过去的学习心得

我做一个2分法来概述这门课的内容, 前一半程序在汇编和机器级别上的执行情况, 具体说是汇编语言阅读理解和位操作; 后一半Caching 对于没有former exposure的学生, 这门课不能用ad-hoc的方法和self-contained的看法去对待, 这是大量学生在lab1和lab2退出的原因. Video只是老师对textbook的简要陈述, 无法取代textbook. Textbook要做题, 要动笔. 端正了学习的方法和态度后, 你可以有一个高质量的知识吸收, 由困惑造成的挫折感会很少, 这个过程是非常愉快的, 不是最终grade能体现的(如果全独立完成, grade是能够体现其中区别的). 祝你学习顺利

这门课由于开头5个Unit切题切的比较轻松, 所以前半段没有去论坛玩, Unit 6开始Pset不得不参考一下论坛了, 发现论坛其实是个很有趣的地方, 就"住"了下来, 不切题也去耍耍, 退休的职业Poker选手Mark, 数学博士毕业后做了一辈子心理医生的mmstoke, 程序员Bayram, 还有几个助教, 都有很好的交流, 有力量也会在论坛里答疑, 直到论坛关闭才离开. 之后加了2个群, 现在里面还有新帖子出现.

Part2学了快一年了, 唯一一门尽力了还是跌破90分的课. 确实是相当的困难, 第一次学习能吸收的相当有限. TSP最好使用课上没有讲解的剪枝, 对所给的data set运行时间是不可接受的. 我时间来不及, 几乎放弃, 结果一个南洋理工的计算学博士单骑杀出, 给出了一个贪心的思路, 救我于水火, 神奇般的只要一瞬间(Python). 之后2SAT也只稍逊一筹, 已经用了SCC去优化, 3小时下来也只跑出5个结果. 最后的期末只拿了78%, 总分跌破90收场. 这次经历让我对另一门离散优化变得相当敬畏.

上这门课之前我的物理停留在初中水平（高中玩了两年，高三选的是历史，所以自初中毕业以后基本上就和物理绝缘） 因为在上一些网络课程的时候发现对提到的很多基础物理概念非常陌生，所以觉得自己有必要从头开始搞起。 目前大学物理1各个MOOC平台上最有名的是MIT那门力学，内容应该和我现在点评的这门课差不多。不过最后还是选择了这门课，主要还是个人偏好吧。 因为内心里总觉得大物1比较简单，不太想在这个上面花太多时间去练习，发现这门课更适合我。这门课的老师讲的非常好，概念讲的非常清楚，以至于我基本上什么也不要做，打开视频一直播放到底就行了... 6月初的时候开始听这门课，一有空余时间就听一下，前后花了一个多月，感觉还是挺享受的

这门课不错。我更希望4年前上博士的时候能有机会上这样的课。老师讲了很多学术写作需要注意的基本知识。我个人上完之后，会注意一些写作concise style, 有意识减少”to be " structure 和被动语态，知道了op-ed和non fiction creative writing的形式，做了不少练习。值得拥有，强烈推荐！

略水的一门课，持续时间虽然有四周，但是工作量明显一天能搞定。老师语速比较快，课也讲的一般般，感觉例子要么偏少，要么废话略多。 这课是Data Science Specialization的第一门课，希望后续课程能给力一点。

对这门课有复杂的情感。一方面，Norvig讲课很好，他选的几个topic我挺喜欢的（搜索，造工具，概率reasoning等等），看大神解决问题的过程很过瘾。另一方面，他让学生实践的切入点通常是通过各种游戏和puzzle，这个不太对我胃口。本人对扑克，保龄球，飞镖什么的一点都没兴趣，为了完成作业还得实现他们的规则，略感蛋疼。最大的收获是bird by bird。

如果说市面上一般的吉他书教你练招式，那这门课则是教你练内功，没有划弦击弦等招式，更多的从乐理上让你学习了解吉他，让你知道节拍器的重要性，给你讲和弦的由来。 所以这门课最适合那些接触过吉他，但是始终徘徊在扫弦阶段的同学，也推荐第一次接触吉他的朋友。 至于作业嘛，很简单，以前业余练过吉他的上这门课，每周最多花2小时就OK 比较遗憾的是，MOOC上没有后续课程了，桑感~

Another back to basics review of CS fundamentals. 这课是上完了Sedgewick的数据结构接着看的。和Sedgewick不同的是，他给出的证明比较多，而implementation detail通常会略过。编程作业非常好得illustrate了高效算法的作用。用比较蠢的算法可能得让机器死磕个几个小时，但是换上了efficient algorithm就是(sub)second出结果。我实现的时候都是用的Python，开始用的CPython但是第四个作业光read input就花了十几秒，用了PyPy两秒就读完了。

I eager to learn Artin's video lecture

这个应该是目前能找到的最好的工科概率论了。 这门课花了我不少时间（差不多200个小时吧）。量非常大，非常厚实，之前没事干统计了一下每周的视频量和习题量，每周的视频分布在3～6个小时（包括TA带你刷题的部分，最多的那一周足足6个多小时的视频），习题量（包括TA辅导刷题的部分）整门课差不多1000题！没错，1000多题！而且不少题目非常有难度！从课程论坛的反映来看，平均每人每周一般都要花12～15个小时。 我是1.5X倍速听的课，老师和TA的授课没有死角，习题难度也非常有诚意，应该是我目前为止体验过最完美的一门课了

第二部分的内容我以前一直没有好好掌握，所以学得特别有收获。这两个course sequence如果完整上完的话，再配合看看那本教材，普通的tech interview应该都可以轻松拿下了。这门课有一个特点就是他通常不需要你自己implement data structures from scratch。大部分情况只需要用他的algs4库或者自己改一下existing implementation，所以作业写起来挺轻松愉快的。

sedgewick讲课相当好啊。数据结构是大一的时候上的，那会儿还不太会写程序，好多东西听得云里雾里的，而且碰上了坑爹的sleator，不会讲课。工作了几年之后再go back to basics觉得古人说温故而知新还是很有道理的。虽然我不是非常喜欢Java，但是这类课用Java还是比较合适的，可以相对轻松得获得close to native code的性能（跟Python比），但是又不用特别纠结底层细节。grader的性能要求比较水，而且结果也不是特别consistent，成绩跟request load关系挺大。希望今后能提供unit test suite（或者有时间的同学可以分享一下），每次都要上传到服务器上评分太蛋疼了。

概率以前是我最喜欢的课，可惜离开学校几年之后就还给老师了。去Google面试的时候被问了很基础的题没有答好，所以用这门课复习了一下。课程内容是比较标准的本科生概率课，grading比较严格，作业难度我猜is what you'd expect from MIT。有些话题没有特别深入，比如markov chain只讲了离散的版本，不过抽了两周讲了estimation（似乎统计课才会涉及，以前没学过）。老师语速有点慢，开两倍速才不至于睡着。每讲一些概念就会有小quiz来进行sanity check很及时。每周的作业写完之后还是挺有成就感的。那本教材不错，当时课比较多，所以没有仔细看。

之前在网易公开课上看过Andrew Ng老师的机器学习，满黑板的公式推导让人看的一头雾水，这个coursera的机器学习课虽然也是Andrew Ng老师带的，但是省去了许多数学细节问题，非常适合入门，不过有微积分，线代，概率，matlab基础的话，就更好了 当然了，机器学习也没有那么简单，主要是老师讲的太好了，而且编程题都有pdf文件的指导，零基础的也可以很好的完成。

这课比较适合没学过FP的，讲的东西很基础。开始上了之后出于强迫症还是跟完了

因为已经比较熟悉FP了，这门课最大的收获是关于OO的那部分。第五个作业用了几十行代码写了个简单的解释器还是挺酷的。比较期待Grossman的PLT后续课程。

这是我上的第一个mooc。对mobile robot programming的主要环节做了介绍。最大的收获就是能跟从事robotics research的基友have an intelligent conversation。可惜后来也没有做机器人的项目，所以我大概是这门课不合格的学生吧。 上完这个课之后我正好考出了驾照。第一次开车的时候突然想起了robotic car为了save cost从来不左转，然后我就没有左转一路开回家了orz

终于上完了。大学的时候compiler没有好好上，非常后悔，故来补坑。Aiken教授讲东西很清楚。每周的quiz基本上是不限制attempt次数，自己理解会做了就能拿满分。编程作业是比较传统的四个stage，lexing/parsing/type-checking/codegen。后面两个作业比较花时间，但是不难。编译器最有趣的优化部分也没有要求，实现个one register stack machine就可以通过最后一个作业了。他提供的codebase比较古老，给的是non-modern C++/Java。我因为想熟悉一下Java 8就执意用上了各种新功能（所以花了不少时间查文档，不做死就不会死啊）

大学的时候econ 101挂科了，怀着忐忑的心情开始这门课。很喜欢上来就用calculus来解释现象。第四周讲到competitive market equilibrium开始变难。作业有时候意思不明确，不得不去论坛里面看clarification。适合初学者。

真的是非常好的一门编程入门课，一共四个老师，Joe Warren老师的语速比较快，感觉是个智商非常高的老师，也非常的幽默。Scott Rixner老师非常和蔼可亲，感觉也是出镜率最高的老师，John Greiner老师语速奇慢无比，还有个好像是华人老师，但是就出现过两次。 week0到week4的编程作业都蛮简单，从week5开始，作业难度开始变大了，但是模版和难点提示都有，所以只要认真看看编程作业的Mini-project development process，应该不是问题

不错

证书妥妥的拿到了，其实没什么太多可写的，就随便写几句留念吧。先坦白这门课，我是冲着Jon Kleinberg去听的。 之前有在看“Networks, Crowds, and Markets: Reasoning About a Highly Connected World”这本书，导致对这门课有了错误的预期。课程比书简单很多，主要是围绕着一些基本概念进行阐述的，讲得很细，会从定义、具体实例等多个方面反复讲述，而且跳过了所有复杂的证明，高中以上的听懂应该是没问题。真的就像课程预备知识里写的那样，高中代数再加一些基本的概率知识就可以了。作业中没有编程、设计与论述题，都是关于概念的选择题。 课程中间也有一些对工业界牛人的访谈和老师们关于课程内容的讨论。个人觉得访谈比较好，尤其是Amit Singhal那次。 作为Social and Economic Networks的入门课程应该是不错的选择，而且老师们很贴心的在课程最后列出了其他相关公开课、书籍的名称和网址，方便大家进一步进修。 三位老师里，只有Eva Tardos口音略重，其他人都是慢且清晰。英文字幕偶尔有错、不多，应该能听出来。如果一定要说这门课有哪里让人很不爽的话，就是视频在youtube上，直接导致修这门课的小伙伴略少啊。有在课程结束的调查里写到这件事，不知道下次他们会不会提供视频下载方便国内的孩纸们，希望吧~

Part II 比 Part I难度提升了少许 在Assignment上更偏向实际一些 比如判断两个词语义上是否接近 图片缩放却不影响主要内容 数据压缩 做了之后会觉得算法这东西真是神奇 总之这是一门非常赞的算法公开课~

这门课可以说是最好的算法公开课了 part I 介绍了各种基本的算法和数据结构 而且ppt和视频都做得很精美 里面的算法演示非常生动形象 最赞的是Assignment 每次磕磕绊绊的做完都超级有成就感 我个人只会基础的java 从来没有学过算法 跟着上最后把part II也上完了 即使没基础 努力去完成Assgnment还是会有很多收获的 碰到不会的地方可以看下forum checklist 里面有很多提示

上中学时，物理老师讲透镜成的是倒像，所以小孩子经常把画颠倒过来看。我在下面自己嘀咕说，小孩根本不懂得什么才是正的嘛！然后自以为这个解释很牛逼…直到看了这个课程，第一周就讲成人适应倒像的实验…物理老师或许是对的，小孩可能确实有上下的空间概念。

作为一枚小白，这是我接触的第一门CS类课程，能够坚持下来全部完成，并且能取得优秀的原因，应该在很大程度上归功于李戈老师讲的很好，课程与作业设计的不错，助教们也很用心。唯一的小问题就是在早期的时候，我实在是太白了，在零基础入门的前几周学习中，还是会有不少两眼一黑的地方，这里就需要大力感谢论坛和Q群的童鞋们，没有他们，我可能就没法坚持下来。谢谢大家！ 最后，期末考试的最后一题被卡了一星期，真是体会到了编程的不易，非常怀疑自己的智商，哈哈哈。到了最终完成的时候虽然已经过期了，但是仍然非常兴奋，很是难忘，哈哈 感觉在这个充满CS大神的地方发这么小白的评论实在是。。。哈哈哈，顿时感觉脸皮又厚了几分。

课程已经结束，很快中文字幕也即将完成。其实我们喜爱游戏也好，无视游戏也罢，这都是一门令人欣喜的课程，也可以说是一门有关用户，有关心理学与商学的课程。此外，在现实中，或多或少的游戏化应用并不稀罕，但这门课程对于这一概念进行了系统地整合，从概念到框架、从设计到实施、从心理学理论基础到商业实践，为我们打开了一扇崭新的大门。 如果你对游戏很感兴趣，这门课也许不容错过，因为你很可能会希望了解游戏令人愉悦沉溺的本质，并希望将这种快乐延续于自己的生活，甚至融入产品与服务。 如果你对游戏不感兴趣，这门课应该仍然开卷有益，因为你同样可能需要理解这样一种力量，难道你不会好奇为何这种力量能使人们废寝忘食、不可自拔？不会畅想并且惊叹——假如这种力量可以应用于正常的工作、学习与生活？ 这门课程并非局限于游戏，而是主要通过介绍所谓的游戏化机制，阐述游戏的元素、探讨如何利用游戏的心理与动机，以及如何设计游戏化的框架，以吸引用户、影响和改变用户行为，将游戏化应用于商业及日常生活中的各个方面。 是不是有点像广告？你猜对了。。。除了第一段，我偷了一下懒，把之前QQ群的招募帖搬过来了。。。但是。。。反正就是这个意思啦，你们懂得。。。

讲得很详实，很好的入门课，如果能够将习题课视频放上去就更好了，好多式子的推导需要指导啊，或者习题课视频在哪里可以download?

我会说最初注册这门课程是因为把它当作了博弈论么o(╯□╰)o 不过看了一开始的几节觉得还蛮有意思的，而且课程assignment难度不大，每周平均只需要2h不到，搞定quiz和统共3个Written assigments就可以了~ 课程主要讲的是Gamification游戏化的概念，应用，核心模块，以及在社会各方面的应用。课程整体还是偏概念的讲解，3个WA是将课堂内容应用到实际不过随便纸上谈兵一下就ok的~ 学了这门课就会发现网络中gamified system无处不在。linkedin里面资料完成度百分比，renren、微博的勋章，stack overflow的等级，就涉及到Gamification最重要的PBL triad（points，badges，Leaderboards） 这门课不能简单地划分为文科/理科领域，对于开发游戏、社交应用的程序猿，如何让你的用户对自己的app痴迷增加用户黏性？对于管理者，如何让下属愉快高效的工作。。。相信这门课程会对每个人每个领域都有所启发！

fMRI Analysis应该算是医学统计中的集大成者。或者，至少这门课体现出了集大成的水平。无论实验设计统计分析流程角度、数据准备过程、还是GLM和MLM等高级回归模型、再到PCA和ICA的多元分析方法，完美展现了现代统计学在医学中的应用。遗憾点，本课程没有配备电脑实验。

很期待！我的生活和工作亟需这样的指点！

拿到了这门课程的证书，简单做一点补充。统计学习和机器学习到底有什么区别？学完这门课程最大的感受就是统计学习更强调从统计的角度来看问题和结果，当然这算是废话。打个比方，如果看目录，这门课程和其他的机器学习课程有很多重复相似的章节，但是也各有所侧重。一般的机器学习课程在介绍线性回归或者逻辑回归的时候会告诉你如何做预估以及预估的结果，而统计学习还会加一个置信区间，从统计的角度告诉你结果的可靠性...当然，这仅仅是一点区别，这门课程涵盖的范围很广，每周的课时量也还行，需要花很多时间，我个人由于介入的时间靠后，并且时间上投入的不是很足，勉强凑够了学分，所以有些内容理解的也不是很深刻。另外，把这门课程剩下的视频下载下来放到之前所存的网盘了，大家可以收藏保存：http://pan.baidu.com/s/1gd5hNdL

可惜师徒网已经挂了，换个课程地址吧

非常好！

轮次： 2014年1月 背景： 去年知道这门课的时候已经快结束了，没有拿到证书所以今年补回来。这门课不需要什么背景，任何人都可以上。 内容： 主要围绕SQL和XML展开，并且包括Relational Algebra和JSON等内容。据官方描述这门课的内容和习题与Stanford校内的课程基本一致。授课方式在现在看来还是比较传统的：先讲概念，然后Demo。如果说稍微有点不满意的点应该就是视频长度有点不符合时代潮流了，有的视频动辄30min以上...虽然这门课程名以上有要求相应的教材，其实以视频的内容已经绰绰有余了。自从将MOOC作为生活方式后，我已经很久没看书了... 习题： 主要分为概念题和编程题，题目量不少，尤其是编程题，通过不断的练习巩固概念这一点挺好。题目做不出来的地方回头重新瞄一眼Demo基本上就能够解决。 总结： 作为MOOC的元老级别课程（另外两门是Udacity的AI和Andrew Ng的ML）,两年过去以后这门课程的内容基本上没有什么变化。毕竟是以SQL和XML这些比较成熟的技术展开，所以也不算什么问题。不过里面也讲了No SQL，不过好像感觉目前也没什么人提了，所以这个部分也就没怎么听。 如果要系统学习数据库的话，这门课在目前的MOOC课程里面是最好也是唯一的选择。

这门课是面向非电类学生的普及性课程，很简单，不涉及复杂数学，如瞬态响应的常微分方程，直接给出通解。每章介绍了一些实际应用。 不知算不算缺点：一周视频太多，十几二十个，对应的练习也是十几个，每个里面只有两题左右。我是嫌麻烦。视频里彩色的slide到了手里就是渣画质的黑白图像，而且页面太宽，看起来较卡。。 对电子工程感兴趣，想学好电路的同学就选别的课吧，不要在这浪费时间。

Dec 1, 2013 ~ Mar 15, 2014 C站上只有前三章的内容。 之前在ewant上的是早先国内公开课井喷时期的课堂录像。搬到C站之后，课程是边录边播的，因事先安排不周，又有春节，课程进度一拖再拖。 内容上，中医药讲得蜻蜓点水，意犹未尽！阴阳五行辨证医疗讲得太少，课上读几段《黄帝内经》，却不深入阐述。药的方面介绍了药性，但例子还是太少。让人无法抓住规律。可能细讲会枯燥？但中医药部分一段视频才十分钟；传统文化则有20分钟，这部分枯燥多了。。。 毕竟是一位医学工作者的一家之言，总揽易、儒、释、道，总有点儿博而不专的感觉。而重点，也是彭教授的专长，中医药与传统文化的联系感觉讲得又不够。。。总的来说内容安排失当，挺失望的。

总体上这门课程的难易度应该算是中等偏下。课程跨度五周，每周不需要花太多时间。选了这门课，并且听了Crafting an Effective Writer: Tools of the Trade这门课的内容。发现其实在外国人眼里，写作和批判性思维这两个话题，真正的内容和精华并不多（远没有那么多），关键在于训练，让大脑对于这样的思维方式形成反射，这恰恰是中国学生在学校教育中没有接受过和训练到的。所以，哪怕是一个foreigner都可以写出很好的东西。 这门课的作业，前三周都比较简单，评判形式也简单，就是选择题。不过尽量跟着题去思考。第四周如果选择的是population之类的话题，就可能会需要在讨论区针对某一话题的具体问题发表一个thread，要求就是以课上讲的批判性思维的内容来书写，实践对于知识的巩固会很好。第五周作业是可选内容，不做也不会影响最后的成绩。第五周同时开放最后的考试，也不难，课程通过还是很容易的。 最后，对于在准备GRE的同学，这门课可以帮你消除一些误解和对于批判性思维的恐惧感。

刚看了简介部分。会讲process analysis, productivity, product variety, responsiveness and quality. 老师很逗乐，还专门照他的办公室，指着书架上一排书说，这些都是我的journal and publications

战战兢兢，如履薄冰的完成了这门课程，也是我在Udacity上耗时最长的课程，不过毕竟是Peter Norvig大牛的课程，同时作为Udacity的联合创始人，这门课真心不错。每个单元都围绕一个或多个有意思的问题展开，基本上是问题驱动式的编程，很多时候自己用笨拙的方法解决完一个问题后，再看Norvig大牛的答案，常常有原来可以如此简单而优雅的Python解决方案。不过课程难道确实很大，但是内容很厚实，非常非常推荐，比较适合有一定编程及Python基础的同学来尝试。

不错

给我印象最深的就是林老师的热情，讨论版里的每个问题，几乎都可以看到林老师的亲自回复。在我选过的十来门coursera课程里，林老师是跟学生互动最积极、最坦诚的任课老师。 课程的内容脉络清晰，开始前两周比较简单，后面部分的难度就显著提高了，理论性很强，和Andrew Ng很偏应用的ML课程形成了很强烈的对比。 课程作业的评分方式比较特别，答错了要倒扣分，而且每次提交之后，只能看到分数，不知道哪些题目错了。或许这种方式可以防止乱猜、作弊，但我个人不是很认同这种方式，它不利于及时反馈，而且由于在线课程并不和真实的学位挂钩，个人的作弊动机也会弱很多。希望能够修改一下评测方式。 林老师的讲义做得很好，讲课也非常清楚，总体上算是一门很值得学习的课程。

挺水的一门课，主要就是讲R的语法，对于数据分析的方法涉及很少，内容也很浅。视频基本上是念讲义，所以也没太有必要花时间去看，看看讲义，再加上google，很容易就可以掌握这门课的主要内容了。

相比于其他的coursera上的课程，这门课难度还是很有的，开课时间还正好赶在学期末，压力不小，绝对不是消遣消遣就能完成作业的课。不过第一门课拿到了证书，算是开了个好头吧。期待林老师后面的课程~

这门统计学习课程和凸优化课程节前备受大家关注，不过春节的缘故，我暂时放了放，节后回来选课时发现这门课程比较复合我的口味，参考教程是《An Introduction to Statistical Learning with Applications in R》，授课老师也是这本书的作者，并且电子版官方免费提供：http://www-bcf.usc.edu/~gareth/ISL/。同时时间还没有错过，老师们比较人性的考虑了大家可能有一些特殊事情耽误课程的问题，统一把作业截止时间调整为2014年3月21号，只要这个时间之前完成作业，都可以算数。 另外之前在“公开课可下载资源汇总” 帖子下有同学询问这门课程的视频下载情况，所以顺手把目前4讲的视频下载了下来（其实注册课程后，每个课程视频下都有下载链接），统一放到百度网盘上了：Stanford Statistical Learning 2014，需要的同学可以考虑收藏，回头完成这门课程之后再来写课程点评。

这门课程确实可以称得上是R语言的入门课程，不过对于我这个R门外汉来说很实用，4周的课程也很短，权当R语言热身，同时混了一个马年第一张证书。不过比较期待14年Coursera上约翰霍普金斯大学的数据科学系列课程，这个系列课程的工具用以R语言为主，也有一门专门的R语言编程课程，看来马年要R了！

总体来说偏理论一些。本来是抱着学学实际应用就行的心态去听的，后来还是感觉到不能只知其然不知其所以然。耐着性子听完后，真的有融会贯通的感觉，比如...之前我连regularization大概是个什么意思，里面的lambda和C又是个什么关系都弄不清楚...现在也算清楚了，虽然不一定用到。讲课的林老师备课非常好，也很负责的亲自回答同学的问题，推荐大家听一听。没拿到证书，不过so what呀，学到东西才是真的。 自己写的一点粗略的总结： http://blog.sina.com.cn/s/blog_641289eb0101dynu.html http://blog.sina.com.cn/s/blog_641289eb0101e2ld.html

无论哪方面都很接近Tim Roughgarden的CS161, 每一方面要求都弱化一点. 如CS161一般上课的压力都非常大, 内容非常condensed, 上课就像推土机一样推过来, 不过证明方面的内容很少, 数学细节都略去了, 我猜测是因为要用的数学工具过于高大上. PS的压力不大, 不止一门斯坦福的课给我这种感觉了, 如果能做到斯坦福学生享有的open ended的作业的话, 可能听课难度和作业难度就能匹配起来. 另外作为CS161的孪生兄弟, 要提防Part 2难度的增加.

轮次： Aug 2013 背景： 这门课不需要什么背景知识，只要肯花时间，剩下的就交给讲师了。（稍微”Due Diligence”了一下，讲师在中东好像是个很红的年轻学者） 因为本科专业是法学专业（传说中的“平时养老院，考前疯人院”），加上一直挺鄙视所谓学生会及其相关的活动，所以除了出去实习或者打球，剩下的时间都比较闲。大学前三年花了很多时间看了大量的纪录片、电影等资料，而且因为自学金融也看了不少金融和经济学领域的教材名著，所以自认为对于社会运作规律有了一些感觉，直到当我遇到这门课。 内容： 这门课如果要用“宏伟史诗”来形容一点也不过分，其中包含了很多学科的内容，例如考古学、生物学、物理学、经济学、宗教、社会学甚至计算机科学等等。不同于台湾大学的“秦始皇”的“说教”，这门课程里面的大部分观点都是从不同的角度进行介绍，其中很多都是经无数人严格验证过的，讲师很多时候仅仅是通过自己的表达希望尽量客观地介绍一些内容，至于每个人怎么理解并没有统一的标准了。（我不太喜欢被人说教，有些道理还是自己总结比较好，所以这门课程更符合我的口味） 正因为每个人对于这门课的看法会不同，所以对我来说这门课最核心的内容，或者说贯穿课程的主线总结就是“什么是幸福？” 毫不夸张地说，这门课重新定义了我对于“幸福”理解。其中对我来说最震撼的部分应该是：“Lesson 5 History’s Biggest Fraud” 练习： 这门课的作业和考试仅仅是走个过场，主要就是弄一张证书留作纪念。 社区： 这门课的论坛讨论还是挺激烈的，有很多非常宏大或者敏感的问题在里面也有讨论。其中不出意外的，最热闹的一个帖子是关于宗教的，看到每个不同宗教背景的人在里面讨论，感觉挺奇妙的。 总结： 总结呢…这么说吧，世界上有两种人：听过这门课的，还有没听过这门课的。