MOOCs 修課心得總整理
<Disclaimer> This is written in the summer of 2015, so some of the information may be outdated.
因為有人問我要往business analytics走要上哪些線上課程比較容易入門
因此乾脆把心得整理成一份供大家參考
Programming
<難度:1顆星 ; 花費時間: about 1hr/per week>
這是一門超級入門教你用python寫程式的課，我自己覺得蠻不錯的，會學到一些基本的東西，教授又很會營造讓你誤以為寫程式是一件很輕鬆有趣又很玩的事(實際上根本不是這回事阿)，不過對於完全沒有寫過程式的人，至少會讓你一開始不那麼害怕寫程式，也是個不錯的選擇！
<難度:3顆星 ; 花費時間: at least 6hr/per week>
這門課雖然號稱是入門的python寫程式課程，但我覺得跟上面那門比起來真的超級無敵紮實的，喜歡紮實課程的人可以參考看看，也讓人見識到MIT果然是以很操出名，難怪學生跳樓頻傳(誤)，寫完每個禮拜的作業你都可以感覺到自己明顯的進步，但好不容易建立起來的信心很快就會被新的作業給擊垮，不過實際上這門課教到的深度是比較足夠的，包含big O notation, Objective-orientated programming等等這些必備的技能，如果只打算上一門寫程式的課又想把該學的都學到，毫無疑問就是這門了！
<難度:2.5顆星 ; 花費時間: at least 5hr/per week>
這門課是上面那門課的延續(part2)，但經過上面那門課的訓練過後，這一門相較之下輕鬆很多，如果有時間的話可以繼續服用這門課，讓訓練更完整！
<難度:兩顆星 ; 花費時間: about 2~3 hr/per week>
這門課最近才剛開，我也才剛上，但上到目前為止覺得挺不錯的，是很入門的寫程式課程，但是是教你寫java，想學java又覺得自己寫程式底子不夠厚的人可以參考看看！
Database/CS
<難度:看課程 ; 花費時間: 看課程>
根據我的了解，網路上關於資料庫相關的課程相對少，我唯一找到也比較喜歡的大概就是這個系列吧，課程被切成一小塊一小塊的mini-course，可以根據個人需求決定要上哪幾門，這些課程採self-paced，好處是可以根據自己的時間去調配進度，壞處就是dicussion forum不太active，所以作業有問題都找不到人問，我當初來上這個最主要是想學SQL，不過學完沒用好像也都忘的差不多了QQ
<難度: 0顆星 ; 花費時間: 看自己如何調配>
這門課真的是非常101，完全沒有難度，重點也不是教你寫程式，但基本的關於電腦的軟硬體知識還是會教給你，也會教wi-fi運作的基本原理等等，可以當做長知識，並且輕鬆愜意的拿到一張完成證書這樣～
Statistics/Analytics
以下列的都不算是基本的統計入門，但還是可以上上看，如果統計背景不足的人可以隨便找找相關入門課程，我記得還蠻多可以選的
<難度: 2顆星 ; 花費時間: at least 6 hr/per week>
這門課我覺得設計的非常好，不論是深度和廣度都很剛好，不會簡單到讓你學不到東西，又不會難到讓你覺得很挫折，同時又可以學習用R這個語言，真的是難得一見無可挑剔的好課，有心往analytics發展的朋友請不要錯過！
<難度: 2顆星 ; 花費時間: 2~6 hr/per week>
這門課我覺得lecture的部份真的很棒，史丹佛的師資真的不是蓋的，特別的是他的approach是從statistics的角度去學machine learning，至於作業和小考的部份我覺得設計不是很理想，因為我上的時候他是第一次開課，所以這部份大概還不夠成熟，有時候作業簡單到讓你無言，有時候又讓你霧煞煞，是比較美中不足的地方～合開的教授之一是lasso理論的發明人，偶爾還會有其他厲害人士的訪問影片(例如R語言的創辦人)，搞的好像整個統計學術界都是他們家後花園一樣，也算是瞻仰大師風采吧！喔還有，上這門課也會學到用R，可順便精進寫R語言的能力！
Machine Learning/Data Science/Social Network Analysis
<難度: 2.5顆星 ; 花費時間: 8~20 hr/per week>
這門課太有名了，應該不需多做介紹吧～我當初上的時候還沒學過寫程式，不過他的每次作業都用要用matlab/octave寫程式然後繳交，所以我每次寫作業都超級痛苦的，常常寫到後來都不知道自己到底在幹嘛，幸好discussion forum上面常常有神人來相助，我才能夠安穩的修完這門課。這門課非常的深入淺出，該學的基本知識都會學到，如果有一點寫程式的背景的話，寫起作業來應該會輕鬆不少～我後來才聽說這門算是網路上比較簡單的machine learning課程，如果你想要比較硬一點的課程，可以考慮上林軒田教授在coursera上面兩門關於機器學習的課程，或考慮上林軒田的師父在edX上開的learning from data，我猜這兩門內容應該不會差太多(他們是用同一教材)，就看個人怎麼選擇了！
<難度: 1.5顆星 ; 花費時間: 6~8 hr/per week>
這門課有點特別，算是結合一些data mining的基本概念+ operation management，一些其他基本的ML概念也會稍微碰到一點。這門課就是每週要看的影片多了些，小考只要有認真看影片的話不難，後來因為某些緣故我沒上完，但根據他前幾週的授課內容我覺得蠻不錯的，有空可上上看！
<難度: 1.5顆星 ; 花費時間: 3~5 hr/per week>
social network算是ML的一個分支，有興趣可以上上看，就是教一些sna的基本名詞定義和理論，還要帶我們看一些sna有興趣的應用，可以選擇programming track或者一般的track，但他用的語言實在太少見(NetLogo)，所以我就選一般的track，另一個用的軟體是Gelphi，他就有簡單的UI比較容易上手這樣，算是一門輕鬆有趣又能學到東西的課程。
<難度: 1.5顆星 ; 花費時間: 2~4 hr/per week>
跟上面那門純用CS角度去看sna比較來，這門課的面向更廣，他是由CS和Econ的教授合開，所以兩邊的東西都會帶到一點，我覺得蠻有趣的，lecture的內容也都解釋的非常清楚，之前在別的地方聽pagerank聽的一頭霧水，這次聽這門課的教授一解釋就懂了，私心喜歡這門勝過上面那門。
Linear Algebra
因為大學的時候我沒上過線性代數，可是統計又很吃重線代，幸好關於線性代數的課如雨後春筍般一直冒出來，以下僅供兩門給大家參考：
<難度: 1.5顆星 ; 花費時間: 3~6 hr/per week>
這門課是走一個建構式數學的教學法，一開始會很簡單，甚至簡單到覺得在浪費你的時間，但是因為之前花很多時間建構基礎，上到後面你就會了解為何前面簡單的部份要花那麼多時間了，上這門課還可以同時訓練matlab，他會教你用matlab寫一些很簡單的演算法，不過不是強制要求，不寫也沒關係。總之這門課蠻容易上手，唯一缺點就是課程長度比較長，不含期中期末考，課程本身就12週了，以線上課程來說算是很長的，不過他是為了把前面的基礎打好，所以時間拖比較長也是迫於無奈。
<難度: 2顆星 ; 花費時間: at least 5 hr/per week>
這門課也算是比較非傳統的線性代數課程，他主要就是開給CS領域人的線性代數。這位教授比較特別的approach，上課也常會用一些CS的例子讓你了解線性代數如何應用、與CS的緊密關連等，也算是蠻有趣的，同時作業都是要用python寫一些簡單的程式，雖然沒有強制要求你要會寫python，但如果之前學過再來上這門課會輕鬆許多。
以上這些大概就是我2014/2015年上過和analytics比較相關的課程，還有其他很多的好課因為一些個人因素和考量所以沒上過，而且隨時都會有新的好課冒出來，沒事逛逛Coursera和edX，就可以發現更多好課～
