
Обзор некоторых MOOC Coursera по компьютерным наукам
Скорее всего, если вы зашли на Хабр и читаете эту статью, то хоть раз в жизни да слышали про MOOC-курсы.
Но если все же не слышали, то MOOC (по-русски принято произносить «мук») означает «Massive Open Online Course» — массовый открытый онлайн-курс. Это настоящий феномен в образовании XXI века. Газета «New York Times» назвала даже 2012 год «годом MOOC» в связи с появлением на рынке дистанционного образования 3-х «китов» — Coursera, Udacity и EdX. MOOC-ам посвящено множество статей, кто-то видит в них будущее образования, кто-то, наоборот, угрозу. Пытаются также предсказать «традиционную» и «дистанционную» составляющии обучения будущего.


Однако в этой статье я не буду обсуждать перспективы развития дистанционного образования, а расскажу про свой опыт знакомства с курсами на платформе Coursera. Эти курсы будут полезны студентам, изучающим прикладную математику и информатику, в особенности анализ данных. Многое из того, что мне дали эти курсы, как я потом понял — это знания, которыми должен обладать любой уважающий себя исследователь данных (так я предпочитаю переводить профессию Data Scientist).
Я привожу не только описание курса, но и примерные трудозатраты и субъективную оценку сложности по 10-балльной шкале.
Но если все же не слышали, то MOOC (по-русски принято произносить «мук») означает «Massive Open Online Course» — массовый открытый онлайн-курс. Это настоящий феномен в образовании XXI века. Газета «New York Times» назвала даже 2012 год «годом MOOC» в связи с появлением на рынке дистанционного образования 3-х «китов» — Coursera, Udacity и EdX. MOOC-ам посвящено множество статей, кто-то видит в них будущее образования, кто-то, наоборот, угрозу. Пытаются также предсказать «традиционную» и «дистанционную» составляющии обучения будущего.






Однако в этой статье я не буду обсуждать перспективы развития дистанционного образования, а расскажу про свой опыт знакомства с курсами на платформе Coursera. Эти курсы будут полезны студентам, изучающим прикладную математику и информатику, в особенности анализ данных. Многое из того, что мне дали эти курсы, как я потом понял — это знания, которыми должен обладать любой уважающий себя исследователь данных (так я предпочитаю переводить профессию Data Scientist).
Я привожу не только описание курса, но и примерные трудозатраты и субъективную оценку сложности по 10-балльной шкале.
- Машинное обучение (Machine Learning, Stanford University). 4-5 ч/нед. Сложность: 7.
Просто блестящий курс, образец. За 10 недель участники своими руками разрабатывают программы для фильтрации спама, сжатия изображений, распознавания рукописных цифр и рекомендации фильмов. Рабочий язык — Octave, по сути тот же Matlab, только бесплатный.
- Анализ данных (Data Analysis, Johns Hopkins University). 6-7 ч/нед. Сложность: 8.
В этом курсе реализованы рецензируемые (peer-reviewed) домашние проекты. Пишешь не только код для решения задачи, но и полноценную статью. Такие же участники, как и ты, «вслепую» оценивают. Считаю, это полезно для развития навыков изложения мысли на английском и доходчивого представления результатов исследования. Очень интересный проект по предсказанию поведения человека (сидение, лежание, бег и т.д.) на основе показаний акселерометра и гироскопа в мобильном телефоне.
Сейчас помимо этого интенсивного курса Университет Джонса Хопкинса предлагает также целую специализацию из 9 курсов по анализу данных. Рабочий язык — R. - Статистика (Statistics One, Princeton). 3-4 ч/нед. Сложность: 5.
Один из самых популярных курсов на Coursera. Все объясняется очень доступно. Минусы — не выдаются сертификаты (хотя, конечно, знания важнее), немало глюков в системе проверки тестов. Рабочий язык — R. - Алгоритмы: Построение и анализ, часть 1 (Algorithms: Design and Analysis, part 1, Stanford). 8-10 ч/нед. Сложность: 9.
Must-Know. Рассматриваются алгоритмы сортировки, анализа графовых структур, вопросы сложности алгоритмов, парадигмы при создании алгоритмов и много другого. Самые сложные задания из всех курсов, которые я проходил. Среди прочего надо было запрограммировать на любом языке алгоритмы минимального разреза в графе и поиска сильно связанных компонент, а также алгоритм Дейкстры поиска кратчайшего пути во взвешенном графе. Рабочий язык — любой.
- Анализ социальных сетей (Social Network Analysis, University of Michigan). 3-4 ч/нед. Сложность: 5 (если без доп. заданий).
Рассматриваются базовые свойства соцсетей, их виды, а также задачи, в которых естественно возникают соцсети, например, предсказание распространения инфекции или диффузии. Неожиданный пример — сеть ингридиентов блюд, которая помогает найти кластеры схожих рецептов и взаимозаменяемые продукты. Демонстрируются средства анализа соцсетей Gephi и Netlogo.
- Введение в язык R для анализа данных (Computing for Data Analysis, Johns Hopkins University). 3-4 ч/нед. Сложность: 3.
Очень простой курс, не может рассматриваться как самостоятельный. Скорее, вводный для курса «Анализ данных», и то для людей без навыка программирования (если такие вообще читают Хабр). - Введение в язык Python (Rice University) 1-2 ч/нед. Сложность: 3.
Занимательный курс для людей без навыка программирования. Вероятно, кредо его создателей — «Каждый уважающий себя программист должен поиграть в свой собственный арканоид». Курс имеет смысл проходить с 12-летним сыном. Даются основы языка Python, по ходу курса надо запрограммировать такие игры как «Угадай число», «Понг», «Память», «21» и, наконец, «Астероиды».
Комментарии 21
Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.