【MOOC之路】控制工程课程推荐 | MOOC学院果壳网旗下慕课学习社区

AccessNimber 2015-11-16

展开全文

【我的故事】

我的专业是控制系统，现在从事的工作主要包括控制理论、机器人和机器学习。2012年底刚到国外留学时的一天，在外出郊游的车上，有幸从一位叫yuhao的同学口中获知了Coursera这个平台，当时听着他对人工智能侃侃而谈，心里就暗暗记下了这个名字。回去以后，最先选了佐治亚理工的《移动机器人控制》和吴恩达的《机器学习》，前者是因为与自己专业相关，后者当时并不了解，之前也没有接触过人工智能，只是听yuhao的介绍，说这是创始人的经典课。

到现在接触MOOC已经快两年了，MOOC不管是给我专业还是生活，都带来了不一样的经历。从专业上来说，《机器学习》这门课用最直白简单的讲法，为我敞开了机器学习的大门，为我今后的学习和工作奠定了基础（虽然现在还在入门阶段）。从生活上来说，《中国》、《人类简史》、《怪诞行为学》等课程，着实让我开了眼界，这些课程既有趣，又有一定的知识量，让我在工作之余的时间没有荒废。我想，在未来的一段时间里，MOOC会像阅读一样，改变我们的生活习惯，越来越多地影响人们的技术水平和文化修养。

控制系统（Control Systems），在国内通常叫控制科学与工程、自动化。在MOOC中，直接讲控制理论的课程并不多，但通常都涵盖在很多课程的章节中。本帖主要列出“控制系统”“机器学习”和“学术研究”三部分的课程表，不足之处欢迎补充。我并没有列出所有我学过的课程，相反，以下很多课程我也还没有学完，这些只是与主题相关的课程列表。没上过的课不会急于评述，待上完课后还会回来更新。

【控制系统课单】

1. Coursera《Control of Mobile Robots（移动机器人的控制）》

这门课是Coursera上较早的一门课了，共7周。既介绍了最基本的经典控制学、PID控制，也有状态空间为代表的现代控制理论、稳定性分析、反馈控制、可控性可观性等等，干货不少。最大的特点是，不光有理论的介绍，还有很多实际的机器人实例，可以看作是一门用机器人举例的控制课，老师特别制作了机器人的MATLAB仿真，可以动手实验。

参考教材可以选择《Feedback Systems》，网上搜索有免费下载，中文翻译为《自动控制多学科视角》，但不建议使用中文译本，翻译质量很差。

2. 学堂在线《线性系统理论》

这门课是清华大学赵千川老师主讲，从状态空间开始，涵盖了线性系统理论的全部内容，与佐治亚理工大学的《移动机器人控制》有交集，但更偏向理论讲解与计算。由于内容比较多，战线也拉的很长，大约12周，还有期中和期末考试，所以大概只听了一半，没有跟完。今年9月将再次开课，希望到时候能继续把它学完。

这门课可能专业性较强，因此在论坛里讨论的人不多，但赵老师和他的团队却经常在论坛里回答问题，可以说非常努力地在跟学生交流。如果有不懂的地方，能及时得到老师的指点，也是非常不错的学习体验。

3. edX《Robot Mechanics and Control（机器人力学和控制）》

这是一门现场录制的课程，来自韩国首尔大学，分1、2两部分，在edX上开课，我基本听完了第一部分，但作业没能按时完成。这门课也有相当的深度，它的基本内容是力学方面的分析，比较偏物理，包括自由度的分析、机械手抓取分析、开链运动和闭链运动等等。考试有一定的难度，但课程讲解非常清晰、老师没有一点口音，并且录像拍摄得相当好。有必要花时间重新学习。

这门课的老师也是很牛的，最近在Springer的机器人手册《Handbook or Robotics》里面看到了老师主编的章节，也可以作为这门课的教材。下载地址

http://link./referencework/10.1007%2F978-3-540-30301-5

4. open2study《Mobile Robotics（移动机器人）》

这门课open2study的机器人课，只有短短四周时间，干货不多，基本没有比较系统的理论知识，大多为一些概念性的介绍，可以作为机器人技术的普及来学习。

以上4门课程，前三门非常推荐，干货很多，但有关控制和机器人方面的课程，还有如下这些。这些课程可能没有怎么认真听完，有些也是即将准备学习的内容，所以不过度随意评价。

5. iversity《Modeling and Simulation using MATLAB（MATLAB建模与仿真）》

德国老师讲的Matab建模课，角度比较广泛，不局限于工程应用，还包括了很多经济、商业方面的建模。在MOOC学院的讨论区中，也有两派对立的评价，一种认为老师讲的很没劲，另一种认为课程内容很有趣。其实两种说法都没错，课程内容的确很有趣，但老师讲解的方式，是有点单调，这与德国人的性格和说话方式有关吧。

5. 过来人公开课《现代控制理论》

已经开过课，也是赵千川老师主讲，等待下次开课中。

6. 台湾国立清华大学磨课师平台《Control Systems（控制系统）》

等待开课中。

7. edX《Autonomous Navigation for Flying Robots（飞行机器人自动导航）》

已经edX上开过课。

8. edx《The Fascinating World of Robots and Robotics（魅力机器人）》

这门课是北大的老师在edX上首次开课，计划2014年9月开课。看内容大概也是普及性的课程。

【机器学习课单】

关于机器学习部分，也有很多重要并且优秀的课程资源。对我来说，吴恩达（Andrew Ng）的三种机器学习课程是必看，既能入门也能深入。加州理工学院的Learning from data难度较大，但从理论的角度深入地解释了内涵。另外Udacity上的三门机器学习，也非常有干货。

1. Coursera《Machine Learning（机器学习）》

这是为Coursera奠基的课程，但当时看的时候不知道。主讲人Andrew Ng用最快的速度，让你大概知道什么是机器学习。并且通过每周一次的Matlab编程练习，让你很快就能上手，知道机器学习的算法是如何工作的。最重要的是，这门课还介绍了很多机器学习的应用问题，包括各种诊断法、学习理论、学习曲线、异常检测、机器学习流水线（Pipeline）等等，都是非常实用的技术，告诉你不要只顾埋头拉车，要学会看路。

但唯一有遗憾的是，没有太多地从概率角度进行理解，没有涉及朴素贝叶斯、高斯判别分析、VC维度、EM算法等等比较重要的知识。但作为入门课程，已经非常好了。

可以说，这门课对我的影响是巨大的，我从一开始不懂什么是机器学习，通过这门课知道了机器学习，并且在学校接触到，在毕业设计中用到，一直带到工作中。虽然现在我依然是一个入门者，但我随时都会把这门课调出来看看，每次看都有新的认识。Andrew的几句每节课必说的话“In the last video …”“Concretely”“Hopefully”等等，一听到就有种亲切的感觉。

如果看Coursera的机器学习课还不过瘾的话，以下两种也是Andrew讲授的机器学习课程，可以弥补一些不足。

1A. Stanford Engineering Everywhere CS229 - Machine Learning

这是我最近主要花时间在学习的内容，斯坦福大学公开课的视频，并不是MOOC的形式。但Andrew Ng在这20讲课程中，完整地对机器学习进行了深入的讲解，在Coursera中没有涉及到的那些内容，基本都有涵盖。这些课程可在Youtube上找到原版，国内网易公开课中有翻译版本，但是不太清晰，另外也不建议依赖翻译，不一定准确。网上有很多牛人，在博客上写出自己的学习笔记，可以很方便的参考。有些对EM这种抽象的算法写得非常生动，值得参考和借鉴。

由于是课堂录制的视频，因此声音和图像都没有那么清晰。另外由于老师的板书比较行云流水，因此可能看起来还是有雾里看花的感觉，需要通过notes花时间理解，否则会比较吃力。

1B. Stanford OpenClassroom Machine Learning

这是在Coursera之前的一个斯坦福的平台，后来被放弃了。所以很少有人知道。在这个平台中的机器学习课，只更新到前6章，后3章没有视频。这个平台的机器学习课，跟Coursera的录制方式是一样的，基本上是同时录制的，只是课程LOGO不一样，每堂课的内容稍有不同。但也有一些Coursera上没有放上去的内容，比如朴素贝叶斯、牛顿法等等。一共更新了30个视频，可以在链接中找到视频。

这个版本的视频截图是这样的。跟Coursera版本很明显是同时期录制的，但LOGO不同，最终可能被舍弃掉了。如果看不懂斯坦福公开课，而喜欢这种教学方法的话，可以看看这里，有很少量的几节Coursera里没有，大部分都是类似的。

平台主页，没有更新全，是一个被废弃的地方。不过我还是把它找到了哈哈。

附：三种Andrew Ng机器学习课程平台比较

2. edX《Learning from data（从数据中学习）》

这是加州理工学院的机器学习课，在edX上开过课。这也是课堂实录的方式，老师讲的虽然比较慢，但深入到机器学习的灵魂深处，花了很长的时间来铺垫VC维，数学推导也比较多，因此还是会有一点难度。目前我学到大概一半的地方，然后转向Andrew Ng的斯坦福公开课CS229了，两种课结合起来听理解更透彻一些。

其他机器学习课程

3. Coursera《机器学习基石》

这是台湾大学林轩田老师的课程，林老师是加州理工Learning from data那门课老师的学生，因此授课思路很像，都是“机器能学吗？机器学什么？机器怎么学好？”，连课程LOGO都很类似（事实上正是二人合著的书的封面）。因此这门课可以看做是Learning from data的中文版本。

4. Udacity《机器学习（一）》

Udaciy这三个机器学习课程，都由两个老师你一言我一语地讲完，跟说相声一样。一个捧哏一个逗哏，由于开视频不太方便，目前正在听第一部分，还没听完。可以全部下载下来听，但需要使用播放器VLC。这三部分是按照监督学习、无监督学习和增强学习来划分的，全部听完应该会很有收获。

Udacity课程的好处是，每一段都很短，都是用手写板的形式，有时候老师的字迹会比较难分辨。随时会有小测验，检验你听懂了没有。值得一提的是，很多测验会通过一些其他的知识点来帮助你更好的理解。比如在介绍K-NN的时候，专门比较了三种机器学习方法的时间复杂度和空间复杂度。

这门课基本不涉及任何编程，也没有详细的理论推导。但是涵盖的面比较广，概括性地让你对机器学习有一个基本的认识。第一部分“监督学习”主要内容有：决策树、回归与分类、神经网络、支持向量机、贝叶斯学习、VC维度等。

5. Udacity《机器学习（二）》

这是Udacity机器学习课第二部分“非监督学习”，主要内容有聚类、特征选择、计算学习理论、信息理论等等。

6. Udacity《机器学习（三）》

这是Udacity机器学习课第三部分“增强学习”，主要内容有马尔科夫决策过程、Q-学习、游戏理论等。

7. Coursera《Neural Networks for Machine Learning 机器学习中的神经网络》

这门课上一次开课还是在2012年，已经很久没有开过了，但注册进去依然可以获得所有教学视频。这门课的老师就是久负盛名的深度学习创始人Geoffery E Hinton。课程前半部分介绍传统的神经网络，主要是监督学习中的应用，后半部分开始介绍非监督学习的神经网络，包括很多深度网络的概念和基础知识，比如Restricted Boltzmann Machines（限制波尔兹曼机）、Auto-Encoders（自动编码器）等等。课程有难度，是目前唯一一门有关深度学习的课程，非常值得学习！

【学术研究课单】

1. 中国大学MOOC、过来人公开课《文献管理与信息检索》

这门课据说是中科大最受欢迎的一门课之一，主讲人罗昭锋老师已经多次教授这门课程了，应该说经验非常丰富。最近刚在中国大学MOOC平台开课，并且即将在过来人公开课平台开课。主要内容非常多，既包括面向大众的网络搜索方法，也包括面向科研人员的文献管理、信息检索的知识。包括几大数据库怎么用，EndNote、Hitsite、为知笔记、思维导图这些软件怎么用，同时也包括了罗老师自己多年总结的一些经验和感想。这门课涉及的大部分内容，是研究生必学必看必会的，其他少部分内容，对普通不做研究的人来说，也是大有裨益的。