from http://yangzhang91.com/onlinecourse.htm
初识Online Course，恐怕要追溯到高中时代了，当时参加信息学竞赛，看了MIT OCW（OpenCourseWare）中的Introduction to Algorithms和Introduction to Computer Science and Programming这两门课程，虽然有好多没看懂的，但是也基本上算是大部分都看下来了，那时候还得完全依赖字幕才能看懂。
第二次接触到Online Course，应该说是一次偶然，从王瑞大牛的blog上发现有一门课叫Machine Learning，出于好奇就关注了一下，还没来得及开始看，这个网站的创始人Andrew Ng已经把这一门课发展成为有好多门课的Coursera，没想到短短一年多，Coursera已经从当时的一门课迅速发展到300多门课，种类之齐全，发展速度之快，上课人数之多，令人叹为观止，不禁让人联想，未来的大学，会不会被Online Course完全取代？
我也是从2013年开始才算完全腾出时间来好好上Online Course，这不到半年的时间里，Online Course让我学到了非常多的东西，也是我能够申请成功清华交叉信息研究院的首要原因。在这里，我也想把自己的感受和心得分享给所有的人，希望有更多的人能够加入到Mooc的大军当中来。
（下面推荐的课程只是我的个人见解，并不是这些课我都修过，有些我也是正在学习之中）
MIT COW应该算是Online Course的鼻祖，MIT在很早之前就把自己的上课录像、课件、作业、考试都放在了这上面，共享给全球的人，其中不乏很多非常优秀的课程，MIT这个学校就是比较偏重理论和数学，所以这些课都是也都是这样的类型，但是对于计算机专业的学生来说，理论和数学非常重要！我的推荐如下：
Introduction to Linear Algebra：这门课从空间的角度解释了什么是线性代数，深入浅出，不是国内那些逻辑混乱、只教公式和怎么做题怎么考试的线性代数课可以比的。不得不让人感叹什么才是牛教授，什么才是牛校。
Introduction to Computer Science and Programming：比较基础的算法，课程用的语言是Python，我高二时候听过的课，那时候都能听懂，说明难度不大，适合编程入门。另外，我认为Python也是非常好的学习编程的入门语言。
Introduction to Algorithms：算法是计算机科学的核心，所有计算机专业的学生都应该修一下，这门课内容很多很丰富，讲课老师都是大牛。
Probabilistic Systems Analysis and Applied Probability：概率是所有计算机专业的学生必须修好的一门课，国内的概率课难度低，内容又少又浅，该讲的全没讲，所上的内容大概只有这门课的1/3，想读Master或者PhD的学生，这门课里的内容必须是得会的。
Advanced Data Structures：高级数据结构，我也正在学习之中，对于想读PhD，尤其是理论计算机方向的学生非常适合。
MIT OCW上还有很多非常好的课，MIT作为工科的圣殿，几乎涵盖了所有方向的计算机的课程，所以就请根据自己的研究方向去发掘吧。
但是MIT OCW有一个很大的缺点就是交互性不够，而下面要讲到的几个网站则是最新一代的Online Course，交互性非常强，每周更新上课视频（一对一的，不再是上课录像），每周有作业，计算机专业的课程通常还会有编程作业，提交作业之后就能得到自己的分数，所有作业都会计入总分，有些课会有期末考试，最后会有一个总得分，通过的话还会发一张电子证书！这俨然和真正的大学上课已经别无二致了！最重要的是，你可以选择任何你喜欢的课听，所有上课的这些老师都是国外顶尖大学的顶尖教授！
Edx和Udacity是其中两个代表，但是由于视频在youtube上，由于某种原因，所以上课体验不是很好，我从来没有在这上面修过一门课。
下面的重点是Coursera，现在已经有374门课，包含了文史哲、数理化等等各个方向，计算机的课程尤其多，因为Andrew Ng本来就是个计算机系的教授。所以我只重点推荐计算机（也包括数学）的课程：
Algorithm Design and Analysis, Part 1, Part 2：斯坦福的课，质量自然不会差，编程作业很容易，理论作业有点难。
Algorithm, Part 1, Part 2：普林斯顿的课，教授是Knuth的学生，自然也是大牛，编程作业质量挺高，竟然都有KD-tree。
Machine Learning：Andrew Ng的课，非常好，编程作业质量挺高，但是理论的东西偏少，适合于Machine Learning的入门。
Probabilistic Graphical Models：Machine Learning中的一个分支吧，但是课程很难，听说是斯坦福最难的课之一，以后有时间我会认真修一下的。
Calculus: Single Variable：微积分入门的课，讲课挺生动，课件也做的非常可爱，不像国内的微积分课又枯燥又无聊。
Neural Networks for Machine Learning：Neural Networks方面的顶级大牛，同时也是Deep Learning的首个提出者Geoffrey Hinton的课，打算研究Deep Learning的同学应该先看这个，我也只看了前面一部分，难度比较大。
Image and Video Processing：图像处理的课，打算做这方面研究的同学，这应该是个不错的入门。
Computational Photography：我也不知道这门课中文应该叫什么了，反正跟摄影是一点关系都没有的，都是图像处理的内容。应该是算在Computer Vision门下吧。
Game Theory：博弈论的入门课程，但说实话没有我想象中的那么有趣，比较理论。
Social and Economic Networks: Models and Analysis：关于社交网络的，跟姚班的网络科学那门课内容差不多，理论为主。
Statistics One：统计也是每个计算机专业的学生必须学好的课，这课虽然还没开始，但是看内容还是比较全面的。
下面还有一些我也没有看过，但是这些课程几乎涵盖了大学计算机专业要学的所有专业课，而且质量远远高于学校里的乏味的课，以及更乏味的作业。
Computer Networks：计算机网络
Compilers：编译原理
Introduction to Databases：数据库系统
Learn to Program: The Fundamentals、Learn to Program: Crafting Quality Code：学习编程
C++ for C Programmers：学习C++
Computer Architecture：计算机系统结构
暂时就这么多了，更多的课程就要根据自己的研究方向去发掘了。Coursera现在也是在蓬勃发展之中，将来肯定会有更多更好的课程出现。Mooc的未来不可限量！
下面再补充一些比较零散的，也是非常不错的Online Course：
Machine Learning：Andrew Ng在斯坦福上的课，理论的东西比较多了，是Coursera上的那门课的一个很好的补充。视频在iTunes上可以下载。
Machine Learning：CMU的课，上课的教授是那本很薄的《机器学习》的书的作者，但是视频有点卡。
Learning From Data：加州理工学院的课，讲的也是机器学习，理论比较多一些。视频在iTunes上可以下载。
Deep Learning and Unsupervised Learning：Andrew Ng最新的课，内容不多，是Deep Learning很好的入门材料。
Introduction to Haskell：入门Haskell的不错的材料，但是没有视频，只有课件。
结语：或许很多大学生跟我有一样的感觉，上了一学期的课，但是感觉自己什么都没学到，或者干脆一学期就没好好听过课，考前突击了一下，考完什么都不记得了。我想中国的大学确实也应该好好反省一下自身，为什么大学这样一个本来该是所有年轻人学习、奋斗的地方，却看到了那么多的迷茫和颓废。也许现在，Online Course是一个不错的选择，它给每个人这样一个机会，来选择自己喜欢的东西。虽然现在它还不能取代大学，不能发放文凭，但是一纸文凭，是否真的代表你真的拥有了这张文凭背后的知识和能力？我想没有一个人是不爱学习、自甘颓废的，只是很多人没有找到适合自己的学习方式和道路，所以才会迷茫、会颓废。Online Course或许可以帮助一些人找到属于自己的路。