A Stanford Engineering Everywhere program már régóta elérhetővé teszi a világ egyik legjobb (sőt, szerintem a legjobb) egyetemének kurzusait (a kínálat megtekinthető itt). Ez a rendszer nagyon hasonlít az MIT híres Open Courseware programjához, az előadások jegyzetei letölthetőek, sok esetben maguk az előadások képanyagai is felkerülnek a netre és mindenki kedvére nézegetheti azokat. Azonban a Stanford idén tovább lépett és rendezettebb formában "kínálta" gépi tanulás, mesterséges intelligencia és adatbázisok kurzusait. Nem sokára pedig még több órára járhatunk virtuálisan, készíthetünk házikat,stb. - mindezt ingyen. Ha egy kicsit a zsebünkbe nyúlunk, erről papírunk is lehet.
A kínálat
A kínálat széles, a vállalkozási ismeretektől az anatómiáig terjed, itt én vettem a bátorságot és csak azokat emelem ki amelyekről úgy gondolom hogy a blog olvasóit érdekelhetik. A teljes kínálat elérhető minden kurzus oldalán, csak le kell tekerni az oldalt!
- Lean Launchpad - a blog alapján gondolom sokan kitalálták hogy nagy Lean Startup rajongó vagyok és most itt egy kurzus amit maga Steven Blank tart! Sajnos nem fér bele az időmbe hogy rendesen végigcsináljam, de ha itt is lesz lehetőség "könnyű ösvényre", mindenképpen szánok időt arra hogy feldolgozzam a témát.
- Technology Entrepreneurship - Sajnos fogalmam sincs hogy hazánkban ajánlanak-e hasonló kurzusokat, viszont ez nagyon érdekel engem, hiszen a Stanford a Silicon Valley szerves része (ó, a fent említett Steven Blank Secret History poszt sorozata kötelező!)
- Information Theory - kanyarodjunk vissza a szakmához! Az információelmélet a számítógépes nyelvészek számára lassan első nyelvvé válik szóval tessék szépen megtanulni! Weissman professzort, az instruktort nem ismerem ugyan, de minden ismerősöm csupa szépet és jót mondott róla szóval izgatottan várom a kurzusát.
- CS 101 - bevezetés a számítástudományba, kicsit érdekes módon ugyanis elvileg minden megy majd a böngészőből, nem kell editor-ral és compiler-rel küzdeni majd. Én maradok szkeptikus, akinek bevezetés kell az mindent megtalál a MIT OCW Introduction to Computer Science and Programming kurzusában, ha még nem programoztál soha, kezd az ajánlott könyvvel, azután ess neki a videóknak és a feladatoknak!
- Machine Learning - Andrew Ng munkásságának már jó ideje nagy tisztelője vagyok, a kurzus előző kiadását végig csináltam és csak ajánlani tudom mindenkinek. Januárban is indul, tessék rá feliratkozni!
- Human - Computer Interaction - Prof. Klemmer instruktor igazi nagyágyú, a Stanfordon pedig baromi jó HCI arcok vannak és eszméletlen kutatásokat csinálnak. Valaki remélem feliratkozik rá és beszámol a kurzusról mert sajnos nekem nem fér bele...
- Natural Language Processing - Jurafsky - Manning így együtt fogalom a szakmában! Sőt, Manning IR könyve kapcsán kétszeresen is fogalom. Nem egy könnyű bevezető kurzusnak ígérkezik a dolog, de hát ugye ez már egy ilyen terület. Remélem sokan tartanak velem és együtt kezdjük a tanulást január végén!
- Game Theory - Jackson és Shoham párosa vezeti a kurzust, kettejük közül Shoham neve ismerős lehet azoknak akiket érdekel a játékelmélet talán olvasták könyveit (Multiagent Systems és Essentials of Game Theory ), Prolog könyve is sokak számára ismerős lehet (Artificial Intelligence Techniques in Prolog). Shoham nekem egyet jelent a minőséggel, a nyelvészet (és logika) egyre többször téved a játékelmélet területére, ezért a nem-számítógépes kollégáknak is ajánlom hogy "iratkozzanak be".
- Design and Analysis of Algorithms I. - érdekes hogy az instruktort, Roughgarden, én sokkal inkább játékelméleti szakemberként ismerem, de hát az algoritmikus játékelmélet ugye feltételezi hogy nagy spíler az ember algoritmusok világában úgy en block. Ha valaki feliratkozik rá és végig csinálja akkor remélem be is számol nekünk majd róla!
Hogy néz ki?
Én mesterséges intelligencia (http://www.ai-class.org/) és a gépi tanulás (http://www.ml-class.org/) kurzusokat"látogattam" és a teljesen szubjektív véleményem hogy nagyon jók. Nyilván van egy kis eltérés a kurzusok menetében, de alapvetően előadásokat kell nézni, nem árt letölteni a jegyzeteket sem. Számomra a feladatok nagyon nehezek voltak, néha a hajamat téptem szó szerint. Számomra nem volt elég önmagában az előadás és a jegyzetek. Én bizony olvastam mellé rendesen! A gépi tanulás kurzus külön részt szentelt a mátrix algebrának, a mest.int. pedig a Khan Academy valószínűségszámításról és statisztikáról szóló kurzusait ajánlotta amik szintén jók, nekem ez nem volt elég. Külön gondot okozott az Octave (Matlab) is a gépi tanulás esetében. A vége az lett a dolognak hogy az AI class-hoz a klasszikus Russel-Norvig Artificial Intelligence: A Modern Approach könyvet bújtam, az ML class esetében pedig több könyvet használtam (Mitchell Machine Learning, Hastie at al Elements of Statistical Learning, Alpaydin Introduction to Machine Learning, ill. Schmidt Hansen GNU Octave Beginner's Guide).
Az ML class összeszedett nagyon, viszont nagyon sűrű az anyaga. Nagyon hasznosnak találtam hogy az előadások letölthetőek, így utazás közben a telefonomon is "beülhettem" egy órára. Habár végül jól sült el a dolog, most így visszagondolva azt mondom hogy csak olyan vágjon bele akinek több tapasztalata van az alkalmazott matematika területén. Nem árt ha a hátralévő bő egy hónapban egy kis Octave önképzést is bevállal akit komolyan érdekel a kurzus.
Az AI class sokkal inkább bejött nekem, talán azért mert Norvig munkásságát nagyon tisztelem, könyveit pedig féltve őrzöm a polcom kiemelt helyén (a PAIP személyes kedvencem). Nem mondanám hogy könnyebb mint az ML class, mert a feladatok bizony kemények, de valahogy nem kellett annyi energiát fektetnem bele.
Akik bármilyen okokból nem tudja bevállalni hogy házikat készítsen, az választhat könnyebb utat is. Ún. "light track" keretében is hallgathatóak a kurzusok, ez kb abból áll hogy az előadásokhoz kapcsolódó feleletválasztós tesztet kell csupán kitölteni (akár többször is, a legmagasabb pontszám számít a végeredménybe!).
Pro és kontra
A Stanford kezdeményezését nagyon jónak tartom. Vannak akiknek kell a formális keret, szeretnek visszajelzést kapni arról amit csinálnak (ha csak egy százalékos eredmény formájában is). Sajnos azonban még egy világhírű és gazdag egyetem forrásai is végesek és nem tudnak mindenkinek megfelelő tárgyakat ajánlani. Én szeretem a "hagyományos" OCW stílusú kurzusokat is, habár ezek sokkal több odafigyelést igényelnek (határidők, feladatok stb nélkül hajlamos az ember mindenbe csak belekezdeni aztán félbehagyni az egészet), de egy kis gyakorlással bele lehet jönni ebbe is.
Ami hiányzik ezekből a kurzusokból az az interakció. Sok helyen alakultak tanulócsoportok és remélem itthon is akadtak akik együtt tanultak hiszen ez az egyik legfontosabb (és legjobb) eleme az anyag feldolgozásának. A reddit-en és egyéb fórumokon is aktív online élet folyt az órák után, az AI class "fogadóóraái" pedig a youtube-ra is felkerültek. Minden "alternatív" módszer hátránya az hogy korlátozza a személyes diák-diák, tanár-diák interakciót és sajnos nem minden esetben érhető el könnyen és olcsón háttéranyag ha további információra van szükségünk (pl. az én kis városom könyvtárában bizony ilyen szakirodalmat nem tartanak...). Ha az ember ezekkel a korlátokkal együtt tud élni és/vagy megtalálja a maga útját hogy kompenzálja őket valahogy, akkor (időben és anyagiakban egyaránt) megéri a befektetést egy online Stanford kurzus.
Nincsenek megjegyzések:
Megjegyzés küldése