当时学的是高代，所以想再学一下线性代数，就学了这门课，不用各种证明的赶脚就是好(==大牛勿喷)。
工作日在公司看天中午看一集，跟了两个月，当时脑子里都是矩阵啊、线性相关啊啥的。
网易上的公开课基本都没啥作业或者说录视频的时候都没有把布置作业和quiz放到视频里，不过大家上课认真听，收获也能不小啊。
最好上学时学过高代或线代再听这门课，不然容易有盲点，或者手里能有本教材跟着听，听听看看教材这样便于理解。

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！）
Gilbert老爷爷还是很和蔼的，虽然这门课挺boring的，他偶尔能出个经典段子 "I will not prove it, since life is short", 学生指出的一些小的mistake他也能谦虚接受还说"好了，你平时成绩是A"。
上课讲得内容还是比较入门的，一些很大的知识点一两节课也就跳到下一节课了，入门或者温习很适合学这门课。

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)
如果再学这门课，会将上课时老师提到的一些例题再做一遍，这样理解得更快些，毕竟没啥quiz.
不好意思没注意17楼有介绍了Gilbert的线代了  http://ocw.mit.edu/courses/mathematics/18-06sc-linear-algebra-fall-2011/ 这里比较全

快下班了，再来一个好久之前跟的一个公开课。

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。
课程平台：网易公开课
开课学校：斯坦福
课程全名：从生物学看人类行为
开课时间：有年头了
课程链接：http://v.163.com/special/opencourse/humanbehavioral.html
老师：Robert Sapolsky

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？)
12年下半年准备T时，新X方的老师推荐的，因为那时T考试听力有好多的生物学的题目。
不需要基础就可以学，不需要写啥作业，一共25集，每集时间较长，一般都100分钟左右。当时工作忙，每天晚上回来坚持看半集，断断续续地三个多月才看完。

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！）
Robert Sapolsky教授一看就是智商极高的人，上课板书啥的都是左手，讲着讲着就会蹦出一个小老鼠、小篇幅的例子来，使得课堂不那么枯燥。听了5 6讲的时候不太坚持得下去了，因为当时的主要目的是为了提高英语能力，听得的时候有好多专业名词必须对着字幕看才能听懂，后来又被课堂内容吸引，就咬着牙坚持下来了。
从课程内容的条件来说，还是不错的，能看到无论啥物种都是义无反顾地为了维护自己的种群、家族、后代不惜一切代价，甚至是牺牲自我(有点主观了，毕竟不是这方面专业的，从自我感受来谈的)，所以如果有大把时间不知道干啥，可以学学这门课的，还挺拓展视野的;
如果是想提高英文能力的话，特别是准备G T的同学来说，不太适合这门课，战线太长，但是有想长期提高英文水平打算的话，也可以用空闲时间来学习这门课。

又闲的蛋疼来混分了。。

1. 课程的基本信息：
课程平台：Coursera
开课学校：Stanford
课程全名：Probabilistic Graphical Models
开课时间：4/8/2013 （貌似很久没更新过了- -|||）
课程链接：https://www.coursera.org/course/pgm

2. 难度
课程难度：4/5
作业量：当时开课的时候有两个选项，一个基础是跟完quiz，还一个提高是跟完作业
每周花在这门课的时间：quiz为止5小时左右（其实记不清了），作业在此基础上加8~10小时每周（matlab初学者请自行+2~5小时）
以及你的基础：CS，research其实不是完全相关，当时matlab基础还可以，比初学稍微好点

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！）
适合对PGM做一个很general的了解，几乎常用PGM都会说到，也会介绍一些PGM里面很经典有用的算法（概率传播、HMM、MRF、CRF之类的）。
据说和stanford上课的难度差不多，这是一门研究生基础课（或者本科生进阶课），所以不是闹着玩的工作量/难度，概率不好可能会更难受。
对于PGM已经比较熟悉但是希望多了解理论的同学不建议上，这门课对你来说将是一个PGM浅尝辄止的review，不涉及太多的“为什么应该这么训练PGM”的回答（着重是怎么做）

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)
仔细看video，弄清楚之后好好弄明白programming assignment怎么做以及怎么错的。。

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)
上了这门课就没计划在Stanford再选了，不过据说形式差不多（这句话的置信概率约50%），不过我见过一些书面作业，还是比MOOC版本深的。。

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）
如果想做作业体验一下实现PGM乐趣的话，建议选课前先学一点matlab，不然整个课的作业会感觉很overwhelming，会丧失学习动力和乐趣的。
另外如果只是想了解一下的话，好好做quiz也能学会不少东西。

我也来凑一句~
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：Udacity
课程全名：Intro to Computer Science
开课时间：随时都开放
课程链接：https://www.udacity.com/course/viewer#!/c-cs101/l-48299949/m-48698544

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？)
挺不错的CS的入门课，使用Python，主体目标是设计一个网络爬虫，还算有趣，去年暑假的时候学习的，
对于零基础的话，一个半月应该差不多能完成。之前自己有些编程经验，每周大概4,5个小时吧。作业量适中，看个人水平~

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！）
和Coursera的方式很不一样，基本上是即时的交互，即时的反馈，从体验上来说更胜一筹，而且你在看视频的过程中会不断的
强化已经学过的知识，所以印象会很深。这门课也可以算得上是python的入门课，对于没有CS背景的同学来说是非常合适的。
课程设计也很巧妙，最终把所有知识串联起来，一个小小的搜索引擎就完成了~

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)
还上过MIT的《计算机科学与编程导论》，也是用的python，难度稍微深一些，作业强度还是挺大的，每周都要看pdf的材料，
作业都是和实际应用有关，涵盖各个方面，感觉也还行，就是作业完成不能及时反馈，只能自己检查了~

5. 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）
首先，对于没有基础的同学来说，如果打算学那就不要有心里上的负担吧，跟着老师一步步走，循序渐进，应该是没有任何问题的，
因为每一次的test之后老师都会仔细讲解为什么，而且讲的很详细。另外，学CS还是要多动手写程序吧，碰到卡壳的地方还是自己
要多调试~

在几个平台也上过几门课看过些视频，今天先分享一门吧

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：Udacity
开课学校：Udacity. Peter Norvig and Sebastian Thrun
课程全名：Intro to Artificial Intelligence (CS271)
开课时间：self-paced（也是我认为udacity比coursera好的地方）
课程链接：https://www.udacity.com/course/cs271

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？)
课程难度还算可以，如果前期修过Udacity 的Stat 101 并且对 bayers rule 和概率有一定基础的话应该还是不难的。
由于是self-paced，所以可以根据自己的时间抽空学习，而且讲解后一般都紧跟练习题，这样对概念可以有实践。
当时大概是花了一个月的时间，每天2个小时左右修完。
我的基础不好，只是初学者，之前学过CS101，Stat101，有python的基本经验。

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！）
这门课总体来说还是不错的，内容不是特别深，但是覆盖面广，是一门很好的入门课程。
有些很有意思的内容，比如HMM and filters, robotics, computer vision, bayers network.
两位老师都是大牛，但是个人感觉Seb的讲解偏实践，更容易理解，而Peter的讲解较为抽象，相对来说理解要难一点。

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)
一定要跟课做笔记，然后多复习，把基础打实才能更进一步。

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)
Udacity 的课一般都是讲解紧跟题，这样刚刚讲过的内容就可以应用到练习中，这种方式相对很不错。但是由于人的记忆规律，还是要时常复习。


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）
学这门课前对python，概率有一定的了解为佳。当然也可以随着课程的进行补充自己的知识漏洞。
有的概念比较抽象的（Peter确实是牛人，但是有的概念对初学者来说还是有些晦涩）可以反复看录像，然后自己消化。
如果卡在一个地方，可以停停，或者先迈过去。学习是一辈子的事情，自己的知识体系早晚都要建立，贵在坚持。

最后祝所有的朋友都能在这门课中有所收获！！！

再来分享一门今天晚上刚刚完成课程，Udacity 的Intro to Data Science

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：Udacity
开课学校：Udacity. Dave Holtz
课程全名：Intro to Data Science
开课时间：2014.2.6
课程链接：https://www.udacity.com/course/ud359

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？)
课程难度中级吧，如果之前有些SQL 和Python （尤其是pandas）的基础的话应该还不算太难。
同时顺带说一句有本书叫 Python for Data Analysis 挺不错的，有兴趣的同学可以研究下。
另外最后一个project 是 Hadoop and MapReduce的，是个人感觉最耗时间的，不过三个ex做下来也积累了不少。


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！）
这门课总体来说也还是不错的，虽然内容不是特别深，但是作为一门引导课程还算合格。
可能是由于刚开课的原因，grading system 偶尔有些小的bug，后期应该会修正。
这门课的作业都比较practical，做完了能有些进步。


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)
建议稍微有点SQL 和Python 背景的同学学习，否则可能会感觉太快。如果重新学一次还是按部就班，踏踏实实。

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？(选答，如果你还跟过其他类似的课的话)
课程的作业还不错，虽然不是特别深，但是也可以让学生对Data Scientist 的工作内容有一些了解。


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）
建议稍微有点SQL 和Python 背景的同学学习，否则可能会感觉太快。
有的时候可能卡在一个练习上也不要放弃，也不要着急，多发帖和一起学习的同学讨论。


如果有关于课程方面的其他问题，可以单独联系我，我会尽力解答。

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: http://see.stanford.edu

开课学校: Stanfrod U

课程全名: introduction to computer science |programming methodology

开课时间: 网上给出了所有课程资料，随时都可以跟，自己把握进度

课程链接: http://see.stanford.edu/see/lect ... 8-a5aa-866adcae1111

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：入门级，但是作业量非常大，如果是非科班，一周20h以上。老师语速非常快，我听力算比较好的了，不看字幕勉勉强强能听懂一半，剩下一半自己看书领悟。

我的基础是C程序在非科班里面算高手。

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

这是我这辈子至今为止上过的最好的一门课，这个老师是我至今为止遇到的最好的老师，没有之一！

备课堪称完美，讲课水银泻地没有一个停顿，几乎没有一句废话，讲的非常清楚。由浅到深逐步介绍java，非常合理的作业练习，让你巩固课堂内容。

这是大S的CS课录像，个人觉得比coursera上的课程质量要高出一些。

课程就是由零基础，给你讲java，一开始听机器人的编写可能云里雾里，但是他只是一个介绍，让你产生兴趣。第三节课大概，后，才是正式的内容。地里原来跟过，大家的反应跟我差不多。

强烈推荐大家跟下来！

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)

暂时只跟过Princeton的algorithms。

首先声明，algorithms的老教授上课很辛苦，我很感激他，课件作业也很认真，收获颇丰。

但是如果要比较的话，个人感觉，备课，人格魅力，上课不打瞌睡，吸引学生兴趣等等，mehran完胜。

可能是算法本身就难懂，再加上我有C程序的基础去学的java，总觉得斯坦福的书比Princeton的更容易懂

不想复习的午后是水介绍帖的好时间。今天来絮叨絮叨hinton大神的课。

1. 课程的基本信息：
课程平台：Coursera
开课学校：University of Toronto
课程全名：Neural Networks for Machine Learning
开课时间：10/1/2012 （貌似又是一个很久没更新过了的课- -|||）
课程链接：https://www.coursera.org/course/neuralnets

2. 难度
课程难度：3/5
作业量：一般
每周花在这门课的时间：quiz一小时一般都能搞定，不熟matlab估计2小时吧
以及你的基础：CS，相关research但是research基础没什么关系

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！）
基本上是一门神经网络方向百科全书式的课程，hinton大神是这方面做了很多年了，带出的学生（Yann LeCun为首）都已经是NN方面独当一面的大牛了，他在NN上的资历应该不言自明。整门课基本上涵盖从perceptron算法开始的一系列计算机科学史上基于神经网络的思想，对AI问题的主要进攻，包括很多很有启发性的经典模型。在课程的最后，hinton还会介绍一些近年来deep learning的发展，包括一些近年来（应该说当年了）多伦多大学（他们组以及他的前学生Ruslan Salakhutdinov）、蒙特利尔大学（Yoshua Bengio）、NYU（Yann LeCun）在deep learning研究中取得的一些比较有趣的进展。

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)
仔细仔细再仔细地看video，上课其实讲了很多很有用的知识，很多quiz错了都是因为video没认真看。。

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)
没上过相关的科目，感觉一般学校不会开这种课专门介绍一个理论上尚不成熟的领域，所以这门课应该是不错的deep learning入门（当然还有Stanford的UFLDL教程系列）

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）
感兴趣deep learning的话可以考虑了解一下。。

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
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。