我主要關註CS相關課程。推薦下我覺得不錯的：
1. 華盛頓大學的 Programming Languages
這門絕對是第一神課啊！很奇怪前面的回答很多只是輕輕帶過……首先，課程內容不是一般大學裏會教的，函數語言程式設計，一開始就讓你大開眼界！後面各種類別推導系統，用Scheme寫直譯器，還有非常精華的各種編程範式的優劣比較，醍醐灌頂毫不為過。其次，老師講的非常好，上過的同學應該還記得他上竄下跳要讓你記住函數類別的contra-variant規則吧！口音清晰，講解細致，即時寫程式碼進行解釋，不能更耐心了！最後，整個課程的作業設定也很好，有理論上的問題，也有編程實踐，而且難度也適中，每次都會先從熱身開始慢慢加大難度。最吊的就是peer assessment了！簡直就是code review最佳實踐啊，還能學習別人好的寫法，又是對功力的一大提升！總之這門課對整個Coursera系統的利用之完善可以說是到了極致，也正是因為上了這門課讓我從此對Coursera無比癡迷，瘋狂刷課……
很多同學問這門課好像Coursera上不開了，可以直接去這門課程的主頁學習：UW CSE341, Spring 2016 不知道作業系統之類的體驗如何……
16-12-24更新：
這門課又可以在Coursera上找到了！地址：Programming Languages, Part A - University of Washington | Coursera
第一次使用「神的編輯器」……
2. Maryland的 Software Security
這個是正在上的，也是講的非常好！把很多概念都串起來了，一周當黑帽，下一周換白帽，展現了電腦保安的方方面面。而且內容很新，heartbleed，MCFI之類的2014年出現的東東都提到了。這門課的deadline非常緊，作業都是限時送出的，還好上了第一周看難度不大，評分方面感覺有點bug……明明做錯了都算我得分……今年是安全大熱的年度，Maryland的安全系列課程有四門，感興趣的同學可以都跟一下！
3. Princeton的 Algorithms
目前上過的最好的演算法課，這位老爺爺師承高德納，但又不像The Art of Computer Programming那麽偏理論天書範……他寫的演算法紅寶書也是廣受追捧，看他上課的確是種享受，娓娓道來，各種圖表動畫，脈絡清晰。這門課的作業也很贊，有理論問題，有面試常見問題，還有編程大作業三部份。其中編程大作業難度挺大，課題都很有趣，比較偏工程，只給一個API的框架然後自己去實作整個流程（也就是不光包括核心演算法，也有檔IO，數據預處理之類的東西），每次都要做上好幾個鐘頭。編程作業的評判也是相當嚴格，會考察程式碼風格，執行時間，消耗記憶體，API呼叫次數等等額外的東西，讓我這個專業搞測試的人都有點汗顏了……說了這麽多，這門課還是有個致命缺點……所有普林斯頓的課程都沒有證書，連得分記錄都沒有……唉，本來是有望角逐第一神課的啊！
4. Stanford的 Cryptography
史丹佛的課程都特征明顯，講授內容會偏理論一些，需要不錯的數學功底。作業一般不限制程式語言，每次題目都是動態生成的所以不能靠猜的……作業一般只能送出3次，所以拿高分的難度也比較大一些。這門課也講的很好，老師語速很快，幾乎不用加速……可惜我的數學實在太差了……掌握的不是很好，只記得演算法裏到處都是x0r，那些神奇的Oracle Padding, Timing Attack等攻擊方法更是讓人大開眼界，還有老師那句重復了多次的永遠不要自己去設計/實作安全方面的核心演算法……等著明年再跟第二部份，考慮跟Maryland的同名課程比較著學下。
5. 北大的 計算導論
目前內地大學上過的課中唯一一門覺得值得推薦的……李戈老師的確講的很不錯！不過這門是基礎課程，適合大一大二或者剛轉行過來的同學，所以我沒上完就退了……
6. 密芝根大學的 Programming for Everybody
這門課我女朋友全部跟完了，非常適合沒有任何基礎的同學學習。其實編程作為一種愛好也是很正常的啊，裏面有趣的東西實在太多了，鍛煉腦子又收獲樂趣，何樂而不為呢。Rice大學有一門Interactive Programming in Python 也是入門級別，跟這個課挺類似。可惜做作業用Code Sculptor需要翻墻……後來也是因為比較簡單所以沒上完。
7. 喬治亞的 SDN
這門課其實講的比較一般吧，很多時候就是念ppt，不過好在內容很新也很紮實。由於本身就是個新課題，所以這門課每年的內容都在更新！除了講課本身，每周還有兩個業界大牛的interview作為補充，所以整體內容還是很地道的！作業其實也是比較簡單，不過把Pyretic Pox Kinetic等各種SDN技術框架都讓你體驗了遍，是一個很不錯的進入這個領域的起點哦。
配圖為某次作業，基於Haskell寫的NetASM，網絡組合語言！實作了一個虛擬交換機上的L2 firewall。
8. Stanford的 Compilers
恩，好難啊……我上了一周就放棄了…………我一定會回來的！！！
9. 華盛頓大學的 The Hardware/Software Interface
上面有同學說這門課講的一般……不過我覺得還挺好的啊。很多內容都是基於經典的CSAPP，作業非常有趣，劇透一下我的解題筆記哈哈……CSAPP - Buffer Overflow Attacks 對於像我這樣不是科班出身的人來說這門課是個非常好的基礎補充。可能由於第一門上華盛頓大學的課實在體驗太好，所以後面都有點愛屋及烏了。給予這門課強烈推薦評級！
某次作業……拆彈現場哈哈
10. Stanford的 Algorithms: Design and Analysis
史丹佛的演算法課，內容上從名字可以看出來更偏理論一些，課程上很多數學推導內容，可以說是內功心法……作業相比普林斯頓的就簡單純粹很多了！畢竟核心演算法基本就那麽點邏輯，幾行程式碼基本上都能很快寫完……這個課的老師實在是太像紙牌屋裏那個Peter Russo了（【 蟻人 】中的大反派！），真實分分鐘出戲啊……如下圖：
恩，另外上這門課時發現討論區挺活躍的！大家都在那討論如何最佳化自己的演算法，時常去看看很有收獲！附一個我的作業筆記：Python Algorithms
11. 台大的 電腦程式設計
其實就是講C語言，比較基礎，我女朋友上完了。作業還是挺有趣的，而且每次都會在deadline之後貼出參考程式碼，這個對初學者還是很有幫助的！有一個作業是講光線射入一間有各種鏡子的房間後會從哪個視窗出來的，我寫了下搞了一堆if else上去非常復雜……後來看了參考答案發現可以用陣列來控制一些跳轉邏輯，典型的邏輯與控制解耦方法，程式碼復雜度一下就下來了。這種在自己動手過程中發現的道理才印象深刻啊！最後一周的作業是寫個非常簡單的BASIC語言直譯器，讓我回想起那天夕陽下用小霸王學習機寫BASIC的小男孩，那是我逝去的青春……
12. 洛桑聯邦理工的 Functional Programming Principles in Scala
這個是Scala的作者親自講的課，其實在講FP方面我覺得是沒有華盛頓大學的那門講的好的，而且由於Scala異常豐富的特性，這門課的作業也會讓人在具體實作上有些迷茫，好像跟課程內容沒啥關系嘛……學完之後整理了個筆記，基本涵蓋了所有內容，有興趣的同學可以看看。註意文中有大量作業劇透，本想借此刷存取量的……可惜寫得太差，唔…… Learning Scala
13. Princeton的 Computer Architecture
又是一門很不錯的課，影片量大且難度專業度很高，講各種CPU的架構與設計，配合那本教材電腦體系結構 (豆瓣) 一起看效果很好！唯一的缺點是沒有證書……連作業都是pdf，全靠自覺，對我來說簡直是無法完成的任務…………給個截圖大家感受下……
14. Maryland的 Android系列課程
連結裏的是第一門，這個課沒什麽出彩的地方，但是循序漸進把安卓的各種部件都講解的很清晰，作業難度也比較低，很適合新手入門。後面還有幾門課由於我不再搞mobile方面的東西了就沒有再跟……不過看這個課感覺應該會很不錯的！編程作業都給了框架，然後本地跑安卓的UI Automation透過上傳log的方式來評判成績。另外也有peer assessment，下載別的同學的程式碼來跑什麽的。有一次作業裏包含了拍照錄像功能，然後就在截圖裏看到了世界各地上這門課的大叔/正太的自拍照，感慨了一下這就是mooc的魔力啊！不管你身在何方，基礎怎麽樣，現在從事什麽都可以隨時加入學習，一起討論進步，真是太美好了！
15. Stanford的 Mining Massive Datasets
最近開的新課，老中青三大帥哥齊上陣，影片量巨大無比……不過內容很新很有趣，介紹了好多從來沒聽過的大數據演算法啊！第一周講map reduce和page rank，聽完還以為是一門很簡單的小白課程，不過後面越來越精彩紛呈！最近一周直接講了Netflix那個推薦演算法大賽中大家是如何使用各種協同過濾，SVD/CUR演算法配合時間序列補償等等技術一步一步把演算法的誤差從0.95減少到0.87左右……當然最後要拿到大獎還是得用一鍋亂燉大法…………這門課的作業感覺偏簡單了點，感覺做了好多線性代數的復習題……恩，到時候挑戰下optional的編程題吧！
更新： 把編程題做完了，跟Algorithms裏某次的作業很像啊，還有期末考試沒參加，考完再來寫完整感想。
15-1-12再次更新： 期末考試發揮不佳，最後也就拿了94分……還是不夠仔細啊。考試期間還把這門課的中文版教材：大數據 (豆瓣) 過了一遍。總體是一門導論性質的課程，基本沒有要求實作那些提到的演算法。如果對自己要求高的可以根據參考條目之類把所有演算法都深入學習一遍，功力長進絕不一般。
16. 台大的 機器學習基石
也是最近在跟的課，老師說這是門story based課程，還以為會很輕松聽聽故事，結果…………智商被淩辱了有沒有？雖然叫基石，不過難度比Andrew Ng的那門大多了……作業更是我見過中最可怕的，選對得分，選錯倒扣，所以瞎猜的得分期望為0……做完只給總分，不給具體對錯結果，而且每次重試都有2%的扣分……所以一定要認真復查，仔細抉擇，瞎猜前記得齋戒七日，沐浴更衣……
14-11-28更新： 這門課終於上完了，發現每次聽課都還是比較輕松愉快的，但是寫起作業來就抓瞎了……每次都要花兩天時間來做，還從沒有一次刷到過滿分。總體感受這門課相當不錯，講解清晰，作業很有挑戰！在學習過程中搜尋了各個大學的machine learning的課件發現很多都直接用了這門課裏的圖片啊，作為連續幾年獲得KDDCup冠軍隊伍的成員，台大在這方面的教育水平應該也算拔尖了（查了下是三個姓林的教授啊，還有個很有名的林智仁是著名的libsvm的作者）。另外討論區裏林教授也經常親自回答問題，非常貼心！上這門課最好是有非常紮實的線性代數基礎，微積分概率論也有用到，對於寫程式碼本身要求倒還好，基本上用numpy或者用R，matlab都能對付。今天選了這門課的後續課程【機器學習技法】繼續挑戰自我！
對著【統計學習方法】做作業……
17. 新墨西哥大學的 Web Application Architectures
挺好的課程，主要就是介紹了Rails開發web app，MVC架構之類。作業真是不能更簡單了，不過本身也就是導論性質的課程吧，幾乎沒花什麽時間就把目前還算比較流行的web技術架構了解了一下，很值得一上！不過如果是專門搞這個的同學估計會覺得太簡單了，沒啥必要跟了就。
15-1-12更新：
18. 台大的 機器學習技法
【機器學習基石】的後續，仍然是屌炸天的難度……看介紹應該主要上SVM，AdaBoost以及神經網絡/深度學習。看這幾個名字就要熱血沸騰有沒有！昨天剛完成第一次作業，竟然史無前例拿到了400分。喜極而泣啊！上課過程中有強烈的想要補習線性代數，統計學的沖動……不知道大家有沒有什麽好的書本/教程推薦啊？
19. Johns Hopkins的 Data Science - Specializations
目前見過開課頻率最高最規律的課了……可能是因為很短（都是一個月）而且有9門之多的緣故吧。難度較低，12月一個月就搞定了4門，不過月底開始忙起來了，加上機器學習技法，估計這個月能上一門就不錯了……課程基本都是用R語言，比較系統地教授數據科學中的整個流程，比如獲取數據，清理數據，做初步分析（各種繪圖），可重復研究（看上去也就是完善的文件記錄）要點等。後面也會涉及到統計，回歸分析，機器學習之類偏數學的內容。幾位老師貌似都是搞生物醫學統計方面的。個人對使用R語言有些不太滿意……現在不都是Python大法好了嗎……9門課都是每月都有開，所以時間上來不及的時候可以退掉等下個月的……
20. 密芝根大學的 模型思維
第一次上中文版的課，以前覺得自己英語還是挺不錯的，基本不用看字幕都可以很順利地跟下來，現在有了中文字幕發現差距還是有的，基本可以全程2倍速（除了轉譯有瑕疵的時候）……這門課算是我上的第一門跟電腦方面關系不大的課，真是輕松無比有種看美劇的感覺啊。當然內容還是非常不錯的，有一周就講了【思考，快與慢】中提到的幾種理性偏差精華版哈哈。而且實用性也不錯，上過課我還真的潛移默化會在平時決策時搞個表格/決策樹什麽的東西來算一下……各種背景的同學都可以上，給予強烈推薦評級！
15-2-10更新：
最近工作壓力大，業余時間少了很多……然後Coursera最近開課的數量開始井噴，已經完全沒法每門課都體驗下了……好多好課都想上啊！看看能堅持幾門吧。
21. Illinois的 Heterogeneous Parallel Programming
當年看王越寫的Mac OS背後的故事系列時對異構編程充滿了向往，不過本人C/C++基礎很差，所以這門課選了也只是放在那……搞高效能科學計算的同學們可以關註下！
22. Illinois的 Cloud Computing Concepts
哈哈，難得選上一門跟工作實際相關的課程啊。之前看的大多數雲端運算的書都比較虛，這個課聽了個Intro感覺幹貨挺足的，編程作業是用C++實作一個member protocol，感覺挺有趣。這也是一個系列課程，每門課都不長，看起來負擔不大。必須要重點跟一下了！
15-4-13更新：
完成了CCC的第一部份，這門課的很多方面跟Mining Massive Datasets非常像，老師上課基本上就是講解各種分布式演算法，畢竟是一步一步講演算法過程，比看書應該吸收快一些。然後就是簡單介紹各種演算法的套用。涵蓋的內容還是相當豐富的，MapReduce，Gossip/Membership，P2P系統，KV儲存，分布式時序問題，大名鼎鼎的Paxos等等都有涉及，對拓寬知識面，了解分布式的一些基礎原理很有幫助。作業難度不大，美中不足的是唯一的一個編程作業用的是C++……完全不會啊……目前在跟第二部份的課程。
23. Illinois的 Pattern Discovery in Data Mining
本科時上過印象最深的一門課就是資料探勘了，當時就知道了這個著名的Han, Jiawei和他的經典教材。這次終於有機會聽一下他本人的授課了，不得不感慨這就是技術改變生活啊！
15-4-13更新：
可惜沒有足夠的時間，這門課沒有跟而選擇了Cloud Computing那個Specialization。由於這2個系列都出自Illinois，而且對雲端運算那個課的印象不錯，以後有空應該還會回來學的！
24. Brown的 線性代數
透過寫程式碼的方式來學線性代數真實令人耳目一新！主要是在台大的機器學習課程中被各種數學虐虛了，必須來補習一下基礎了啊！
15-4-13更新：
這門課我非常喜歡！講解，作業都很吸引人！尤其是對學到內容的套用部份，給人相當直觀的感受！比如用學到的知識去做照片視角的變換，套用於加密解密系統等。要是本科時的線性代數能這麽講該多好！美中不足的就是對於數學原理部份介紹還是比較粗暴的，可能可以結合 理解矩陣 | 我愛電腦 這篇文章一起看看會有所幫助。
25. 巴黎高等師範的 Statistical Mechanics
一看是個不認識名字的大學，查了下才知道是法國第一名校……聽了第一周的蒙特卡羅方法，對法式英語很不習慣……而且對這個領域之前沒有任何了解，他上來直接這麽講感覺讓人有點雲裏霧裏的……不出意外估計不會跟多久吧。
15-4-13更新課程：
26. 南京大學的 軟件測試
之前看了幾個北大的公開課總感覺老師年紀都好大，講課毫無激情，內容也比較陳舊。最近看了這個課的介紹部份，感覺內容很新，跟行業結合挺緊密的，而且老師也比較年輕，第一印象不錯。課程還專門搞了個Mooctest系統來幫助大家學習實戰，極具誠意，值得推薦！
27. EPFL的 Principles of Reactive Programming
Scala課程的第二部份，還是由Scala之父親自操刀。鑒於目前Spark如此火爆，有時間還是要跟一下的。另外Berkeley在edX開了兩門Spark相關的課，看介紹是用其Python介面來教學的，不過跳票好久了啊…… Introduction to Big Data with Apache Spark
15-6-29更新：
工作太忙中途放棄了Scala的這門課，影片和作業難度一如即往的大，個人感覺更偏實戰一些，應該是市面上最好的了解學習Scala的課程了！如果重開的話再跟吧。最近倒是把edX的那門Spark課上得差不多了，等全部完結再來寫總結。
15-9-29更新：
有好一陣子沒有上課了，而且之前Coursera也很久沒有推出新的讓我感興趣的課程……於是就刷了2門edX的課，也一並放在這裏吧。
28. UC Berkeley的 Introduction to Big Data with Apache Spark
與Databricks合作的課程，課程安排設計合理，講解非常清晰順暢，有種在看新聞播報的感覺，應該是花了大量時間準備+錄制的。主要就是介紹了時下非常火爆的Spark的工作原理，大數據的一些概念介紹。作業主要是問答題和Lab，這個Lab的體驗是相當的好啊！用Vagrant拉下虛擬機器來就直接搭好Spark環境，然後用IPython notebook來寫作業，感覺互動性，展示的美觀程度完全不輸Rmd！作業內容還是比較接近實戰專案的，整體難度中等，對著PySpark文件寫作業基本毫無壓力……
29. UC Berkeley的 Scalable Machine Learning
上一門課的後續，更多偏向了機器學習的內容。不過感覺深度一般，Scalable估計主要就體現在能用Spark來做類似MR的大規模並列處理了，在演算法細節上的最佳化介紹和機器學習原理性的東西介紹很少。時間也太短了點……感覺意猶未盡。多來幾周的內容就好了！
edX的證書：
今天看到有人在知乎說Coursera怎麽都是收費課程了，我上去轉了圈發現有大量課程更新啊！而且不少也采用了edX，Udacity裏那種學校和業界知名公司合作的形式……看來又可以一陣猛刷了。
30. Illinois的 Cloud Computing Applications
這個課是雲端運算系列課程中的第三門，影片量出奇的大……最近實在沒時間，到現在我第一周的影片都還沒看完。不過目前看內容感覺挺不錯的，雲端運算，大數據各種內容包羅萬象，講解內容也還是有所深入，並不是蜻蜓點水一筆帶過的那種。後續應該至少會把所有的影片跟完。
15-12-10更新：
Coursera改版之後把重心放到了「專項課程」上，最近主要關註了下Data Science下面的幾個專項。
31. 華盛頓大學的 Machine Learning Specialization
目前上過體驗最好的Specialization也是體驗最好的機器學習課程！對初學者友好度令人感動……被台大的課虐怕了的同學可以來感受一下。只要有非常基礎的Python，線性代數經驗就能順利上手，課程內容有趣，講解到位，正回饋多多，很容易堅持下來。目前完成第一門課是一個Overview，把後面幾門的主要內容都過了一遍，同時展示了Dato（這門課的合作商）強大的GraphLabCreate框架。作業難度低，而且趣味性及實戰性比台大的作業好不少，輕輕松松就實作了一個深度學習神經網絡有木有！不過如果是有經驗的從業者，估計這個系列難度會有點過低了……
32. UC San Diego的 Big Data Specialization
這個系列也不錯，主要介紹Hadoop系的那些東東，配合Cloudera的VM來講解，布置作業。上完前3門，MapReduce，HDFS，Hive，Pig，HBase，Spark，Splunk（這門課的合作商）都在作業中有了直觀的使用體驗，當然基本沒有什麽難度……從沒接觸過Hadoop生態圈的同學可以透過這個課快速了解下。
33. 華盛頓大學的 Data Science at Scale Specialization
雖然名字看起來很牛，不過給我感覺是這三個專項課程中最差的一門了。上完兩門，最後一門棄了。內容偏理論，講解略枯燥，上完感覺收獲不大。
另外還有很多新的CS方面的Specialization：Computer Science
有不少Python，Java和前端開發方面的課程，感興趣的同學可以follow下。
16-12-24更新：
34. 多倫多大學的 Neural Networks for Machine Learning
16年是人工智能和深度學習大紅大紫的一年，這門課又是來自宗師級人物Hinton，必須得上啊！上之前最好是已經有「傳統」機器學習的基礎，否則需要補習很多課程中沒有解釋的各種概念……這個課應該是12年制作的，在當時看來絕對是極其前沿的內容，Hinton老師帶著大家各種讀論文，甚至還有沒發表的研究成果，感覺更像是一門研究生級別的課。作業難度不大，編程作業用的是Matlab，稍微有點遺憾……要是用TensorFlow之類的多好！當然12年那時還沒有開源TF……老爺子的英語跟其它美語老師的風格很不一樣，喜歡看英劇的朋友們有福了 :)
35. 史丹福大學的 Probabilistic Graphical Models
這又是一個領域宗師親自上的課，跟吳恩達的cs229一起算是Coursera的看家寶了！概率圖模型本身是傳統機器學習裏比較高級的方法，只可惜現在風頭都在深度學習那了……課程本身內容非常豐富，也分了表達，推斷，學習三個部份來上（否則就要稱為一個近20周的大課了）。就講課來說個人認為比Hinton講的要更好，比較具體，會有推演和舉例。作業我只做了問答題，有兩個可選的編程作業沒有額外花時間去做了。強烈推薦搞這個方向的同學跟這門課。
36. EPFL的 Scala Specialization
這個其實就是之前Martin的Scala課程，另外加了2門並行和Spark組成了一個專項課程。第二門課貌似被閹割了一些內容，有點遺憾。整體上課體驗還是不錯的，編程作業很有挑戰性！Scala本身隨著大數據和Spark框架的崛起也變得越來越流行，反正我本人用了幾天Scala做專案原型後就再也回不去Java了……哈哈哈，必須向廣大JVM平台開發者安利下！
37. 密芝根大學的 Applied Data Science with Python
這個系列課程我沒有上，因為本身對Python，numpy，pandas，sklearn之類都已經比較熟悉了。不過對於想從事數據工作的人來說，都可以跟一下這個課入個門。Python本身學習曲線很低，掌握之後的生產率提升又很明顯，性價比相當高！看了下課程內容安排都挺合理，根據我之前上密芝根大學的其它課程經驗來看應該不會差。歡迎有上過此系列課程的同學提供反饋。
38. 優達學城的 深度學習
這個是Udacity的課程，其實就是Google出品的TensorFlow tutorial……比起剛開始這個課的內容上已經有所完善了，但總體來說還是一個走馬觀花的課程，比較適合有一定機器學習基礎的人初次體驗深度學習來上。作業內容就是TensorFlow專案裏的一些example，用Jupyter Notebook寫，語言用的自然是最好上手的Python binding。無論是作業還是問答題都沒有評分，全靠自覺。如果想系統學習深度學習，還是更推薦史丹佛的cs231n和cs224d這兩個課。
39. Deeplearning.ai的 深度學習專題課程
最近非常熱門的新課，大名鼎鼎的吳恩達主講！之前很多人評論說為什麽這個回答裏都沒提到Coursera的鎮站神課cs229，這次終於有機會體驗了一下吳恩達的講課！不得不說吳老板講課的確厲害，很多復雜的問題都講解的很清晰。總體內容上比較基礎實在，結構設計非常合理，各種承前啟後對新手來說很友好。而且裏面融入了很多吳恩達多年從業經驗的總結，比如gradient check技巧，還有整個第三門課程講如何組織機器學習專案等等。這點非常難能可貴。想起之前有人采訪數學家們說你們思考數學問題時真的都是像論文裏那樣滿腦子都是公式飛來飛去嗎？很多人表示其實不是的，他們會有一套更形象化更易於具象思維的表達方式來看問題。吳恩達是我見過少數能把這種「內在表達」非常清晰地講授出來的老師！現在只開了3門課，兩天就上完了有點不過癮……可以期待一下剩下的兩門CNN和RNN。總而言之，強烈推薦！
20年5月更新：
最近兩年沒有系統性的刷多少課，在這邊補充一些看到的比較有意思的影片集吧。
40. 台大李宏毅老師的 深度學習 機器學習
相比林軒田老師的課來說，這兩門課整體結構感覺有些松散，但優勢在於有很多新近研究成果的介紹。講解清晰流暢，新手友好度很高，二次元愛好者還有額外加成 :)
41. MIT的 電腦科學「補漏」課
感覺挺適合轉行程式設計師的，介紹了很多實際工作中會用到的shell, vim, git等工具。有經驗的程式設計師基本就不太需要看了。
42. 大名鼎鼎的 3B1B
用非常強大的視覺化和各種直觀理解出發來講解各種數學概念體系，非常值得一看！
43. 機器學習白板推導系列
陶冶情操，強烈推薦！
44. UC Berkeley的 Full Stack Deep Learning
對於工業界的演算法套用落地來說，模型只占了非常小的一部份，而以往大多數的課程都基本把90%以上的關註都放在了模型上。這門課對於演算法工程化落地的整個lifecycle都做了詳細的介紹，很有實戰參考價值。上完這門課還寫了個學習筆記：字節：Full Stack Deep Learning 。
45. Stanford的 MLSys研討會
跟上一門課類似，機器學習系統方面的話題逐漸在學術界也受到了更多的重視。這門課邀請到的嘉賓質素很高，例如Matei也來親自講授他們在MLflow構建和服務使用者過程中的一些經驗總結，還有像Jax，Horovod等耳熟能詳的框架作者。不過研討會的話沒有那麽好的系統性，可以選擇相關感興趣的話題來聽。
46. Deeplearning.ai的 MLOps專項課程
吳老師的新專項課程，針對AI落地的問題進行了很好的闡述講解。目前刷完兩門，發現landing.ai在專案推進過程中碰到的很多問題跟我們觀遠在做AI專案落地時的挑戰非常相似（之前以為做CV, NLP應該情況會不太一樣），課程中的內容也有不少印證了一些我們的思考。非常值得一上的課程！
47. Stanford的 CS224w
GNN 領域大佬 Jure Leskovec 的課，質素相當之高，是個人學習過的最好的圖機器學習領域的課程。其中順帶講的一些知識圖譜的內容也比之前看的大多數相關書籍課程來的清晰實用。想起上一次上他的 mmds 課程已經是八年前的事情了，當時 Jure 還是一顆學術界冉冉升起的新星。現在看他的谷歌學術主頁，已然是圖領域的權威大拿，未來拿個圖靈獎估計也很有希望 :)
48. Brady Neal的 Introduction to Causal Inference
最貼近 ML 視角的因果推斷課程，鞏固了下基礎知識，也開拓了不少視野，終於了解了從數據中學習 SCM 是怎麽做的了，從因果角度看 transfer learning 也很有趣。美中不足的是配套程式碼太少，很多術語聽著還是有點懵，可能要找幾個相關的開源庫配合學習一下更能加深理解。
49. 極客時間上 郭東白的架構課
思考能力相當深入的大佬，課程設計與準備也很用心，非常適合資深技術從業者學習參考。我基本是在開車路上聽的，好幾次停好車又倒回去重新聽了一遍，對照自己的一些實際情況反復思考，收獲很大。
50. YC的 Startup School 2019
非常經典的創業課程。每年的課程內容看起來差別不大，我聽的是2019年的版本，還整理了一篇跟打造產品相關的學習筆記。
51. 得到上的 施展·國際政治學40講
公開課交流群友推薦的課程，這門課跟【置身事內】這本書讓我在政治學領域大大開拓了原先狹窄的見識。而且這門課本身的講述也非常生動有趣，史料解讀配合清晰的理論脈絡，值得強烈推薦！
52. 耶魯大學的 心理學導論
上這個課的初衷是在得到上刷另一門跟產品思維相關的課，老師提了很多心理學的內容，我又嫌他講的有點缺乏體系，個人解讀太多，所以就幹脆棄坑去上了門正經的心理學課程。不過這個課的版本也不是很好，很多影片內容都因為版權問題缺失了。接下來考慮再上下哈佛的心理學課程感受一下。
53. James Shore 的 TDD Lunch & Learn
最近學習軟件工程與自動化測試看的一個編程直播課程（我還挺喜歡看寫程式碼直播的），這種直觀的演示能學到的具體技巧還是挺多的，對於實操方法也有了更多的體驗感受。除此之外還看了很多來自 JetBrains 的影片，包括重構，IDE 使用技巧等，也值得順帶推薦下。
54. NeurIPS 2021的 Data-Centric AI Workshop
這兩年 Data-Centric AI 的趨勢愈演愈烈，包括時下流行的 ChatGPT 很大程度上其巨大的進步也來自於精心設計與高質素的人工標註數據。這個會整體的質素還是挺高的，同樣也寫了一篇相應的學習筆記供大家參考。
---8<---8<---8<--- 分割線 --->8--->8--->8---
最後必須炫一下證書集了，我上課的最大動力啊……
