今天在图灵Q群里聊到一些公开课心得。群友隋春宁建议我总结一下、发到社区。我也觉得这些信息可能对公开课同好有帮助,遂总结如下:

我觉得比较好的课程:

  • Algorithms: Design and Analysis, Part 1 和 Part2 都挺好的,算是理论和实践结合得很好、难度介于入门和专业之间的课程。

  • Web Intelligence and Big Data 涉及的面比较广,但每个点讲得都不深。如果想对这个领域有个全面了解和认识,可以听一下。不过讲课人略带口音,听起来有点别扭。

  • 几门复杂网络(社交网络、经济网络分析等)课程都相当不错:Networked Life、Social Network Analysis、Social and Economic Networks: Models and Analysis,(还有一门 Networks: Friends, Money, and Bytes,我没听过,但据其他人评价应该不错),我从中学到了很多。而且我想,这里的概念和机器学习的联系也都是很紧密的。但复杂网络(其实大多是图论知识了)和机器学习的交叉,现在做的人还不太多,基本上物理和计算机两边还都是各做各的。这一块未来应该有不小发展空间。

  • Image and video processing: From Mars to Hollywood with a stop at the hospital 和 Computational Photography 都是入门课,适合想对图像处理有所了解的人听。讲课这两位老师都是大牛,算是深入浅出吧。

  • Functional Programming Principles in Scala,语言大师、Scala 创始人 Martin Odersky 亲授。我虽然没跟完,只听和做了前面三到四周的课和作业,但感觉很有收获。编程作业应该和 sicp 蛮相关的。能领会不少函数式编程的精神。

  • Neural Networks for Machine Learning,这门课由神经网络和深度学习的宗师 Geoffrey Hinton 开设,也是覆盖面很广。如果先对神经网络有一些了解与实践,再来听可能收获会更大。我就是当时听的时候很多东西都没理解,现在仍然在反复看。

  • Linear and Discrete Optimization 这门课不错,大多是 Papadimitriou 那本经典教材《Combinatorial Optimization》(有中文版《组合最优化:算法和复杂性》)的内容,建立了线性规划与组合优化之间的联系,对算法设计与分析也颇有帮助。看过之后,会明白图论很多经典算法是如何从线性规划角度推导出来的。

  • Introduction to Finance 算是不错的金融学入门课,后几周对我来说有点难。我个人感觉金融思维属于和我当前思维完全不同的另一种思维方式,渐渐习惯之后,可能会对生活中的很多事物和现象有全新的认识。

我觉得比较烂的课程:

  • Game Theory 不推荐。。讲得很乱。问过周围的coursera学友,几乎都有这种感觉。尤其是后几周。

  • Computational Investing, Part I 不推荐,老师讲得乱七八糟的。

  • Heterogeneous Parallel Programming 不推荐。。同样是讲得乱七八糟。内容主要是 cuda 编程。想学这方面内容,可以去 udacity 学那门 Introduction to Parallel Programming。

  • Computing for Data Analysis 这门课不推荐,讲R语言的,但感觉讲得很乱。反正我听完到现在是没什么印象了。

暂时就这么多。还有一些课,比如:Control of Mobile Robots 、Introduction to Digital Sound Design 、Games without Chance: Combinatorial Game Theory 、Learn to Program: Crafting Quality Code 等,在我来说属于不好不坏的课程。有时间的话,听听亦无不可。

欢迎讨论:)