【长期加分贴】介绍和点评你上过的公开课

看着大家分享的大部分是理工科的课程，我就分享几个偏文科的吧

1. 课程的基本信息：
课程平台: 网易公开课
开课学校: yale
课程全名：Game Theory
开课时间：很早以前的了
课程链接：http://v.163.com/special/gametheory/

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？)
按照课程里面的说法，这门课在yale要有几门先修课，不过基本上国内的大学本科都上过，就是一点基本的数学知识，特别是老师在提到要用数学的时候都特别小心，（貌似大部分美国人都不太喜欢数学还是学习这门课的专业的学生都不太擅长数学？），听下来感觉没什么难度，里面的思想也很好理解，我是大二时候听的，基本上每天一节甚至有些时候每天两节就学完了

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（请具体！）
因为之前看了《美丽人生》对纳什均衡和博弈论开始感兴趣，就找来这门课看了，觉得老师讲得挺不错，很清楚，而且因为用到的数学都很简单，所以听下来也不费力
老师的英国口音很有意思，纯当练听力了~~
上完这门课之后对囚徒效应和纳什均衡都有了比较深刻的理解，老师更多还是讲了很多博弈论在各行各业的应用，听完之后就感觉这个东西确实很有用
作为一个理工科的学生，我觉得对博弈论的知识有所了解也是有帮助的~~

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)
我觉得这门课的老师在讲解的时候其实对理论的东西讲的不多，更多的是介绍博弈论在各种社会问题的应用，所以如果能找一些相关的资料扩充一下知识背景是有必要的
第一次学的时候有些地方就没弄懂，重复看了几次才弄明白的


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)
博弈论感觉比较有名的就是yale的这个公开课了，其他相关的课程就没有上过了

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）
如果参考课件来看的话会更清楚一些，当然在有些计算部分可以先点暂停自己先算一下推导一下再来看老师的结果会比较好

1. 课程的基本信息：
课程平台: 网易公开课
开课学校: yale
课程全名：Introduction to Psychology
开课时间：很早以前的了
课程链接：http://v.163.com/special/introductiontopsychology/

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？)
这个是心理学方面的基础课程，也是大二时候看的，当时因为对心理学感兴趣，顺带研究一下男女关系，所以就看了这门课程
文科类的课程听的时候就比较轻松，不需要做什么额外的作业，基本上讲的东西当堂就能消化，也是每天一两节就看完了

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（请具体！）
其实一直以来对心理学都很感兴趣，也看过一些相关的书，只是没有系统地学习过
大二时候有了点时间就打算看看这个公开课把心理学的一些相关知识系统第过一遍，比如弗洛伊德的精神分析论啊等等，另外还了解了一些心理学的研究方法，比如怎么做实验啊之类的，感觉国外大学开设这些课程更多都还是为科研做准备吧
关于心理学我个人的看法是，如果结合生理学来看的话对一些人类现象的理解会更深刻一些，如果光看心理学有些东西容易代入太多主观的东西

另外既然谈到男女关系，在我看过的书当中我推荐的是《进化心理学》、《自私的基因》和《精子战争》这三本书，基本上涵盖了男女关系最本质的一面
楼上推荐了一个《从动物看人类行为》的课程也不错

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)
因为以前就有过一些积累，所以总的感觉在知识背景的提升上就不是很多，这门课对我的作用主要还是梳理一下心理学的一些基础知识吧


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)
最赞的是讲课的老师很幽默，很容易调动气氛，不愧是学心理学的！
不过遗憾的是讲课过程中的一些视频图片的材料因为课程隐私的问题看不到，所以有些地方会有点跳度，感觉有点怪怪的

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）
建议要是能找到这门课程的课件资料来边看边学会更好

1. 课程的基本信息：
课程平台：Coursera
开课学校：Columbia University
课程全名：Natural Language Processing
开课时间：2013年
课程链接：https://class.coursera.org/nlangp-001

2. 课程难度：
感觉课程难度还好吧，基本上都能比较轻松的理解。需要有一定的算法、概率、以及编程基础。我没有上过任何专业课。
作业量是比较少的，两周一次quiz，两周一次programming assignment。每周的lecture大概看三个小时左右。我水平比较弱，Programming Assignment可能一次得花一天。

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！）
我一直对NLP很有兴趣所以上了这门课，上完了以后还是对NLP很有兴趣。感觉课讲的是很清楚易懂的！打算自己再在NLP上继续深入学习。

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)
好像暂时想不出什么改进的点。。

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？(选答，如果你还跟过其他类似的课的话)
没上过类似的课。去年上过coursera上Stanford的Cryptography I，感觉相比之下这门NLP课难度稍微低一些，课程量作业量也稍小，但是可能因为和生活结合比较紧密所以比较容易记忆深刻。另外这门课感觉讲的topic不多，但是每个topic都讲的很细很透彻。相比之下Cryptography那门课感觉一下子灌了很多东西，但是没有讲透，导致过一段时间就迷迷糊糊了。

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）
认真完成Programming Assignment会很有帮助！然后可以多看看Lecture Notes，Lecture Notes写的很棒，对Video Lecture有各种补充。

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, UPenn, Gamification, Jan.27,2014, https://www.coursera.org/course/gamification

我会说最初注册这门课程是因为把它当作了博弈论么o(╯□╰)o
不过看了一开始的几节觉得还蛮有意思的，而且课程assignment难度不大，每周平均只需要2h不到，搞定quiz和统共3个Written assigments就可以了~
课程主要讲的是Gamification游戏化的概念，应用，核心模块，以及在社会各方面的应用。课程整体还是偏概念的讲解，3个WA是将课堂内容应用到实际不过随便纸上谈兵一下就ok的~
学了这门课就会发现网络中gamified system无处不在。linkedin里面资料完成度百分比，renren、微博的勋章，stack overflow的等级，就涉及到Gamification最重要的PBL triad（points，badges，Leaderboards）
这门课不能简单地划分为文科/理科领域，对于开发游戏、社交应用的程序猿，如何让你的用户对自己的app痴迷增加用户黏性？对于管理者，如何让下属愉快高效的工作。。。相信这门课程会对每个人每个领域都有所启发！

开课学校：stanford
课程平台：coursera
课程名称: machine learning
课程链接: https://www.coursera.org/course/ml

这门课从coursera诞生就一直很popular，前面也有很多大神评价过了，我就姑且说说自己的感受吧
1. 内容：的确是ML非常好的入门课程。大家听ML觉得很高大上，但是如果跟完了这门课，就会发现曾经”传说中的“ NN、SVM对自己都不再是传说。主要讲了：
supervised model: Linear Regression; Logistic Regression; NN; SVM
unsupervised model: clustering,PCA
application: 房价预测啊，手写数字识别，异常检测，推荐系统，OCR识别,etc. 还有处理大数据的一些技巧等等。
与工业实践结合的很好，而且由于是入门课，甚至连梯度的求法都不需要掌握~

2. 作业：编程软件Ng用的是Octave，不过是和matlab完全一样，我会说我全程都是在我的2013b上完成的么~~~
编程作业主体框架全都搭好了，而且pdf还会有很多提示。对于我个人来说，挑战性不是很大（小得意一下）。相比于现在正在上的computing for data analysis，作业提示真的很详细

3. 其他：作业错过每周的提交日期，只要在课程截止前提交只有20% penalty，这也会给很多业余时间紧张的童鞋上完课程的决心吧

总之，我觉得Ng不止是学术大牛，对教学也用了心，这门课门槛真的很低，欢迎对ML有兴趣的孩纸take！

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。

課程平台: Coursera
連接 : https://www.coursera.org/course/assetpricing
開課學校: Chicago Booth
全名: Asset Pricing
時間: 2013FALL

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？)

課程難度相當扎實，從Consumption Base Asset pricing開始，使用John Cochrane 2005 Asset pricing Revised課本，
幾乎每周都有problem set需要解，需要會stata或是其他統計軟體。是專業內容，每個禮拜至少10小時。

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！）

內容包括Consumption BAP , CAPM , 以及Dynamic Asset pricing。
後半介紹Emperical Asset Pricing，Fama MacBeth Procedure，各項統計方式進行實證。相當扎實一門課。

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)

先準備好統計軟體技能，Matlab, SAS都好，老師使用Matlab。可以減少花費時間。
可先讀黃奇輔的財務經濟。

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)

大概是大師的原創了! 就是作者。

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）

建議先空出時間，好好跟這堂課，會非常有收穫。

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。

課程平台: Coursera
連接 : https://class.coursera.org/statistics-001
開課學校: Duke University
全名: Data Analysis and Statistical Inference
時間: 2014 Feb-April, new session will start from Sep 2014

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？)

Data Analysis and Statistical Inference 是很好的一门data science入门课，老师讲得很清楚，内容覆盖得也全面。个人感觉比JH的那套分开的7门课好。每周作业量相比其他课程比较多，一个quiz一个lab，加上听课，大概会花5个小时。课程中期和后期还有midterm和project，final，需要复习准备。最好保证每周都跟上。

Data science我是0基础。唯一优势是学计算机的，数学也学得比较多。所以讲概率论的时候觉得很简单。

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！）

论坛上有人抱怨过老师语速快，课程比较难。不过个人觉得挺好，老师语速快不会犯困，学的东西也比较多。
这是我上的第一门mooc课，拿到92%的distinction。上完课觉得自己入了门，中间还去上了google的一个making sense of data课程（https://datasense.withgoogle.com/），3个小时就可以学完再加上1个小时project，就拿到google那门课的certificate。都是多亏 Data Analysis and Statistical Inference 打的基础。

后来也报了JH的2门课，觉得太不实在了拆分成7门课，要是买certificate不是贵死了。课程也比较啰嗦不那么实用。

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)
重新学的话project会做得认真一些。peer assessment真的是根据你有没有覆盖某个问题而打分，注意点的话，分数也会高一些。
另外，之前的quiz错的地方最好弄明白，多尝试几次取最高分，同时对后面midterm和final做题也有帮助。我就在同样的题上错了2次。

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)
上面提到过，比jh的课实在一些。

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）
建议每周跟上。
上这门课的时候加入了一个微信群，感觉和大家一起学习，劲头更大些。建议大家多找学习伙伴。

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：SJSU
课程全名：Intro to Java Programming
课程链接：https://www.udacity.com/course/cs046

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？)
差不多全去年六七月份跟的，本科是上过计算机的公共课，不过跟没上过也没多大差别……
每周的课程会划分成十几到二十几个video片段，基本上每个后面都有个小quiz；每周有一些coding作业，都不难完成；有两个midterm一个final。
真的是基础课。集中精力的话一天可以学完一个week，10天就能搞定了。

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！）
强烈推荐给像我这样想转行的同学！Udacity上的课就是专门为online设计的，所以很是生动有趣。
貌似现在以Python入门更加流行，我倒是觉得除非是做data，不然当码农怎么也绕不开Java，Java会了应该可以在学某方面知识（比如web）的时候顺手学了Python。

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)
因为当时想着来美国之前把这门课上完，所以赶得比较紧。现在觉得学新东西还是慢一点基础会更扎实，特别是细节方面。

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)
来CMU第一学期上了08600 - Java and J2EE Programming，水课，不过内容和强度还是比这门课大些。08600前半学期基本覆盖了Head First in Java，这门课大概只覆盖了一半吧。
但是上过08600的很多同学都觉得讲的太宽，很多东西都不深入，似懂非懂，好在难度不大。而这门课则在细节方面做得非常棒，特别适合打基础。

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）
多用论坛。当时组团跟MOOC还没有这么流行，虽然在1p3a发了贴好像也只有我在跟。碰到的问题基本都能在forum找到答案（我记得好像是因为发贴需要关联到作业对应的题目）。
可以结合Head First Java这本书来看，这也是一本很有趣的入门书。

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
课程全名：Algorithms, Part I
开课时间：我是分了两个session跟完的，2013/8/23那轮最后一次assignment和final没做，2014/1/31那轮补上了。
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？)
Part I基本就是数据结构，一共六周。
除了本科的计算机公共课就是上过Udacity上的Intro to Java Programming。跟第一轮的时候同时也在学校上08600 - Java and J2EE Programming。
每周两套各七八十分钟的video，我基本得各看仨小时，两套exercise都刷到满分也得花些时间。至于assignment，我当时没怎么写过几百行的程序，白痴问题挺多，有时候理解题都有问题，还是感觉比较吃力的，一天搞定有点困难。在此感谢祥叔和其他一亩三分地的小伙伴们。

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！）
Exercises和final不错，考的比较细。Assignments也很赞。Lectures我觉得讲的就比较理论，略枯燥，不知道这是不是Princeton的风格。

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)
学这门课之前如果比较习惯写几百行的程序了应该会轻松不少。

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)
Spring 2014还上了15122 - Principles of Imperative Computation，用的语言是CMU老师专门为这门课写的C0，有一半内容在讲数据结构，算是重复了吧。
作业的难度感觉15122没有这门课难，因为15122都是拆成一个个task，所以上手和debug都比较容易。而这门课则是给你个API直接让你实现出来。但是15122最后的final被虐出翔了，平均分~60%……
但说到lecture，15122真心比这门课强太多了。这门课感觉就是照本宣科，15122的notes做得实在是太好了，循循善诱，就像老师在旁边讲一样，以至于我后来都懒得去上课了……
不过这门课的一个优点是视频里数据结构的可视化做的非常好，值得一提。

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）
初学数据结构我个人感受最主要的不是去看code怎么实现的（当然这个也很重要），而是在于理解里面的思想。我当时就有点本末倒置了。

1. 课程的基本信息：
课程平台: EdX
开课学校:Cornell
课程全名:Networks, Crowds, and Markets
开课时间:14年3~5月
课程链接:https://courses.edx.org/courses/CornellX/INFO2040x/1T2014/info

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？)
我没有任何网络方面的专业基础，只是比较感兴趣。不过课程还是很好理解的，学过概率的话应该没问题。每一段视频只有5~8分钟左右，一般每段视频结束后都有几道题的作业，这几道题一般5~10分钟可以完成，甚至还要不了那么久。这些作业是可以修改答案的，一直到你做对为止，不过占的分数比例也比较小啦。一般来说每七八段视频会组成一个大的章节，在大的章节结束时会有一份大作业，可能要半小时左右完成，这个作业时不能修改答案的，只能提交一次，占的分数的比例也比较大。一般来说一天花1~2小时在这门课上足够了，甚至用不了那么久。

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！）
这门课是康奈尔大学计算机系和经济系合作开的课程，有三个教授授课。内容有Graph theory, game theory and auctions, market matching, web search, information cascades and social contagion 这几大部分。感觉这门课和实际联系还是挺密切的，里面的理论可以用来解释很多生活中经常见到的东西，比如会讲到拍卖时怎么出价比较好，会讲到人际关系网络，会讲到搜索引擎怎么排序（以前对SEO比较感兴趣，看了这个公开课后就觉得一下子知道SEO是怎么回事了），总之就是觉得这门课还是挺有趣的。当然啦，基本的数学知识还是要用到的，有时候要做一些运算什么的，也是要费一些脑筋的。学一门课就是这样，开始容易，坚持下来还是要花费不少精力的。尤其是到最后期末考试的时候，还是要把前面的内容复习一下的，不然好多东西有点记不清了。

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)
这门课其实是我在结课之后audit的，因为当初发现这门课的时候已经很晚了，拉下了很多内容，跟不上了。如果重新学这门课，我会早点注册，跟着教授的步伐一步一步地来，这样可能会学得更轻松。当然啦，还可以来一亩三分地记录一下刷题的过程，赚点学分；跟着教授走还有个好处就是因为很多人都在学这门课，可以有人一起交流。这样的话，结课时可以拿到一个certificate，还是很有成就感的哦。背景提升方面，我觉得还好吧，以自己的目前的背景，学这门课没问题。

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)
很久很久以前跟过Stanford的machine learning课程，感觉差不多，都是视频教学，然后作作业，考试，拿certificate。只不过这门课是3个教授一起上的，而且是不同学院的教授，讲的内容也挺切合实际的，我觉得还是挺适合不同背景的同学，哪怕作为一种常识来学习我觉得也很好。

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）
第一个就是要及时关注这些网站，看他们推出什么课程赶紧参加，这样不容易拉下进度，方便以后拿certificate。
第二个就是要来一亩三分地刷题（我好后悔呀，没有赚到学分）。
第三个就是每天完成一点点比较好，这门课每段视频比较短，每一个作业也比较少，特别适合分散性学习，不一定要一下子花很长的时间。课余时间放松的时候看一段也不错。
至于基础什么的，我觉得还好，学过概率的话应该就没有问题。这门课还有个好处就是配有字幕，听力不好也没有关系。