Coursera, часть 3
Продолжение http://dn2010.livejournal.com/26759.html и http://dn2010.livejournal.com/33024.html
Bioinformatics Algorithms (Part 1) от University of California, San Diego.
Досмотрел, очень удачный курс, но под новый год времени и настроения писать мелкие программки совсем не было. К курсу практически обязательно знать какой-нибудь язык с богатым выбором структур данных (сейчас это практически наверняка Python) и желательно иметь представление об основных алгоритмах и структурах данных (на курсере есть по крайней мере два таких хороших курса). В принципе будет интересен и с точки зрения классической информатики, как введение в нечёткий поиск и работу с большими данными.
Drugs and the Brain от California Institute of Technology.
Очень удачный курс про область между медициной, биологией, физикой и химией. Курс про то, как лекарства и биологически активные вещества проникают в мозг, как они меняют работу нейронов и как оно проявляется на разных уровнях (от поведения организма в целом до изменения отдельных химических связей). Очень хорошая часть про физикохимию работы трансмембранных белков-транспортёров. Как действуют стимуляторы, обезболивающие, наркотики и другие активные вещества, что происходит при нейродегенеративных заболеваниях и как их пытаются лечить, как можно на мышках смоделировать болезненную тягу к веществам и нарушения работы психики.
Statistical Molecular Thermodynamics от University of Minnesota
Ещё один очень удачный курс от Christopher J. Cramer, одного из лучших спецов по компьютерной химии. Классическая термодинамика, как у нас была на третьем курсе, всё выводится из первых принципов (причём местами от квантовой механики с соответствующими малыми поправками в классические законы), красивые химические опыты, очень удачное введение для спектроскопистов. Обычно этим курсом заканчивалось обучение классическим физике и химии и дальше обучение переходило к спецкурсам. Для курса весьма желательно знание классического матанализа. Из плохого - достаточно жесткий график и одна попытка на контрольную, так что обучение проводится в режиме, максимально близком к университетскому.
Discrete Inference and Learning in Artificial Vision от École Centrale Paris
Странный курс в стиле "вот винтики (долгий рассказ про винтики и резьбу), вот болтики (долгий рассказ про то, чем болтики отличаются от винтиков), а теперь, дети, давайте мы из винтиков, болтиков и других деталек соберём синхрофазотрон". По идее это средняя часть обработки картинок в системах машинного зрения, распознавания буковок, закрашивания битых мест и т.д. Красивые демонстрации (работы синхрофазотрона), более-менее вменяемо рассказывается про графы и их применение в обработке картинок, нет начального куска про DSP и предобработку, очень плохо рассказан финальный кусок про machine learning (который отлично рассказывается в лекциях Andrew Ng). В целом, это узкий спецкурс в длинной серии из других, который пытаются растянуть в полноценный курс обработки картинок и не очень удачно. Так лекции смотрятся, контрольные со второй попытки решаются, но написать прогу обработки картинок по результатам просмотра вряд ли получится.
Ещё пробовал смотреть Nanotechnology: The Basics, бросил так как там слишком вводный курс, который в целом повторяет какую-нибудь азбуку нанотехнологий, он хорош как введение для совсем первокурсников или школьников, Nanotechnology and Nanosensors (примерно то же самое от Техниона, пока смотрю) и Электричество и магнетизм (русский курс от МИФИ), в целом там обычная классическая электродинамика как она у нас везде читается, достаточно неплохо прочитанная, но я её вроде и так помню. Из того, что сейчас идёт могу порекомендовать очередные перезапуски Machine Learning и VLSI CAD (последний перезапускается раз в год), и хочу посмотреть Моделирование биологических молекул на GPU (Biomolecular modeling on GPU)
Bioinformatics Algorithms (Part 1) от University of California, San Diego.
Досмотрел, очень удачный курс, но под новый год времени и настроения писать мелкие программки совсем не было. К курсу практически обязательно знать какой-нибудь язык с богатым выбором структур данных (сейчас это практически наверняка Python) и желательно иметь представление об основных алгоритмах и структурах данных (на курсере есть по крайней мере два таких хороших курса). В принципе будет интересен и с точки зрения классической информатики, как введение в нечёткий поиск и работу с большими данными.
Drugs and the Brain от California Institute of Technology.
Очень удачный курс про область между медициной, биологией, физикой и химией. Курс про то, как лекарства и биологически активные вещества проникают в мозг, как они меняют работу нейронов и как оно проявляется на разных уровнях (от поведения организма в целом до изменения отдельных химических связей). Очень хорошая часть про физикохимию работы трансмембранных белков-транспортёров. Как действуют стимуляторы, обезболивающие, наркотики и другие активные вещества, что происходит при нейродегенеративных заболеваниях и как их пытаются лечить, как можно на мышках смоделировать болезненную тягу к веществам и нарушения работы психики.
Statistical Molecular Thermodynamics от University of Minnesota
Ещё один очень удачный курс от Christopher J. Cramer, одного из лучших спецов по компьютерной химии. Классическая термодинамика, как у нас была на третьем курсе, всё выводится из первых принципов (причём местами от квантовой механики с соответствующими малыми поправками в классические законы), красивые химические опыты, очень удачное введение для спектроскопистов. Обычно этим курсом заканчивалось обучение классическим физике и химии и дальше обучение переходило к спецкурсам. Для курса весьма желательно знание классического матанализа. Из плохого - достаточно жесткий график и одна попытка на контрольную, так что обучение проводится в режиме, максимально близком к университетскому.
Discrete Inference and Learning in Artificial Vision от École Centrale Paris
Странный курс в стиле "вот винтики (долгий рассказ про винтики и резьбу), вот болтики (долгий рассказ про то, чем болтики отличаются от винтиков), а теперь, дети, давайте мы из винтиков, болтиков и других деталек соберём синхрофазотрон". По идее это средняя часть обработки картинок в системах машинного зрения, распознавания буковок, закрашивания битых мест и т.д. Красивые демонстрации (работы синхрофазотрона), более-менее вменяемо рассказывается про графы и их применение в обработке картинок, нет начального куска про DSP и предобработку, очень плохо рассказан финальный кусок про machine learning (который отлично рассказывается в лекциях Andrew Ng). В целом, это узкий спецкурс в длинной серии из других, который пытаются растянуть в полноценный курс обработки картинок и не очень удачно. Так лекции смотрятся, контрольные со второй попытки решаются, но написать прогу обработки картинок по результатам просмотра вряд ли получится.
Ещё пробовал смотреть Nanotechnology: The Basics, бросил так как там слишком вводный курс, который в целом повторяет какую-нибудь азбуку нанотехнологий, он хорош как введение для совсем первокурсников или школьников, Nanotechnology and Nanosensors (примерно то же самое от Техниона, пока смотрю) и Электричество и магнетизм (русский курс от МИФИ), в целом там обычная классическая электродинамика как она у нас везде читается, достаточно неплохо прочитанная, но я её вроде и так помню. Из того, что сейчас идёт могу порекомендовать очередные перезапуски Machine Learning и VLSI CAD (последний перезапускается раз в год), и хочу посмотреть Моделирование биологических молекул на GPU (Biomolecular modeling on GPU)