coursera课程推荐 Coursera 上有哪些课程值得推荐?

最近开始狂补数学、统计以及机器学习一块的基础知识,采用的是大量观看同一topic下各种不同学校不同老师开设的MOOC来不断反复强化一些概念。下面是我看过的一些课程,主要是coursera,也有可汗和edX。

先说一下可汗学院,它给我的感觉是讲课速度比较慢,题目示例很多。但是很多题目解题节奏偏慢,我总会忍不住往前拉进度。网站用视频配合习题的方式很赞,习题也挺多样性的,并不只有选择和填空。我在上面看过概率和统计的视频,也做了大部分习题,基本上可以比较轻松的跟上,甚至有点太简单了。所以可汗可能比较适合第一次学习某个topic的同学吧。

微积分:
1. (Coursera, Ohio State University)
强烈推荐。一个Coursera上面新出的self-pace类型的课程(和可汗的方式很像,放几个视频就会接一个小测验)。老师讲课的语气太有意思了(表情也很有意思……),而且上课的方式非常多样性,并不是单一的用讲义,一会儿用黑板一会儿用纸,有的时候还有搞些虚拟现实的东西。很期待这个老师接下来要开的Calculus Two以及其他课程。

概率和统计:
1. (edX, UC Berkeley)
一套三门课程Descriptive Statistics, Probability, Inference。入门的统计课程,难度不大,我是躺在床上,半休息的状态看得,基本上能轻松的跟上老师的进度。个人觉得Descriptive Statistics和Inference还是值得一看的。Probability相对一般,更推荐下面这个台大的概率课程。

2. (Coursera, 台湾大学,中文)
强烈推荐。 老师开的课,可惜没赶上开课的时候,所以不能尝试专门为这门课开设的游戏系统了,还有些遗憾呢。老师非常有趣,课上举得问题示例很有意思,另外课程里面穿插的各种闲聊也相当赞。内容比上面UC Berkeley的概论课程里的Probability要深入透彻多了。
前面几讲有一小节叶老师讲到“概率”和“统计”的区别是什么,一句话顿时让我豁然开朗——想想自己虽然5、6前年就学过概率统计,但是这两的区别真的从来没有好好想过,光是这个点就让我对叶老师一下肃然起敬啊。

3. (Coursera, Duke)
强烈推荐。超级喜欢这个老师讲课的节奏,非常紧凑,但重点突出,示例丰富,该说的重点反复强调。内容比UC Berkeley的课程深入更多。更重要的是,这个老师提供一个配合这门课程的R的在线学习教程,用过就知道有多好了。这绝对是一门理论与实践结合的课程。配套的教科书是一本免费的书,也写的相当好。如果能按着这个老师的安排,把网站上的quiz,在线平台上的R练习题,再加上教科书上面相应的章节和习题都看过做过,那绝对不亚于正规大学开设的专业选修课强度(也许比不上数学系的,但比我当初在计算机系学的统计要讲的更深入、内容更多,更别说还有R的编程实践了)。

4. (edX, Karolinska Institutet)
我只看了第一周的课,应该基本上只是介绍R的使用,而不涉及对于统计的介绍(也就是假设你已经有统计的一些基本知识了)。后来因为发现了上面Duke的那门课,就没再继续了。打算等Duke的课结束了再用它来复习一遍R的使用。

社会网络分析:
1. (Coursera, UPenn)
概论性质的课,介绍了现实生活中各种社会网络(图)具有的性质。然后一些图的生成模型,另外再加上一些博弈论的东西。我花了不到一个星期就快速过完了它的所有视频和课后练习题,算是对这个领域有了一个基本的概念吧。但是这门课并不深入,我觉得难度顶多是大学里面全校通选课类型的概论,不要期望太大。

2. (Coursera, Stanford)
推荐。从目前公布的两周的视频来看,感觉是上面那个课程的专业加强版。看过这门课程的教材,内容还是比较丰富的。

3. (Coursera, Princeton)
和前面两门课切入点不太一样,以具体的实际问题切入(比如CDMA是怎么工作的)。配合着看看挺有意思的。

算法、数据挖掘、机器学习:
1. (Coursera, Princeton)
目前为止看到第3个lecture,难度相当高。但是因为我对这个topic实在是很感兴趣,所以打算硬着头皮撑下去。建议要学习这门课程的同学:(1)一定要看教材(课程视频太简略了),(2)注意不管是教材,还是课程视频和讲义,都有很多的typo,一定要时刻保持警惕性,勤看errata。

2. (Coursera, EPFL)
线性规划的专门课程,课上的主要内容就是老师在一点一点进行推导。
3. (Coursera, Stanford)
不用多说,Coursera开山大作之一,覆盖面比较广泛。
4. (Coursera, Stanford)
推荐。这门课讲的Bayesian Network, Markov Network都是我很感兴趣,但之前在别人paper里面看得半懂不懂的东西。视频讲座的内容很丰富,老师讲的也很清楚。看了布置的作业,有够多的编程练习,应该深度也足够。准备接下来一段时间主攻的方向。
5. (Coursera, 台湾大学, 中文)
推荐。又见台湾大学,台大的公开课真的做得不错。这门课主要是从theory的角度来切入机器学习,可以和其他从application角度切入(比如Stanford)的课程进行互补。这门课的深度足够,老师直接就在视频里面说难度不会比在台大开设的课低。
6. (edX, Caltech)
推荐。和上面台大的课是同一本教材(Caltech和台大的两个老师都是这本教材的作者)。视频就是学校里面讲课的录像,感觉比台大的课讲的稍微简略一点。讲座最后的Q&A环节特别好,老师会回答一些学生的问题,很多问题提的非常好。7. (Coursera, Stanford)
这门课的教材网上免费下载,其中一位老师ure Leskovec参与的research paper看过不少,是个年轻有为的帅哥啊,哈哈。最开始就讲Map-Reduce,特别强调需要处理的数据量很大,所以经常会讨论因为数据量大产生的实际问题,而不单单只是基本的算法。另外,感觉是以各种经典问题为切入点来整理上课逻辑,所以各个问题间的关联现在看并不太大(比如第一周的课是Map-Reduce和PageRank,但是这两者之间好像并没有什么关联)。
=======下面是从共通的topic的角度来重新整理各种我学过的课程。和这个问题关系不太大,但也许有些人会有兴趣,所以也接着放在下面了======

1. PageRank算法
计算Graph中节点重要性的超经典算法,所以几乎所有讲social network,graph的课程都会讲到。
(Coursera, UPenn):Lecture 12(17分钟),比较简要的介绍。
(Coursera, Princeton):Q3(90分钟),很详细。因为这门课并不是专门针对理工科的学生,而是概论性的通选,所以讲课的节奏比较满。Part A是简单的例子介绍,Part B用线性代数形式化了问题,Part C和D分别讲了两个PageRank中需要处理的问题(无出度节点和环路),Part E总结。
(Coursera, Stanford): Week 1 (80分钟),很详细。但是比上一个Princeton课的进展要快,会假定学生已经有一定的数学基础,我更加喜欢。虽然时间比Princeton的课略短,但涉及的内容反而要更加多一些的(比如实际具体计算时怎样利用Sparse矩阵来节省存储空间)。 (Coursera, Stanford): Week 2 Centrality - Eigenvector (13分钟)。虽然这门课没有直接讲PageRank算法,但是Eigenvector来衡量一个节点的Centrality其实就是PageRank的基本思想了。不过这里和PageRank稍不同的是课程举的例子是无向图,而不是有向图。   4/4   首页 上一页 2 3 4

爱华网本文地址 » http://www.aihuau.com/a/81540103/1800.html

更多阅读

声明:《coursera课程推荐 Coursera 上有哪些课程值得推荐?》为网友含笑戏红尘分享!如侵犯到您的合法权益请联系我们删除