生物方面在国内外一直很火，想在竞争如此激烈的申请中脱颖而出，这篇分享一定会帮到你，
概述 生物医学（Biomedical Sciences）专业指的是一个大类，一般为医学院下属的科研型研究生项目的总称，也通常会作为一个大项进行统一招生。一般此类PhD项目一旦被录取，都是会被给予全额奖学金，包括在读期间所有的学费、医疗保险以及较高的Stipend，在美国，Stipend一般为每年3万美金左右。对于中国学生而言，一般申请的国家或地区主要包括美国、英国、加拿大、澳大利亚、新加坡、香港。在这里，我主要就根据自己的申请经验和了解到的信息，主要介绍美国、新加坡、香港和英国的情况。美国1.注意事项一般美国都会作为首选申请方向，医学院众多而且质量相当高。首先说明一下美国医学院PhD项目申请的几点注意事项。l 美国一流名校的PhD项目更偏向于招收有潜力的本科生，而排名稍微靠后点的学校可能更愿意优先录取已有较好研究背景的硕士生，当然这个情况不是绝对的。主要原因在于，美国的PhD项目时间都非常长，一般为5-6年毕业，而名校对学生要求可能更高，因此学生的毕业年限有可能会被延长，更有甚者7年才能毕业。还有一点在于，美国一流的学校更重视对学生的培养，希望他们录取的学生能够从零开始，在他们的引导下，按照他们的模式成长。而资源不那么优越的学校，更希望学生一入学就能参与到实际的工作中，所以在该领域已有较多经验的硕士生会更加被看好。l 由于是国际生，很多学校都要求成绩单认证，所以需要提前做好这个工作，因为认证时间可能会很长。美国的申请系统主要有两个，一个是apply web，一个是apply yourself。属于apply web系统的学校像斯坦福大学、宾夕法尼亚大学等都是可以直接在系统页面通过学信网认证成绩单的，只要学信网认证通过了，基本上认证就搞定了，非常方便。而对于其他的非apply web系统的学校，很有可能需要你进行WES认证，这个认证是需要你在认证完学信网之后，再把学信网的认证结果邮寄到纽约进行认证的，程序比较麻烦，所以最好提前准备。l 申请医学院的PhD项目的时候，套磁一般用处不大。其实一个非常重要的原因是，学生入学后导师变化的可能性太大。像某些工科专业，如果你本科的时候做的是某一领域的东西，你到研究生的时候会更加倾向于选择该领域，因为你换方向得适应一阵子，而且你想换的导师不一定会愿意接受你，因为你的背景跟他的不是很相符。而在医学院，情况完全不同，首先医学院PhD招生的特点永远是导师多，学生不足，一旦被录取，绝对是学生选导师，而不是导师选学生。而且无论你本科的背景是神生也好，生化也好，所做的东西基本上大同小异，换方向也不会有什么问题。而且选择的空间很大，从基础到临床的导师，你都可以选择，强制性的轮转政策会给学生足够的空间选择心仪的导师。还有一点就是，医学院比较有钱，一个PhD学生的第一年甚至是前两年的奖学金都会由项目组直接提供，而不是导师出钱，所以导师想跳过录取委员会要学生是非常不合适的，并且僧多肉少，其他的导师也是想要和他背景相似的学生，但是录取的名额是有限的。所以套磁很多时候不管用，像圣路易斯华盛顿大学医学院，一个MCB的项目他们faculty有200多人，每年录取的学生不到20人，所以为了避免导师抢人导致不公平，项目组直接采取“盲录”的方式，随机分配申请者给不同的faculty审核材料，并且分别打分，总分高者给offer。但是，对于比较小规模的医学院，套磁还是有用的，因为申请者比较多，而faculty人数有限，被faculty看重的学生被录取也是自然而然的。但是，事实上，美国医学院faculty的规模都是相当大的，僧多肉少是比较普遍的情况。l 就是申请的时候尽量广撒网，各个不同层次的学校都要试一下，而且申请的时候文书都是大同小异的，所以不会耗费大量的时间，只要认真准备一份就够了，申不同的学校的时候稍微做修改。或者认真准备你想去的学校的几份文书，其他的附带多投投，这样会提高录取几率，而且其实申请这个事情不是绝对的，并没有所谓的实力匹配，你可能收到一个学校的offer，但是比它好和比它差的学校都没有给你offer。尤其在医学院，由于faculty人很多，申请的人多，审核材料的professors也多，他们这群人对学生的偏好是不一样的，因为生物医学下面的教授的背景五花八门，可能有临床的医生喜欢来自医学院的申请者，做生物医学工程的教授喜欢工科出身的背景，做分子生物的教授更偏向喜欢基础研究的学生，你并不知道你的材料是被分配到谁那里审核，所以大胆的多申请学校还是很重要的。下面来说说具体点的情况，对于美国最一流的医学院，像哈佛、斯坦福、宾大它们都还是非常愿意录取来自中国的学生的，而且有一个很明显的趋势就是，这些医学院的faculty里面，年轻一代的教授不少都是当初从清华、北大、上海交大走出去的学生。所以如果你是这些学校的学生，你的校友资源会帮助到你不少，因为他们就是从你这个学校走出去的优秀学生的代表，说明了你们学校的水平。还有一点就是，美国最一流的医学院也不是那么遥不可及，像宾大的Biomedical Graduate Program 16年的时候一共收到了503份申请，他们面试了121人，最终入学的是47人，国际生比例为13%，大概就是6个人。但是这是入学的数据，其实他们的offer一共发出了108份，所以竞争虽然激烈，但是机会总是有的。2.条件与要求那么申请这群最一流的医学院应该具备哪些条件呢？首先，能看得见的数据必须要足够漂亮，还是以宾大该项目为例，他们的16年新生里，GPA的平均数是3.75，GRE里的Verbal平均数是82%，Quantitative平均数是77%，Writing平均数是76%，这也就意味着你大学四年的所有科目最终的成绩按照百分制算，基本上都得在90分左右；对于中国学生，Quantitative达到77%完全不是问题（我第一次考GRE Quantitative就是满分，97%），主要难的在Verbal和Writing，Verbal82%基本上就是160以上了，Writing也是得到4.5分，至少也是4分。所以这一点还是很难的，如果你的GPA和GRE都没有达标的话，你确实很难脱颖而出，尤其在竞争非常激烈的申请季，硬性条件显得尤其的重要。当然了，这些不是一定必须的，如果你有一个非常strong的研究背景，完全可以弥补你硬性条件的不足，比如有第一作者的SCI文章就是你学术水平最好的体现（一般研究生有可能做到，其实对于大多数本科生还是很难的）。美国高等教育的旗舰其实大家都耳熟能详，就是常春藤联盟的那八所学校，我申请了其中五所的医学院（其实主要还是试试运气）-哈佛、宾大、康奈尔、达特茅斯和哥伦比亚。截止到目前，我就收到了达特茅斯一家的面试，然后宾大和康奈尔都已经把我拒绝了，剩下的哈佛和哥伦比亚始终都没有消息，我估摸是被放在了waitlist里，石沉大海了。其实申请常春藤这样层次的学校，我感觉主要还是要综合实力够强才可以，尤其是研究背景真的非常重要，总结来说就是高GPA，高GRE，强研究背景。但是还有隐形的一点也是非常重要的，就是你本科毕业的学校实力，其实我举个例子大家就会明白为什么这个很重要，我有个朋友是咱们国内排名顶尖的某大学的，他申请哥大某系的PhD，最终就拿到了offer，他就说，在他申请的时候，发现他们系负责国际生招生的教授就是他们学校毕业的，而给他面试的那个哥大的学生，同样也是他们学校毕业的校友。所以，这个例子足以说明有良好出国传统的学校的优势，可怜我们学校出国的学生寥寥无几，我想在北美找个在读的校友都难如登天，只好自己一个人硬着头皮摸索着申请，真的是太悲壮了。然后其实我也试图套磁了，毕竟这种事情有益无害，但是我感觉效果一般，基本上都是非常客气的回复，欢迎申请什么的，有些更直白的说，PhD的申请是由录取委员会决定，教授可操作的空间很小，所以只能祝我好运。有的表示，在我拿到offer之后如果愿意，可以联系来他们实验室轮转（我都拿到offer，还来找你套磁干嘛&）反正最后的情况就是，只拿到达特茅斯一个面试，也不知道最后有没有offer下来，哈佛和哥伦比亚肯定最后是石沉大海，了无音讯了（放在waitlist里面其实很难有机会出来的）。达特茅斯的医学院虽说是全美第五古老的医学院，但是规模真的很小，就跟达特茅斯这个学校一样，整体就是小而精。给我面试的是Dr. Surachai和他实验室的一个研究生,他是达特茅斯MCB Program的Chairman，整个面试一共就30分钟，基本上就是一半一半，他问我15分钟的问题，主要还是很常规的问题，先自我介绍，再问我的研究内容（主要就是围绕研究内容问了比较细致的问题），再就是为什么要申请达特茅斯，基本上时间都花在了问研究内容上，其他的感觉他真的不感兴趣，就是routine式的问一问，所以对于自己的研究一定要准备好迎接所有可能的疑问，从小到大各个方面，研究的大背景，具体的内容，目前的进展，以及存在的问题等等等等。然后他就留出时间让我问问题，当时我实在是傻叉了，脑子里没有准备太多的问题，所以草草的问了几个，主要就是他们program对于学生的要求啊，毕业年限啊，生活方面问了问达特茅斯是不是很冷（太傻了，而且他说很冷之后，我竟然来了一句Then I can play with snow and I like it，赤裸裸的阿谀奉承啊），反正一共就半个小时，很快就过去了。除了常春藤这个层次的学校，肯定是要申请一下别的学校，尤其是中等偏上的学校以及两个拿来保底的，千万不要胡乱去评估自己的实力，因为申请还有三分运气在里面，backup的学校绝对不能少。所以中上层次的我还申请了波士顿大学、明尼苏达大学、加州大学圣地亚哥分校（后来我仔细研究了一下，这个学校的医学院真的是常春藤这个层次的）、康涅狄格大学。波士顿大学我真的是中规中矩的申请的，没有套磁，基本上就是提交材料，然后就不管它了，我到后来甚至都忘记了我有申请它，直到年前我突然收到他们的Skype interview的邀请，当时给我面试的时间恰好是小年，而且由于时差，到了晚上10点多才面的试。有两个教授给我面的，一个是心血管的Dr. Mcnight，一个是Translational Medicine的Dr. Gerstenfeld，两个人是分开给我发的skype视频，基本上问的问题都差不多，中规中矩的问题，每个人大概一共四十分钟，前二十分钟问我的基本情况，后二十分钟就是介绍他们自己的研究。最有意思的是，Dr. Mcnight 直接给我在线发了一个介绍BU 医学院的PPT，硬是给我读PPT读了5分钟。。。。反正面试就是走个过场，其实完全不用紧张，他们一般都不会问什么特别难的问题，侃侃而谈就是最好的。其实不管怎么样，竞争还是很激烈的，Gerstenfeld教授告诉我，他们学校每年有400多申请者，大概面试120人，最后给offer大概是40-50，所以面试了也是不一定会被录取的。然后明尼苏达大学也给了我面试，整个面试弄得我十分尴尬，因为一共就持续了20分钟不到，之所以能坚持到20分钟，还是因为我一直在找问题问。先让我自我介绍，然后他们就问了两个问题，一个是目前的研究是什么，还有一个是为什么申请他们学校，而且没有深入问，基本上5分钟就搞定了，然后就问我有什么问题，如果没有问题就可以结束面试了，吓我一跳，我还以为是说错话了，后来他们告诉我，我的总体条件很好，所以资格方面不是问题，但是问题是他们今年的funding锐减，PhD的招生只好也cut掉不少人，而且很多跟我研究背景匹配的教授都没有funding给研究生，所以他们在给我发offer之前，得锁定一个能给我funding的人，否则也是无法录取我的。所以我觉得美国现在确实面临这样一个问题，各大院校的funding都在减少，对研究生尤其是国际生的资助更是如此，所以相比较于以前，确实更难申请了。然后就是加州大学圣地亚哥分校，基本上就是秒拒我，他们的那个biomedical sciences的项目小秘，给我发了一封邮件，说什么他们今年的申请竞争尤其激烈，hundreds of applicants，然后他们国际生的录取名额就2个人，没错，2个！我觉得他们学校作为公立大学，可能对国际生真的没有办法友好，所以我也就没什么好说的了，对了，他们学校很奇葩有一个pre-application，就是预申请，我是在预申请的时候被拒的，估计是申请的人真的太多，所以搞了这么一个形式，其实有pre-application的一定要申请，因为是免费的，不需要交申请费，也不需要提交官方的GRE和托福成绩。最后一个是康涅狄格大学医学院，这个对于我而言是血一般的教训哪，一定不要干像我这样的糊涂事儿。我提交完申请之后，立马就套磁了一个和我研究方向非常靠近的教授，他表现的也很热情，但是当时我的材料还在研究生院，没有到他们医学院，所以他还没有权限看。当时，他跟我说，大概一个多月后材料会从研究生院到医学院，让我一定要记得到时候提醒他去拿我的材料，然后他会帮助我的申请。但是，但是啊同志们，我把这事儿给忘了。其实这就是一次非常成功的套磁，只不过我一直忙着去面试其他几个学校，把它给忘了，直到我直接收到康涅狄格给我发的拒信，才恍然大悟，肠子都悔青了啊。否则的话，我觉得在这个教授的帮助下，我至少能拿到一个面试，唉，不多说了，都是泪啊。然后就是我第三批次的学校了，这个批次我就申请了两个，主要是用来保底的，一个是雪城大学和SUNY上州医学院的联合项目，还有一个是石溪大学（也叫纽约州立大学石溪分校)。其实我对雪城大学并不了解，只是去香港实习的时候有听一个学姐说到过，说总体排名还挺好的，她有个同学就是在那读的PhD，然后我就申请了，基本上面试非常顺利，聊的挺好的，也都是些常规问题，然后还问了我平常都读什么杂志或者书（回答当然是我做研究的那个方向的杂志了，其实我还是很专业的，哈哈哈），然后基本上就没什么特别的问题了，三个教授一起给我面的，面完的第二个星期他们开会，然后就把offer发给我了，他们学校发全奖特别有意思，根据我在学校呆的时间，放假的时候不给钱，平时在学校是每半个月发1500美金(给我的文件上就是这么写的，我也很好奇这个到底是因为什么要按半月分）。然后石溪我申请的是他们学校和冷泉港的联合项目，里面有一半的faculty都是冷泉港的人（如果你是学生物或者医学相关的专业，你应该知道位于纽约的冷泉港实验室，世界生命科学的圣地，都是神一般的人物在这里做科研）。石溪申请截止比较晚，我也是才拿到面试，祝我好运吧。在这里我真的要说一下关于美国的这些学校，你会发现石溪综合排名美国90多名，还是个公立大学，实力应该一般。但是其实，人家真的很强，我申请的医学院联合项目，里面的科学家的研究我基本上都看了一下，文章发的不是nature就是science，当然了，石溪得天独厚的优势就是它在冷泉港边上，而且和纽黑文国家实验室合作，基本上科研实力是一流的。所以我想说的是，不要按排名来看美国的大学，很多都是卧虎藏龙的，排名所谓靠后的学校实力依然是非常强的。英国 说实话我对英国的学校了解不多，也就申请了一个。英国总体是学费贵而且给非欧盟学生的奖学金很少，所以一般想去英国的同学主要是通过公费留学。我申请的是伯明翰大学医学院的免疫系的PhD，而且套磁了一位导师，这个教授是我一个学姐推荐的，她在这个教授实验室做博后，面试也是很流程，主要就是谈了奖学金的事情，他们有个Li Siguang Scholarship专门给中国的博士生申请者，是通过csc申请的，所以关键就在于我能不能申请上，他们每年有3-4个名额，所以还是碰运气吧。offer是先发给了我，然后我拿着这个offer去申国家留学基金委的奖学金。大概5月份左右会有结果。新加坡 其实新加坡的三个医学院都挺不错的，Duke-NUS，NUS，NTU。Duke-NUS分两方面招生，一部分学生是通过新加坡国立大学招，也是去新加坡面试或者skype，他们这边决定；另一方面他们是通过杜克招，在美国面试，当然你远的话也可以skype。其实这个医学院大家都是碰运气，因为录取比例很低，比其他两个的录取比例要低得多。而且强烈不建议套磁的，他们招生的老师在面试的时候直接就说，你可以多表达一下对不同专业和领域的兴趣，这能增加你被录取的几率，但是如果你套磁的话，肯定是帮不上忙的，因为他们录取PhD是非常独立的，所以我就没有套磁了，一共三个教授面试的我，里面有两个都很客气，只有唯一的一个杜克的那个教授，非常不友好，基本上问的问题都比较刁钻，甚至是离谱的（在这里就不多透露了，我觉得对付这个情况最好的办法就是，保持自我，不要管他的问题，回答自己能回答的，坚持自己正确的观点）。然后NUS我套磁了，这个套磁的效果还是很好的，而且申请网站上直接就有问你potentialsupervisor你选谁，然后2月底在浙大面试的，面试的教授人非常nice，基本上不会问你让你为难的问题，基本上就是走个流程，完全不需要提前准备很多东西也完全不需要紧张的，非常轻松的谈话。香港 香港跟新加坡是比较像的，套磁肯定是首要的，不同的在于香港对英语的要求低一些，不需要提交GRE成绩。由于之前我有去港中大的医学院实习一个暑假，跟那的教授也很熟悉。其实我挺喜欢香港的，去的时候认识了很多当地和我一样实习的本科生，真的非常友好的城市，和很多媒体乱说的完全不同。其实我挺喜欢香港的，但是应该是不能去了，我当时实习跟的教授人就超级超级nice，我都不好意思跟他说我不能去他那读PhD了。而且他真的帮了我一个大忙，就是帮我写了推荐信，真的是无比感谢，一个非常好的教授。所以有意向出去读书的同学，感觉想去稍微熟悉的环境的话，推荐去香港，很多好吃的，当地的人和当地的学生绝大多数都对内地的同胞非常友好的，你只有去了你才会感觉到。不去你整体听媒体发布很多关于香港负面的消息，你可能都会感到害怕，但是完全没有必要。相信这么详细的经验分享，一定对你有所帮助原文链接：https://www.applysquare.com/topic-cn/pIIGnK9fT/特别声明：本文为网易自媒体平台“网易号”作者上传并发布，仅代表该作者观点。网易仅提供信息发布平台。
一键安装官方客户端
重大事件及时推送 阅读更流畅
http://dingyue.nosdn.127.net/t1SH2vC6jJJz5wn76PMviPpc0tcwm0rRllyvcQJO2Vw0T6.jpg&p&我主要关注CS相关课程。推荐下我觉得不错的：&/p&&p&&b&1. 华盛顿大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/proglang& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Programming Languages&/a& &/b&&/p&&p&这门绝对是第一神课啊！很奇怪前面的回答很多只是轻轻带过……首先，课程内容不是一般大学里会教的，函数式编程，一开始就让你大开眼界！后面各种类型推导系统，用Scheme写解释器，还有非常精华的各种编程范式的优劣比较，醍醐灌顶毫不为过。其次，老师讲的非常好，上过的同学应该还记得他上窜下跳要让你记住函数类型的contra-variant规则吧！口音清晰，讲解细致，实时写代码进行解释，不能更耐心了！最后，整个课程的作业设置也很好，有理论上的问题，也有编程实践，而且难度也适中，每次都会先从热身开始慢慢加大难度。最吊的就是peer assessment了！简直就是code review最佳实践啊，还能学习别人好的写法，又是对功力的一大提升！总之这门课对整个Coursera系统的利用之完善可以说是到了极致，也正是因为上了这门课让我从此对Coursera无比痴迷，疯狂刷课……&/p&&p&很多同学问这门课好像Coursera上不开了，可以直接去这门课程的主页学习：&a href=&//link.zhihu.com/?target=https%3A//courses.cs.washington.edu/courses/cse341/16sp/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&UW CSE341, Spring 2016&/a& 不知道作业系统之类的体验如何……&/p&&p&&b&16-12-24更新：&/b&&br&这门课又可以在Coursera上找到了！地址：&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/programming-languages& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Programming Languages, Part A - University of Washington | Coursera&/a&&/p&&figure&&img src=&https://pic3.zhimg.com/50/c8abf2ad6af800fed5085a_b.jpg& data-rawwidth=&2048& data-rawheight=&1280& class=&origin_image zh-lightbox-thumb& width=&2048& data-original=&https://pic3.zhimg.com/50/c8abf2ad6af800fed5085a_r.jpg&&&/figure&&p&第一次使用“神的编辑器”……&/p&&p&&b&2. Maryland的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/softwaresec& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Software Security&/a& &/b&&/p&&p&这个是正在上的，也是讲的非常好！把很多概念都串起来了，一周当黑帽，下一周换白帽，展现了计算机安全的方方面面。而且内容很新，heartbleed，MCFI之类的2014年出现的东东都提到了。这门课的deadline非常紧，作业都是限时提交的，还好上了第一周看难度不大，评分方面感觉有点bug……明明做错了都算我得分……今年是安全大热的年度，Maryland的安全系列课程有四门，感兴趣的同学可以都跟一下！&/p&&p&&b&3. Princeton的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/algs4partII& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Algorithms&/a& &/b&&/p&&p&目前上过的最好的算法课，这位老爷爷师承高德纳，但又不像The Art of Computer Programming那么偏理论天书范……他写的算法红宝书也是广受追捧，看他上课的确是种享受，娓娓道来，各种图表动画，脉络清晰。这门课的作业也很赞，有理论问题，有面试常见问题，还有编程大作业三部分。其中编程大作业难度挺大，课题都很有趣，比较偏工程，只给一个API的框架然后自己去实现整个流程（也就是不光包括核心算法，也有文件IO，数据预处理之类的东西），每次都要做上好几个钟头。编程作业的评判也是相当严格，会考察代码风格，运行时间，消耗内存，API调用次数等等额外的东西，让我这个专业搞测试的人都有点汗颜了……说了这么多，这门课还是有个致命缺点……所有普林斯顿的课程都没有证书，连得分记录都没有……唉，本来是有望角逐第一神课的啊！&/p&&p&&b&4. Stanford的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/crypto& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cryptography&/a& &/b&&/p&&p&斯坦福的课程都特征明显，讲授内容会偏理论一些，需要不错的数学功底。作业一般不限制编程语言，每次题目都是动态生成的所以不能靠猜的……作业一般只能提交3次，所以拿高分的难度也比较大一些。这门课也讲的很好，老师语速很快，几乎不用加速……可惜我的数学实在太差了……掌握的不是很好，只记得算法里到处都是x0r，那些神奇的Oracle Padding, Timing Attack等攻击方法更是让人大开眼界，还有老师那句重复了多次的永远不要自己去设计/实现安全方面的核心算法……等着明年再跟第二部分，考虑跟Maryland的同名课程比较着学下。&/p&&p&&b&5. 北大的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/spic1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&计算导论&/a& &/b&&/p&&p&目前内地大学上过的课中唯一一门觉得值得推荐的……李戈老师的确讲的很不错！不过这门是基础课程，适合大一大二或者刚转行过来的同学，所以我没上完就退了……&/p&&p&&b&6. 密歇根大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/pythonlearn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Programming for Everybody&/a& &/b&&/p&&p&这门课我女朋友全部跟完了，非常适合没有任何基础的同学学习。其实编程作为一种爱好也是很正常的啊，里面有趣的东西实在太多了，锻炼脑子又收获乐趣，何乐而不为呢。Rice大学有一门&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/interactivepython& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Interactive Programming in Python&/a& 也是入门级别，跟这个课挺类似。可惜做作业用Code Sculptor需要翻墙……后来也是因为比较简单所以没上完。&/p&&p&&b&7. 乔治亚的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/sdn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SDN&/a&&/b&&/p&&p&这门课其实讲的比较一般吧，很多时候就是念ppt，不过好在内容很新也很扎实。由于本身就是个新课题，所以这门课每年的内容都在更新！除了讲课本身，每周还有两个业界大牛的interview作为补充，所以整体内容还是很地道的！作业其实也是比较简单，不过把Pyretic Pox Kinetic等各种SDN技术框架都让你体验了遍，是一个很不错的进入这个领域的起点哦。&/p&&figure&&img src=&https://pic4.zhimg.com/50/72c1e4db473cf2317028_b.jpg& data-rawwidth=&2048& data-rawheight=&1280& class=&origin_image zh-lightbox-thumb& width=&2048& data-original=&https://pic4.zhimg.com/50/72c1e4db473cf2317028_r.jpg&&&/figure&&p&配图为某次作业，基于Haskell写的NetASM，网络汇编语言！实现了一个虚拟交换机上的L2 firewall。&/p&&p&&b&8. Stanford的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/compilers& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Compilers&/a& &/b&&/p&&p&恩，好难啊……我上了一周就放弃了…………我一定会回来的！！！&/p&&p&&b&9. 华盛顿大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/hwswinterface& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Hardware/Software Interface&/a&&/b&&/p&&p&上面有同学说这门课讲的一般……不过我觉得还挺好的啊。很多内容都是基于经典的CSAPP，作业非常有趣，剧透一下我的解题笔记哈哈……&a href=&//link.zhihu.com/?target=http%3A//zijie0.github.io//CSAPP---Buffer-Overflow-Attacks/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CSAPP - Buffer Overflow Attacks&/a& 对于像我这样不是科班出身的人来说这门课是个非常好的基础补充。可能由于第一门上华盛顿大学的课实在体验太好，所以后面都有点爱屋及乌了。给予这门课强烈推荐评级！&/p&&figure&&img src=&https://pic3.zhimg.com/50/db24f1fbb9f8e3ee4f7921d_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&https://pic3.zhimg.com/50/db24f1fbb9f8e3ee4f7921d_r.jpg&&&/figure&&p&某次作业……拆弹现场哈哈&/p&&p&&b&10. Stanford的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/algo2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Algorithms: Design and Analysis&/a&&/b&&/p&&p&斯坦福的算法课，内容上从名字可以看出来更偏理论一些，课程上很多数学推导内容，可以说是内功心法……作业相比普林斯顿的就简单纯粹很多了！毕竟核心算法基本就那么点逻辑，几行代码基本上都能很快写完……这个课的老师实在是太像纸牌屋里那个Peter Russo了（《&b&蚁人&/b&》中的大反派！），真实分分钟出戏啊……如下图：&/p&&figure&&img src=&https://pic2.zhimg.com/50/98c8dbdad9c4b8e18ecc5ae32ba280d7_b.jpg& data-rawwidth=&947& data-rawheight=&525& class=&origin_image zh-lightbox-thumb& width=&947& data-original=&https://pic2.zhimg.com/50/98c8dbdad9c4b8e18ecc5ae32ba280d7_r.jpg&&&/figure&&figure&&img src=&https://pic2.zhimg.com/50/cb3eaf2ce5c8b4611ffab81_b.jpg& data-rawwidth=&584& data-rawheight=&412& class=&origin_image zh-lightbox-thumb& width=&584& data-original=&https://pic2.zhimg.com/50/cb3eaf2ce5c8b4611ffab81_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&恩，另外上这门课时发现讨论区挺活跃的！大家都在那讨论如何优化自己的算法，时常去看看很有收获！附一个我的作业笔记：&a href=&//link.zhihu.com/?target=http%3A//zijie0.github.io//Python-Algorithms---Knapsack-Problem/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python Algorithms&/a&&/p&&p&&b&11. 台大的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/cprogramming& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&计算机程式设计&/a& &/b&&/p&&p&其实就是讲C语言，比较基础，我女朋友上完了。作业还是挺有趣的，而且每次都会在deadline之后贴出参考代码，这个对初学者还是很有帮助的！有一个作业是讲光线射入一间有各种镜子的房间后会从哪个窗口出来的，我写了下搞了一堆if else上去非常复杂……后来看了参考答案发现可以用数组来控制一些跳转逻辑，典型的逻辑与控制解耦方法，代码复杂度一下就下来了。这种在自己动手过程中发现的道理才印象深刻啊！最后一周的作业是写个非常简单的BASIC语言解释器，让我回想起那天夕阳下用小霸王学习机写BASIC的小男孩，那是我逝去的青春……&/p&&p&&b&12. 洛桑联邦理工的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/progfun& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Functional Programming Principles in Scala&/a& &/b&&/p&&p&这个是Scala的作者亲自讲的课，其实在讲FP方面我觉得是没有华盛顿大学的那门讲的好的，而且由于Scala异常丰富的特性，这门课的作业也会让人在具体实现上有些迷茫，好像跟课程内容没啥关系嘛……学完之后整理了个笔记，基本涵盖了所有内容，有兴趣的同学可以看看。注意文中有大量作业剧透，本想借此刷访问量的……可惜写得太差，唔…… &a href=&//link.zhihu.com/?target=http%3A//zijie0.github.io//Learning-Scala/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learning Scala&/a&&/p&&p&&b&13. Princeton的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/comparch& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Computer Architecture&/a&&/b&&/p&&p&又是一门很不错的课，视频量大且难度专业度很高，讲各种CPU的架构与设计，配合那本教材&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&计算机体系结构 (豆瓣)&/a& 一起看效果很好！唯一的缺点是没有证书……连作业都是pdf，全靠自觉，对我来说简直是无法完成的任务…………给个截图大家感受下……&/p&&figure&&img src=&https://pic1.zhimg.com/50/aeaddad1453e_b.jpg& data-rawwidth=&1910& data-rawheight=&1200& class=&origin_image zh-lightbox-thumb& width=&1910& data-original=&https://pic1.zhimg.com/50/aeaddad1453e_r.jpg&&&/figure&&p&&br&&/p&&p&&b&14. Maryland的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/android& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Android系列课程&/a& &/b&&/p&&p&链接里的是第一门，这个课没什么出彩的地方，但是循序渐进把安卓的各种部件都讲解的很清晰，作业难度也比较低，很适合新手入门。后面还有几门课由于我不再搞mobile方面的东西了就没有再跟……不过看这个课感觉应该会很不错的！编程作业都给了框架，然后本地跑安卓的UI Automation通过上传log的方式来评判成绩。另外也有peer assessment，下载别的同学的代码来跑什么的。有一次作业里包含了拍照录像功能，然后就在截图里看到了世界各地上这门课的大叔/正太的自拍照，感慨了一下这就是mooc的魔力啊！不管你身在何方，基础怎么样，现在从事什么都可以随时加入学习，一起讨论进步，真是太美好了！&/p&&p&&b&15. Stanford的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/mmds& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Mining Massive Datasets&/a& &/b&&/p&&p&最近开的新课，老中青三大帅哥齐上阵，视频量巨大无比……不过内容很新很有趣，介绍了好多从来没听过的大数据算法啊！第一周讲map reduce和page rank，听完还以为是一门很简单的小白课程，不过后面越来越精彩纷呈！最近一周直接讲了Netflix那个推荐算法大赛中大家是如何使用各种协同过滤，SVD/CUR算法配合时间序列补偿等等技术一步一步把算法的误差从0.95减少到0.87左右……当然最后要拿到大奖还是得用一锅乱炖大法…………这门课的作业感觉偏简单了点，感觉做了好多线性代数的复习题……恩，到时候挑战下optional的编程题吧！&/p&&p&&b&更新：&/b&把编程题做完了，跟Algorithms里某次的作业很像啊，还有期末考试没参加，考完再来写完整感想。&/p&&p&&b&15-1-12再次更新：&/b&期末考试发挥不佳，最后也就拿了94分……还是不够仔细啊。考试期间还把这门课的中文版教材：&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&大数据 (豆瓣)&/a& 过了一遍。总体是一门导论性质的课程，基本没有要求实现那些提到的算法。如果对自己要求高的可以根据参考条目之类把所有算法都深入学习一遍，功力长进绝不一般。&/p&&p&&b&16. 台大的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/ntumlone& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习基石&/a& &/b&&/p&&p&也是最近在跟的课，老师说这是门story based课程，还以为会很轻松听听故事，结果…………智商被凌辱了有没有？虽然叫基石，不过难度比Andrew Ng的那门大多了……作业更是我见过中最可怕的，选对得分，选错倒扣，所以瞎猜的得分期望为0……做完只给总分，不给具体对错结果，而且每次重试都有2%的扣分……所以一定要认真复查，仔细抉择，瞎猜前记得斋戒七日，沐浴更衣……&/p&&p&&b&14-11-28更新：&/b&这门课终于上完了，发现每次听课都还是比较轻松愉快的，但是写起作业来就抓瞎了……每次都要花两天时间来做，还从没有一次刷到过满分。总体感受这门课相当不错，讲解清晰，作业很有挑战！在学习过程中搜索了各个大学的machine learning的课件发现很多都直接用了这门课里的图片啊，作为连续几年获得KDDCup冠军队伍的成员，台大在这方面的教育水平应该也算拔尖了（查了下是三个姓林的教授啊，还有个很有名的林智仁是著名的libsvm的作者）。另外讨论区里林教授也经常亲自回答问题，非常贴心！上这门课最好是有非常扎实的线性代数基础，微积分概率论也有用到，对于写代码本身要求倒还好，基本上用numpy或者用R，matlab都能对付。今天选了这门课的后续课程《机器学习技法》继续挑战自我！&/p&&p&对着《统计学习方法》做作业……&/p&&figure&&img src=&https://pic3.zhimg.com/50/da7b88ed67bd9_b.jpg& data-rawwidth=&2048& data-rawheight=&1536& class=&origin_image zh-lightbox-thumb& width=&2048& data-original=&https://pic3.zhimg.com/50/da7b88ed67bd9_r.jpg&&&/figure&&p&&br&&/p&&p&&b&17. 新墨西哥大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/webapplications& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Web Application Architectures&/a& &/b&&/p&&p&挺好的课程，主要就是介绍了Rails开发web app，MVC架构之类。作业真是不能更简单了，不过本身也就是导论性质的课程吧，几乎没花什么时间就把目前还算比较流行的web技术架构了解了一下，很值得一上！不过如果是专门搞这个的同学估计会觉得太简单了，没啥必要跟了就。&/p&&p&&b&15-1-12更新：&/b&&/p&&p&&b&18. 台大的 &a href=&//link.zhihu.com/?target=https%3A//class.coursera.org/ntumltwo-001/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习技法&/a& &/b&&/p&&p&《机器学习基石》的后续，仍然是屌炸天的难度……看介绍应该主要上SVM，AdaBoost以及神经网络/深度学习。看这几个名字就要热血沸腾有没有！昨天刚完成第一次作业，竟然史无前例拿到了400分。喜极而泣啊！上课过程中有强烈的想要补习线性代数，统计学的冲动……不知道大家有没有什么好的书本/教程推荐啊？&/p&&p&&b&19. Johns Hopkins的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/specialization/jhudatascience/1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Data Science - Specializations&/a& &/b&&/p&&p&目前见过开课频率最高最规律的课了……可能是因为很短（都是一个月）而且有9门之多的缘故吧。难度较低，12月一个月就搞定了4门，不过月底开始忙起来了，加上机器学习技法，估计这个月能上一门就不错了……课程基本都是用R语言，比较系统地教授数据科学中的整个流程，比如获取数据，清理数据，做初步分析（各种绘图），可重复研究（看上去也就是完善的文档记录）要点等。后面也会涉及到统计，回归分析，机器学习之类偏数学的内容。几位老师貌似都是搞生物医学统计方面的。个人对使用R语言有些不太满意……现在不都是Python大法好了吗……9门课都是每月都有开，所以时间上来不及的时候可以退掉等下个月的……&/p&&p&&b&20. 密歇根大学的 &a href=&//link.zhihu.com/?target=https%3A//class.coursera.org/modelthinkingzh-001& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&模型思维&/a& &/b&&/p&&p&第一次上中文版的课，以前觉得自己英语还是挺不错的，基本不用看字幕都可以很顺利地跟下来，现在有了中文字幕发现差距还是有的，基本可以全程2倍速（除了翻译有瑕疵的时候）……这门课算是我上的第一门跟计算机方面关系不大的课，真是轻松无比有种看美剧的感觉啊。当然内容还是非常不错的，有一周就讲了《思考，快与慢》中提到的几种理性偏差精华版哈哈。而且实用性也不错，上过课我还真的潜移默化会在平时决策时搞个表格/决策树什么的东西来算一下……各种背景的同学都可以上，给予强烈推荐评级！&/p&&p&&b&15-2-10更新：&/b&&br&最近工作压力大，业余时间少了很多……然后Coursera最近开课的数量开始井喷，已经完全没法每门课都体验下了……好多好课都想上啊！看看能坚持几门吧。&/p&&p&&b&21. Illinois的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/hetero& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Heterogeneous Parallel Programming&/a& &/b&&/p&&p&当年看王越写的Mac OS背后的故事系列时对异构编程充满了向往，不过本人C/C++基础很差，所以这门课选了也只是放在那……搞高性能科学计算的同学们可以关注下！&/p&&p&&b&22. Illinois的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/cloudcomputing& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cloud Computing Concepts&/a& &/b&&/p&&p&哈哈，难得选上一门跟工作实际相关的课程啊。之前看的大多数云计算的书都比较虚，这个课听了个Intro感觉干货挺足的，编程作业是用C++实现一个member protocol，感觉挺有趣。这也是一个系列课程，每门课都不长，看起来负担不大。必须要重点跟一下了！&/p&&p&&b&15-4-13更新：&/b&&br&完成了CCC的第一部分，这门课的很多方面跟Mining Massive Datasets非常像，老师上课基本上就是讲解各种分布式算法，毕竟是一步一步讲算法过程，比看书应该吸收快一些。然后就是简单介绍各种算法的应用。涵盖的内容还是相当丰富的，MapReduce，Gossip/Membership，P2P系统，KV存储，分布式时序问题，大名鼎鼎的Paxos等等都有涉及，对拓宽知识面，了解分布式的一些基础原理很有帮助。作业难度不大，美中不足的是唯一的一个编程作业用的是C++……完全不会啊……目前在跟第二部分的课程。&/p&&p&&b&23. Illinois的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/patterndiscovery& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Pattern Discovery in Data Mining&/a& &/b&&/p&&p&本科时上过印象最深的一门课就是数据挖掘了，当时就知道了这个著名的Han, Jiawei和他的经典教材。这次终于有机会听一下他本人的授课了，不得不感慨这就是技术改变生活啊！&/p&&p&&b&15-4-13更新：&/b&&br&可惜没有足够的时间，这门课没有跟而选择了Cloud Computing那个Specialization。由于这2个系列都出自Illinois，而且对云计算那个课的印象不错，以后有空应该还会回来学的！&/p&&p&&b&24. Brown的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/matrix& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&线性代数&/a& &/b&&/p&&p&通过写代码的方式来学线性代数真实令人耳目一新！主要是在台大的机器学习课程中被各种数学虐虚了，必须来补习一下基础了啊！&/p&&p&&b&15-4-13更新：&/b&&br&这门课我非常喜欢！讲解，作业都很吸引人！尤其是对学到内容的应用部分，给人相当直观的感受！比如用学到的知识去做照片视角的变换，应用于加密解密系统等。要是本科时的线性代数能这么讲该多好！美中不足的就是对于数学原理部分介绍还是比较粗暴的，可能可以结合 &a href=&//link.zhihu.com/?target=http%3A//www.52cs.org/%3Fp%3D175& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&理解矩阵 | 我爱计算机&/a& 这篇文章一起看看会有所帮助。&/p&&p&&b&25. 巴黎高等师范的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/smac& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Statistical Mechanics&/a& &/b&&/p&&p&一看是个不认识名字的大学，查了下才知道是法国第一名校……听了第一周的蒙特卡罗方法，对法式英语很不习惯……而且对这个领域之前没有任何了解，他上来直接这么讲感觉让人有点云里雾里的……不出意外估计不会跟多久吧。&/p&&p&&b&15-4-13更新课程：&/b&&/p&&p&&b&26. 南京大学的 &a href=&//link.zhihu.com/?target=https%3A//class.coursera.org/softwaretesting-001& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&软件测试&/a& &/b&&/p&&p&之前看了几个北大的公开课总感觉老师年纪都好大，讲课毫无激情，内容也比较陈旧。最近看了这个课的介绍部分，感觉内容很新，跟行业结合挺紧密的，而且老师也比较年轻，第一印象不错。课程还专门搞了个Mooctest系统来帮助大家学习实战，极具诚意，值得推荐！&/p&&p&&b&27. EPFL的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/reactive& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Principles of Reactive Programming&/a& &/b&&/p&&p&Scala课程的第二部分，还是由Scala之父亲自操刀。鉴于目前Spark如此火爆，有时间还是要跟一下的。另外Berkeley在edX开了两门Spark相关的课，看介绍是用其Python接口来教学的，不过跳票好久了啊…… &a href=&//link.zhihu.com/?target=https%3A//www.edx.org/course/introduction-big-data-apache-spark-uc-berkeleyx-cs100-1x& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Big Data with Apache Spark&/a&&/p&&p&&b&15-6-29更新：&/b&&br&工作太忙中途放弃了Scala的这门课，视频和作业难度一如即往的大，个人感觉更偏实战一些，应该是市面上最好的了解学习Scala的课程了！如果重开的话再跟吧。最近倒是把edX的那门Spark课上得差不多了，等全部完结再来写总结。&/p&&p&&b&15-9-29更新：&/b&&br&有好一阵子没有上课了，而且之前Coursera也很久没有推出新的让我感兴趣的课程……于是就刷了2门edX的课，也一并放在这里吧。&/p&&p&&b&28. UC Berkeley的 &a href=&//link.zhihu.com/?target=https%3A//courses.edx.org/courses/BerkeleyX/CS100.1x/1T2015/info& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Big Data with Apache Spark&/a& &/b&&/p&&p&与Databricks合作的课程，课程安排设计合理，讲解非常清晰顺畅，有种在看新闻播报的感觉，应该是花了大量时间准备+录制的。主要就是介绍了时下非常火爆的Spark的工作原理，大数据的一些概念介绍。作业主要是问答题和Lab，这个Lab的体验是相当的好啊！用Vagrant拉下虚拟机来就直接搭好Spark环境，然后用IPython notebook来写作业，感觉交互性，展示的美观程度完全不输Rmd！作业内容还是比较接近实战项目的，整体难度中等，对着PySpark文档写作业基本毫无压力……&/p&&p&&b&29. UC Berkeley的 &a href=&//link.zhihu.com/?target=https%3A//courses.edx.org/courses/BerkeleyX/CS190.1x/1T2015/info& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scalable Machine Learning&/a& &/b&&/p&&p&上一门课的后续，更多偏向了机器学习的内容。不过感觉深度一般，Scalable估计主要就体现在能用Spark来做类似MR的大规模并行处理了，在算法细节上的优化介绍和机器学习原理性的东西介绍很少。时间也太短了点……感觉意犹未尽。多来几周的内容就好了！&/p&&p&edX的证书：&/p&&figure&&img src=&https://pic3.zhimg.com/50/d22e3f475dc3a4d85594e79_b.jpg& data-rawwidth=&1084& data-rawheight=&614& class=&origin_image zh-lightbox-thumb& width=&1084& data-original=&https://pic3.zhimg.com/50/d22e3f475dc3a4d85594e79_r.jpg&&&/figure&&p&&br&&/p&&p&今天看到有人在知乎说Coursera怎么都是收费课程了，我上去转了圈发现有大量课程更新啊！而且不少也采用了edX，Udacity里那种学校和业界知名公司合作的形式……看来又可以一阵猛刷了。&/p&&p&&b&30. Illinois的 &a href=&//link.zhihu.com/?target=https%3A//class.coursera.org/cloudapplications-001/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Cloud Computing Applications&/a& &/b&&/p&&p&这个课是云计算系列课程中的第三门，视频量出奇的大……最近实在没时间，到现在我第一周的视频都还没看完。不过目前看内容感觉挺不错的，云计算，大数据各种内容包罗万象，讲解内容也还是有所深入，并不是蜻蜓点水一笔带过的那种。后续应该至少会把所有的视频跟完。&/p&&p&&b&15-12-10更新：&/b&&br&Coursera改版之后把重心放到了“专项课程”上，最近主要关注了下Data Science下面的几个专项。&/p&&p&&b&31. 华盛顿大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/specializations/machine-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning Specialization&/a& &/b&&/p&&p&目前上过体验最好的Specialization也是体验最好的机器学习课程！对初学者友好度令人感动……被台大的课虐怕了的同学可以来感受一下。只要有非常基础的Python，线性代数经验就能顺利上手，课程内容有趣，讲解到位，正回馈多多，很容易坚持下来。目前完成第一门课是一个Overview，把后面几门的主要内容都过了一遍，同时展示了Dato（这门课的合作商）强大的GraphLabCreate框架。作业难度低，而且趣味性及实战性比台大的作业好不少，轻轻松松就实现了一个深度学习神经网络有木有！不过如果是有经验的从业者，估计这个系列难度会有点过低了……&/p&&p&&b&32. UC San Diego的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/specializations/big-data& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Big Data Specialization&/a& &/b&&/p&&p&这个系列也不错，主要介绍Hadoop系的那些东东，配合Cloudera的VM来讲解，布置作业。上完前3门，MapReduce，HDFS，Hive，Pig，HBase，Spark，Splunk（这门课的合作商）都在作业中有了直观的使用体验，当然基本没有什么难度……从没接触过Hadoop生态圈的同学可以通过这个课快速了解下。&/p&&p&&b&33. 华盛顿大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/specializations/data-science& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Data Science at Scale Specialization&/a&&/b&&br&虽然名字看起来很牛，不过给我感觉是这三个专项课程中最差的一门了。上完两门，最后一门弃了。内容偏理论，讲解略枯燥，上完感觉收获不大。&/p&&p&另外还有很多新的CS方面的Specialization：&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/browse/computer-science& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Computer Science&/a&&br&有不少Python，Java和前端开发方面的课程，感兴趣的同学可以follow下。&/p&&p&&b&16-12-24更新：&/b&&/p&&p&&b&34. 多伦多大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/neural-networks& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural Networks for Machine Learning&/a&&/b&&br&16年是人工智能和深度学习大红大紫的一年，这门课又是来自宗师级人物Hinton，必须得上啊！上之前最好是已经有“传统”机器学习的基础，否则需要补习很多课程中没有解释的各种概念……这个课应该是12年制作的，在当时看来绝对是极其前沿的内容，Hinton老师带着大家各种读论文，甚至还有没发表的研究成果，感觉更像是一门研究生级别的课。作业难度不大，编程作业用的是Matlab，稍微有点遗憾……要是用TensorFlow之类的多好！当然12年那时还没有开源TF……老爷子的英语跟其它美语老师的风格很不一样，喜欢看英剧的朋友们有福了 :)&/p&&p&&b&35. 斯坦福大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/probabilistic-graphical-models& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Probabilistic Graphical Models&/a&&/b&&br&这又是一个领域宗师亲自上的课，跟吴恩达的cs229一起算是Coursera的看家宝了！概率图模型本身是传统机器学习里比较高级的方法，只可惜现在风头都在深度学习那了……课程本身内容非常丰富，也分了表达，推断，学习三个部分来上（否则就要称为一个近20周的大课了）。就讲课来说个人认为比Hinton讲的要更好，比较具体，会有推演和举例。作业我只做了问答题，有两个可选的编程作业没有额外花时间去做了。强烈推荐搞这个方向的同学跟这门课。&/p&&p&&b&36. EPFL的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/specializations/scala& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scala Specialization&/a&&/b&&br&这个其实就是之前Martin的Scala课程，另外加了2门并发和Spark组成了一个专项课程。第二门课貌似被阉割了一些内容，有点遗憾。整体上课体验还是不错的，编程作业很有挑战性！Scala本身随着大数据和Spark框架的崛起也变得越来越流行，反正我本人用了几天Scala做项目原型后就再也回不去Java了……哈哈哈，必须向广大JVM平台开发者安利下！&/p&&p&&b&37. 密歇根大学的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/specializations/data-science-python& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Applied Data Science with Python&/a&&/b&&br&这个系列课程我没有上，因为本身对Python，numpy，pandas，sklearn之类都已经比较熟悉了。不过对于想从事数据工作的人来说，都可以跟一下这个课入个门。Python本身学习曲线很低，掌握之后的生产率提升又很明显，性价比相当高！看了下课程内容安排都挺合理，根据我之前上密歇根大学的其它课程经验来看应该不会差。欢迎有上过此系列课程的同学提供反馈。&/p&&p&&b&38. 优达学城的 &a href=&//link.zhihu.com/?target=http%3A//cn.udacity.com/course/deep-learning--ud730& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度学习&/a&&/b&&br&这个是Udacity的课程，其实就是Google出品的TensorFlow tutorial……比起刚开始这个课的内容上已经有所完善了，但总体来说还是一个走马观花的课程，比较适合有一定机器学习基础的人初次体验深度学习来上。作业内容就是TensorFlow项目里的一些example，用Jupyter Notebook写，语言用的自然是最好上手的Python binding。无论是作业还是问答题都没有评分，全靠自觉。如果想系统学习深度学习，还是更推荐斯坦福的cs231n和cs224d这两个课。&/p&&p&&b&39. Deeplearning.ai的 &a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/specializations/deep-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度学习专题课程&/a&&/b&&/p&&p&最近非常热门的新课，大名鼎鼎的吴恩达主讲！之前很多人评论说为什么这个回答里都没提到Coursera的镇站神课cs229，这次终于有机会体验了一下吴恩达的讲课！不得不说吴老板讲课的确厉害，很多复杂的问题都讲解的很清晰。总体内容上比较基础实在，结构设计非常合理，各种承前启后对新手来说很友好。而且里面融入了很多吴恩达多年从业经验的总结，比如gradient check技巧，还有整个第三门课程讲如何组织机器学习项目等等。这点非常难能可贵。想起之前有人采访数学家们说你们思考数学问题时真的都是像论文里那样满脑子都是公式飞来飞去吗？很多人表示其实不是的，他们会有一套更形象化更易于具象思维的表达方式来看问题。吴恩达是我见过少数能把这种“内在表达”非常清晰地讲授出来的老师！现在只开了3门课，两天就上完了有点不过瘾……可以期待一下剩下的两门CNN和RNN。总而言之，强烈推荐！&/p&&p&&br&&/p&&p&&b&看到这里的同学，请允许我打个小小的广告&/b&&/p&&p&杭州城西大数据分析方向初创公司招聘各类研发，产品，解决方案，运营人才！感兴趣的同学欢迎联系我了解详情！&/p&&p&&br&&/p&&p&最后必须炫一下证书集了，我上课的最大动力啊……&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-27bc4e42a4d01d93afc1ce8b787cd3cd_b.jpg& data-rawwidth=&739& data-rawheight=&3797& class=&origin_image zh-lightbox-thumb& width=&739& data-original=&https://pic3.zhimg.com/50/v2-27bc4e42a4d01d93afc1ce8b787cd3cd_r.jpg&&&/figure&
我主要关注CS相关课程。推荐下我觉得不错的：1. 华盛顿大学的
这门绝对是第一神课啊！很奇怪前面的回答很多只是轻轻带过……首先，课程内容不是一般大学里会教的，函数式编程，一开始就让你大开眼界！后面各种类型推导系统，用Scheme…
&p&&a href=&https://link.zhihu.com/?target=http%3A//www.weheartswift.com/one-month-swift/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&One month of Swift&/a&&/p&&p&目前见过最全面的教程了。&/p&
目前见过最全面的教程了。
&p&硅谷的兴起，一大批互联网公司上市套现造就了一批超级富豪。西装革履的在华尔街上班的生活方式，对美国的学生精英们来说不像之前那么有吸引力。去互联网公司写代码，拖鞋裤衩，不限工作时间的工作方式，相对不高的进入门槛，对很多中国学生来说，就成为留在美国的最好的工作。另一个优势是，CS的工作不是很看重学校、学历、专业，只要你算法代码足够牛，面试题刷的足够多，去很多大的互联网公司还是不难的。&/p&&p&&br&&/p&&p&&br&&/p&&p&这几年很多非CS专业的中国学生，EE、BME、ME、物理、化学、数学、甚至Bio，不论硕士博士，只要毕业了想留在美国，转CS方向是最好的途径。如果是纯粹的写代码的职位，各公司薪资差点不会太多，基本是8w-10w左右。这两年Machine learning非常热，我系里一个师兄13年去了google做机器视觉，底薪加奖金是19.5w，让他MIT出身的导师羡慕不已。这种是高端的代码职位，不是会写代码就可以的，还必须在相关领域有非常深的研究经验。&/p&&p&&br&&/p&&p&&br&&/p&&p&美国人心目中传统的三大金领职位：医生、律师和华尔街只对美国白人适用。肤色不对，即使是native speaker也处于相当劣势。&/p&&p&&br&&/p&&p&&br&&/p&&p&医科是个要熬年头的的道路。在美国学医是最艰难最漫长的路，甚至比法学还要高强度。因为医生作为一个救死扶伤，在美国最为最崇高的职业，对其学生的要求是高得离谱。录取率非常低，学习也时间非常久，本科4年，医学院4年，毕业后加住院医生实习等等，基本上需要12年左右才能拿到行医执照。同时学费不便宜，奖学金是凤毛麟角，国际学生更是很难奢望，整个成本算下来大约要40-50万美元 ，但一旦拿到医生执照以后收入确实会很高。前些年在美国读临床的中国人很少，有些学校的MD申请，直接说明了只招收在北美取得本科学位的学生。随着中国赴美读本科学生的增多，这两年读MD学位的慢慢有些多了起来。&/p&&p&&br&&/p&&p&&br&&/p&&p&美国是个阶级相对固化的社会，国家越发达，阶级越固化。有种说法是，一个美国出生的白人，一辈子很努力很努力，平均能完成一个阶级的跨越。对其他肤色的人来说，会更难一点。&/p&&p&&br&&/p&&p&&br&&/p&&p&可能受这两年国内券商保代人高薪的影响，去美国读法律专业的LLM，JD，或者LLM转JD的人是越来越多了。LLM的成本比较低，一年时间，基本刚入学就开始准备美国各个州的律师执照考试，或者是找工作。找到实习不难，我认识的十几位LLM的同学基本都找到了实习，但真正找到好的full time工作很少。大多数实习完了之后都回国了，少数留下来的做一些非主流的领域，比如移民律师方向。能去主流的、赚钱的比如公司并购方向的同学很少。&/p&&p&&br&&/p&&p&&br&&/p&&p&相对来说，去华尔街混，相对上面两个行业，对大多数中国学生来说就稍微实际一些。除了直接专业相关的金融学、金融工程、MBA等专业以外，很多CS，EE，甚至物理的硕士、博士都能去华尔街混，做矿工（Quant）。2010年之前，各大投行喜欢从顶级牛校的理工科博士里面招矿工，随机微分方程好像还是MIT的高能物理博士解得好。这两年金融工程热起来之后，Quant渐渐的不大从传统理工科招人了，而转从更为直接相关的金融工程专业招人。&/p&&p&&br&&/p&&p&&br&&/p&&p&此外，这些金融机构的IT部门每年会招很多应届毕业生去做编程，因为是传统的金融行业，所以C++的需求量比Java更大些，这点跟其他互联网公司不大一样。比如Bloomberg纽约office的IT部门每年从波士顿的招聘会就会招不低于20个应届毕业生去写C++。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&综合以上，学写代码，刷编程的面试题，去互联网公司或者传统行业的IT部门工作，是学理工科的中国留学生留在美国最直接有效的路径。可复制性强，按照前辈的脚印这么走，就肯定能找到工作留下来，而且收入会高于社会中位数收入，过上草坪洋房的生活。&/b&当然留下来是一回事，有良好的职业发展是另外一回事。中国人普遍在大公司里面很难混到中高层，可能是语言和文化的原因吧。&/p&
硅谷的兴起，一大批互联网公司上市套现造就了一批超级富豪。西装革履的在华尔街上班的生活方式，对美国的学生精英们来说不像之前那么有吸引力。去互联网公司写代码，拖鞋裤衩，不限工作时间的工作方式，相对不高的进入门槛，对很多中国学生来说，就成为留在…
&p&我去年听了 1,000 多小时的播客，今天终于把所有喜欢的都分类整理完毕。&/p&&p&我向所有人都推荐播客，因为它是一个非常“轻”的媒介：1）再晦涩的内容通过口语表达都非常好懂，不会像某些书一样看不下去；2）语音对人的注意力要求不高，你可以同时做别的事情；3）相比于视频，音频文件几秒钟就能加载/下载完，方便离线收听；4）1.5 倍速度听可以效率很高。&/p&&p&如果非要推荐两个“必须订阅”的，那无疑是 BBC 的 &i&More or Less: Behind the Stats&/i& 和 Merriam Webster 韦氏词典的 &i&Word of the Day&/i& 《每日一词》。前者用浅显的语言解释生活中那些骗人的数据，科学、有趣；后者每天用一分钟介绍一个英文单词的词源和应用，无论是初学者还是母语人士都能学到东西。这两个播客是我为数不多每集必听的。如果你对社科内容感兴趣，我推荐 LSE Public Lectures and Events 和 EconTalk。&/p&&p&听英文播客同时还能锻炼英文。只要你选的是自己平时用中文正在关注的主题，无论多难的英文你都能听懂大概。原理和读书是一样的（&a href=&https://www.zhihu.com/question//answer/& class=&internal&&有哪些易读的英文著作？&/a&）。&/p&&p&下面是全部推荐列表，按此顺序：中国，科技，经济，商业 & 金融，新闻 & 政治，文化，写作，媒体，哲学，数据，其他。（未提及的领域表示我不太了解。）&/p&&p&中国（涉及历史、政治、商业、文化；因为内容都和中国相关，所以这类的英文播客应该最好入手；GQ 中国的中文播客特别有意思）&/p&&figure&&img src=&https://pic4.zhimg.com/50/3f7ac07b4f3a55f7ae69e3_b.jpg& data-rawwidth=&460& data-rawheight=&239& class=&origin_image zh-lightbox-thumb& width=&460& data-original=&https://pic4.zhimg.com/50/3f7ac07b4f3a55f7ae69e3_r.jpg&&&/figure&&p&科技（科技圈显然是播客做得最好的，加上行业崇尚开放文化，所以大咖访谈很多）&/p&&figure&&img src=&https://pic2.zhimg.com/50/8bdaf1d79f63abbf818ea_b.jpg& data-rawwidth=&445& data-rawheight=&392& class=&origin_image zh-lightbox-thumb& width=&445& data-original=&https://pic2.zhimg.com/50/8bdaf1d79f63abbf818ea_r.jpg&&&/figure&&p&经济（两个大众类播客感觉信息密度较低；想要真正学到东西而不是只练英语，推荐“进阶”内容）&/p&&figure&&img src=&https://pic1.zhimg.com/50/537c1c876ffbde71b4deda06b1ef3f9b_b.jpg& data-rawwidth=&648& data-rawheight=&240& class=&origin_image zh-lightbox-thumb& width=&648& data-original=&https://pic1.zhimg.com/50/537c1c876ffbde71b4deda06b1ef3f9b_r.jpg&&&/figure&&p&商业 & 金融（一眼望去全是《金融时报》的，他们播客确实做得好）&/p&&figure&&img src=&https://pic3.zhimg.com/50/539dcda839b700bebe2870_b.jpg& data-rawwidth=&440& data-rawheight=&362& class=&origin_image zh-lightbox-thumb& width=&440& data-original=&https://pic3.zhimg.com/50/539dcda839b700bebe2870_r.jpg&&&/figure&&p&新闻 & 政治（我区分了英美媒体，大家可以根据口音喜好自行选择。通常英国媒体关注的世界新闻比美国媒体更多元）&/p&&p&- 世界&/p&&figure&&img src=&https://pic3.zhimg.com/50/0ca4fad891aa712bf3b48_b.jpg& data-rawwidth=&420& data-rawheight=&375& class=&content_image& width=&420&&&/figure&&p&- 美国（自由激进派可以试着听听保守智库做的播客，保守派可以试着听听自由派的播客）&/p&&figure&&img src=&https://pic1.zhimg.com/50/13aa32c1f6ee00c49fc092ea25dd31aa_b.jpg& data-rawwidth=&559& data-rawheight=&754& class=&origin_image zh-lightbox-thumb& width=&559& data-original=&https://pic1.zhimg.com/50/13aa32c1f6ee00c49fc092ea25dd31aa_r.jpg&&&/figure&&p&文化（这部分的英文内容不太好懂；不知道中文播客有没有更多像《纽约文化沙龙》这样的好节目）&/p&&figure&&img src=&https://pic4.zhimg.com/50/6e04dacd50a4cb59ba20e_b.jpg& data-rawwidth=&325& data-rawheight=&232& class=&content_image& width=&325&&&/figure&&p&写作&/p&&figure&&img src=&https://pic4.zhimg.com/50/bd44c32bab533f4ba8ed19e81a927a4d_b.jpg& data-rawwidth=&612& data-rawheight=&556& class=&origin_image zh-lightbox-thumb& width=&612& data-original=&https://pic4.zhimg.com/50/bd44c32bab533f4ba8ed19e81a927a4d_r.jpg&&&/figure&&p&媒体（行业分析和批评）&/p&&figure&&img src=&https://pic3.zhimg.com/50/fe9c9a384e06edfd90376b_b.jpg& data-rawwidth=&518& data-rawheight=&180& class=&origin_image zh-lightbox-thumb& width=&518& data-original=&https://pic3.zhimg.com/50/fe9c9a384e06edfd90376b_r.jpg&&&/figure&&p&哲学（“进阶”的两个节目很适合业余的哲学爱好者）&/p&&figure&&img src=&https://pic4.zhimg.com/50/d7ca8e2e020b187d5f45fcffd80d32a3_b.jpg& data-rawwidth=&354& data-rawheight=&193& class=&content_image& width=&354&&&/figure&&p&数据（向所有人推荐前面两个）&/p&&figure&&img src=&https://pic2.zhimg.com/50/89be135afb6de1854cd0_b.jpg& data-rawwidth=&526& data-rawheight=&204& class=&origin_image zh-lightbox-thumb& width=&526& data-original=&https://pic2.zhimg.com/50/89be135afb6de1854cd0_r.jpg&&&/figure&&p&其他&/p&&figure&&img src=&https://pic3.zhimg.com/50/f88fce71dd5_b.jpg& data-rawwidth=&494& data-rawheight=&80& class=&origin_image zh-lightbox-thumb& width=&494& data-original=&https://pic3.zhimg.com/50/f88fce71dd5_r.jpg&&&/figure&&p&&a href=&//link.zhihu.com/?target=https%3A//www.dropbox.com/s/f499h2prfc5qh8o/PodcastSubs.opml%3Fdl%3D0& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&点这里下载&/a&可一键导入的 OPML 文件，包含以上所有内容。&/p&&p&--&/p&&p&我对中文播客了解不多，希望有兴趣相同的朋友可以分享一下好听的知识、信息类中文节目！&/p&&p&--&/p&&p&其他英文话题下的回答：
&a href=&https://www.zhihu.com/question//answer/& class=&internal&&有哪些英语用一个单词就能表达清楚但是用中文表达却很难表达的例子？&/a& &a href=&https://www.zhihu.com/question//answer/& class=&internal&&中国英语课本有哪些偏差？&/a& &a href=&https://www.zhihu.com/question//answer/& class=&internal&&在美国，华人上大学在录取上会受歧视吗？&/a& &a href=&https://www.zhihu.com/question//answer/& class=&internal&&写英文简历，需要注意哪些问题？&/a& &a href=&https://www.zhihu.com/question//answer/& class=&internal&&有哪些易读的英文著作？&/a&&/p&&p&--&/p&&p&播客应用欢迎大家试试 CastBox，是中国团队做的=）&/p&&p&下载链接：&a href=&//link.zhihu.com/?target=https%3A//itunes.apple.com/app/castbox-radio/id%3Fmt%3D8& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&iOS&/a&；&a href=&//link.zhihu.com/?target=https%3A//play.google.com/store/apps/details%3Fid%3Dfm.castbox.audiobook.radio.podcast%26referrer%3Dutm_source%253Dcastbox_web%2526utm_medium%253Dlink%2526utm_campaign%253Dweb_index_page%2526utm_content%253D& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Android&/a&&/p&
我去年听了 1,000 多小时的播客，今天终于把所有喜欢的都分类整理完毕。我向所有人都推荐播客，因为它是一个非常“轻”的媒介：1）再晦涩的内容通过口语表达都非常好懂，不会像某些书一样看不下去；2）语音对人的注意力要求不高，你可以同时做别的事情；3）…
&p&链接：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&前言和文章目录与链接 - 知乎专栏&/a&&/p&&p&&br&&/p&&p&西方现代人类学的研究指出：东亚人的体质特征是对极寒环境的适应结果。李济等中国学者对这一点也早有阐发。东亚人从五官、牙齿的形态，到皮肤和皮下脂肪的分布特征，以及对酒精和血糖的代谢特点等等，都一致地指向一个事实：该人群是在一个酷寒的环境中进化出来的。让我们来逐一检视这些祖先留下来的耐寒特征，去追寻祖先一路走来的足迹。&/p&&p&&br&&/p&&p&&b&（一） 生死攸关的眼睛&/b&&/p&&p&&br&&/p&&p&东亚人的眼睛是世界各种族中最为独特的，可以说是标志性的。在阳光炽烈的马来西亚，有时你不能用肤色来区分华人和马来人，但是一看眼睛就“一目了然”了。美国人类学家胡顿（Hutton）说，人类的眼睛形态只有两种，即所谓“蒙古眼”（不凹陷，细长，多单眼皮）和“非蒙古眼”（不同程度地凹陷，圆而大，多双眼皮），前者为东亚人所独有，后者囊括了欧洲、美洲、非洲、大洋洲和东南亚岛屿上的大部分居民，也是人类远古祖先的形态。&/p&&p&&br&&/p&&p&为什么唯独东亚人的眼睛与众不同呢？进化论的解释是：这种独特的眼睛型态是对极度寒冷环境的适应。比如说，眼窝内有脂肪铺垫、上下眼皮脂肪层的厚度较大、眼裂较小等等。你也许会问：眼睛不怕冷啊，为什么要大费周章地做耐寒适应？ &/p&&p&&br&&/p&&p&我们之所以感觉眼睛似乎不怕冷，是因为它是受特殊照顾的供热优先区，如果你看人脸的红外线图像就会发现，眼窝是温度最高的区域。受到如此重点的保护，是因为眼睛的“体液外露”的解剖结构其实是最怕冷的，它在极寒环境下非常脆弱。如果眼球温度过低，为保护眼球内部液体不至于凝固，就必须合上眼睑，等于说丧失了视觉功能。美国自然历史学家 Guthrie 在《猛犸冰原和蒙古人种的起源与扩散》[1]一文中自承在阿拉斯加的冬季远足中不仅他的鼻子多次冻伤，眼睛也曾冻僵，因为温度过低而根本不能睁开。&/p&&p&&br&&/p&&p&&b&对寒带的原始先民来讲，是生存，还是死亡？一双耐寒的眼睛几乎是决定性的。为什么？因为眼睛是唯一必须外露的部位！&/b&末次盛冰期的远古猛犸猎人穿着兽皮缝制的带连体头套的外衣（类似近代爱斯基摩人的parka，带孔骨针在距今数万年前的旧石器时代就发明了），脸部大部分包裹着，只露一双眼睛。在零下40度到60度的暗夜雪原上跋涉和追猎。在这接近人类生存极限的严寒环境里，一个微小的差异可能决定生死，从而造成巨大的选择优势。&/p&&figure&&img src=&https://pic2.zhimg.com/50/2abd07a70eb8c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&333& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic2.zhimg.com/50/2abd07a70eb8c_r.jpg&&&/figure&&p&图 1：上眼皮的脂肪分布比较 （图片采自 &a href=&//link.zhihu.com/?target=http%3A//www.ncbi.nlm.nih.gov/pubmed/%3Fterm%3DWeng%2520CJ%255BAuthor%255D%26cauthor%3Dtrue%26cauthor_uid%3D& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Weng C. J&/a&.
Oriental upper blepharoplasty. &a href=&//link.zhihu.com/?target=http%3A//www.ncbi.nlm.nih.gov/pubmed/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Semin Plast Surg.&/a& ):p5-15）&/p&&p&&br&&/p&&p&为了抵抗寒冷，东亚人的眼睛变得与众不同。比如说，双眼皮比较少见。这是因为东亚人的上眼皮里面附有较多的脂肪，厚度超过其他人种的两倍[2]。所以双眼皮的发生率较低。如图 1所示。东亚人之外的人群的双眼皮，其实就是眼皮中含脂肪层的部分和不含脂肪层的部分在交界处因厚度突然变化而产生的一道褶痕，而东亚人的上眼皮脂肪层向下延伸一直到睫毛处，没有不含脂肪的部分，通体饱满，所以大部分没有双眼皮。少部分有双眼皮的则是因为脂肪层上的皮肤起褶造成的，多是随着年龄增大皮肤稍稍松弛后才产生。&/p&&p&&br&&/p&&p&东亚型眼睛的另一个独特之处是几乎没有眼窝的凹陷，眼窝外缘包裹了较多的脂肪组织，这与其他种族中常见的”“清癯见骨” 的凹陷眼窝形成鲜明对此。&/p&&p&&br&&/p&&p&有人说，凹陷眼窝也是遮风御寒的结构吧？其实不然。凹陷结构只对侧面来风有屏蔽作用，但侧面风对眼睛几乎没有伤害，迎面来风才是最大的威胁。而凹陷结构带来的“窝风”效应把迎面风的伤害放大了很多倍，在极度寒冷的条件下，这样的眼睛是脆弱的。想象一下，整个脸部被兽皮包裹起来只留两个深洞洞的凹陷眼窝露出来张望，零下五六十度的冰风兜头猛灌，效果将很惨烈... ...。凹陷眼窝确是一种防护性结构，但它针对的是物理性伤害，是人类祖先和几乎所有其他人类种族的眼睛的“缺省”特征。但东亚人的眼睛在耐寒选择的压力下，不得不放弃了这一结构。&/p&&p&&br&&/p&&p&显而易见地，东亚人脂肪铺垫的浅眼窝大大缩小了受风面积，较小的眼裂降低了体液外露的程度，眼窝附近较多的脂肪以及较厚的眼皮，降低了对外的热辐射。这些细微的变异特征都是为了更有效地保持眼部温度，使它能够在极低温下能够长时间正常工作，合在一起最大程度地增加了在低温环境中的生存几率。&/p&&p&&br&&/p&&p&东亚人的眼睛还有一个不为人知的特点，那就是针对强光的保护性。眼睛害怕强光是因为眼底视网膜的感光细胞非常容易受光氧化效应的伤害。所以在视网膜的最外层有一个带色素的半透明结构（Retinal pigment epithelium），英文缩写作RPE。它就像有色眼镜一样，通过对光线的吸收和反射来保护视网膜最内层的感光细胞不受强光的伤害。而它的颜色和透明性决定了反射量和吸收量。美国眼外科医生Wilmer曾经用检眼镜观察了不同种族的人的眼底，发现RPE的颜色与人的肤色相关（这并不意外，因为在胚胎期，RPE曾是皮肤的一部分）。但有一个例外：中国人的眼底颜色比欧洲人的更浅，前者是浅黄色，后者是橘黄色。其他种族则是深浅不一的棕色。就透明程度而言，欧洲人的RPE透明度似乎较高，因为可以透过他们的RPE隐约看见底层的脉络膜，而其他种族的则没有这个现象。 中国人的较浅颜色和较低透明度的RPE决定了它的反射量和吸收量都比较大。这样的保护性结构说明了东亚人祖先的生活环境中存在着无法回避的强光。&/p&&p&&br&&/p&&p&这是一个怎样的环境呢？沙漠是一种可能，但更可能的是茫茫雪原。雪地对日光的反射率极高，可以达到95%，长期受这样的强光刺激会引发雪盲症（暂时性失明）。而东亚人较小的眼裂和透过性较低的眼底结构，都是针对雪地强光环境的保护性适应。&/p&&p&&br&&/p&&p&东亚体质特征的寒带起源 - 2：艾伦和伯格曼法则&/p&&p&&br&&/p&&p&&b&（二）鼻子和艾伦法则&/b&&/p&&p&&br&&/p&&p&有人说，印欧人突出的鼻子也是对寒冷的适应吧？据说它像空调器，有助于预热入肺的空气。其实，在真正的酷寒环境里，这样突出的空调器是“泥菩萨过江，自身难保”，非常容易被冻伤。北欧纬度虽高，因为大西洋暖流的影响，气候比亚洲同纬度的地区要暖和的多。而且印欧人进入北欧的时间很晚，北欧的原始居民与蒙古人种有关，今天的拉普兰（萨米）人和一部分芬兰人是他们的孑遗。突出的鼻子也不是对寒冷气候的适应，因为它显然不符合著名的“艾伦法则”。&/p&&p&&br&&/p&&p&1870年代，美国动物学家艾伦发现：跟温带、热带的兔子相比，北极兔的耳朵和尾巴都比较短。类似的对比也存在于北极狐和温带的狐狸、北极狼和温带的狼之间。进而他比较了很多寒带的动物和它们在温带和热带的表亲，发现寒带动物的身体轮廓变化都较为平缓，他把这项发现总结为“艾伦法则”（Allen's rule）。&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-7fedf8267c8defb1048b4_b.jpg& data-size=&normal& data-rawwidth=&450& data-rawheight=&268& class=&origin_image zh-lightbox-thumb& width=&450& data-original=&https://pic4.zhimg.com/50/v2-7fedf8267c8defb1048b4_r.jpg&&&figcaption&温带野兔和北极兔，寒带动物较短的耳朵、尾巴和四肢。 &/figcaption&&/figure&&figure&&img src=&https://pic2.zhimg.com/50/v2-00bb74aa4bfd9d2c39ae9d_b.jpg& data-size=&normal& data-rawwidth=&600& data-rawheight=&281& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic2.zhimg.com/50/v2-00bb74aa4bfd9d2c39ae9d_r.jpg&&&figcaption&北极狐和沙漠狐，寒带动物较短的耳朵、尾巴和四肢。&/figcaption&&/figure&&p&东亚人中等高度、较小的鼻子，正是“艾伦法则”的体现。其实要预热入肺的空气，“孤悬于外”的突出鼻子并非解决之道。在极低温的环境下它加热不了空气，反而要靠呼出的热气来加热它。要加热入肺空气的话，较小的鼻孔和较深置的鼻道才是正解。东亚人的两颧较高，鼻道就相对埋入两颧之间的皮下组织的围护之中，这样才能有效预热入肺的空气。有的人类学家还补充性地认为：高颧骨还可以补偿较深的鼻道所挤占的颊窦空间（因为发声器官需要颊窦腔回响）。爱斯基摩人的鼻子里面的鼻甲发达，这实际上增大了鼻的内表面，增强了加温加湿的功能。&/p&&p&&br&&/p&&p&&b&（三）樱桃小口的美女&/b&&/p&&p&&br&&/p&&p&与较小的鼻孔相一致，东亚人的嘴巴也相对较小，尤其是东北亚人。中国传统的美女形象更是“樱桃小口”。与细眼睛结合起来看，似乎这个人群脸上所有粘膜外露的开口都呈现比较小的形态，但头却比较大。这个特征组合，除了寒冷适应性之外似乎找不到其他的解释方案。 &/p&&p&&br&&/p&&p&&b&（四）身体比例和伯格曼法则&/b&&/p&&p&&br&&/p&&p&与艾伦法则类似，有关生物的寒冷适应特征还有一条“伯格曼法则”。 它指出：寒带的生物外形规律是尽可能减小表面积和体积的比率，从而降低热量散失的速率。 根据这一法则，身体的任何细长结构都是不利于寒带气候的适应的。&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-ce4bc7db49d88_b.jpg& data-size=&normal& data-rawwidth=&779& data-rawheight=&1024& class=&origin_image zh-lightbox-thumb& width=&779& data-original=&https://pic2.zhimg.com/50/v2-ce4bc7db49d88_r.jpg&&&figcaption&北极狼和热带的狼，不同的躯干和肢体比例。&/figcaption&&/figure&&p&与之对应的是，人类学家观察到，肢体（尤其是远端肢体，比如小腿，小臂）相对较短是极地民族的共同特征[3]。其实这也是东亚人的特征。伯格曼和艾伦法则所描述的寒带适应特征在东亚人身上有着完整而普遍的体现。 比如，圆而大的头型，平和的五官，相对较大的躯干，不算纤长的四肢。都可以视为减少散热面积从而有效地保存体温的寒带适应特征。&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-5d31bf32dfbe_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&634& data-rawheight=&1002& class=&origin_image zh-lightbox-thumb& width=&634& data-original=&https://pic3.zhimg.com/50/v2-5d31bf32dfbe_r.jpg&&&/figure&&p&&u&两个苏丹丁卡族女孩&/u&&/p&&p&&br&&/p&&p&热带地区的人们手脚相对较长，肢体（尤其是远端肢体）较长，躯干相对较短，热带动物也有这个倾向，这些都是有利于散热的解剖特征。寒带地区的居民呈现相反的趋势。而在温带演化出来的人种的体态居于两者之间的过渡位置。人类学家测量了不同种族的坐高与身高的比值，撒哈拉以南的非洲人大约是0.45，欧洲人是0.5，而东亚人和美洲印第安人是0.55 [4]。从这里可以看到，躯干长度占身长的比例从热带、温带到寒带的人群逐渐增大。&/p&&p&&br&&/p&&p&&b&（五）性成熟期, 双胞胎率和繁殖策略&/b&&/p&&p&(应&a class=&member_mention& href=&//www.zhihu.com/people/dd3badf5b3fc& data-hash=&dd3badf5b3fc& data-hovercard=&p$b$dd3badf5b3fc&&@Betelgeuse&/a&的提醒，加上这一项）&/p&&p&&br&&/p&&p&东亚人达到性成熟的年龄较迟，也是其寒带起源的一个旁证。不同人群的平均性成熟年龄随着当地气候、种族和营养条件的不同而有所差异。一般而言，气候炎热的地区的居民的性成熟较早，而寒冷地区的居民则相反。&/p&&p&&br&&/p&&p&虽然曾经有人把东亚人较迟的性成熟期归咎于营养不足，但有研究表明，这个特点主要是基因造成的。即使在同样的营养条件下，这个人群的平均性成熟期依然比其他种族要迟。比如一项对美国各族裔女孩的初潮年龄的调查发现：非洲裔的初潮年龄最早，欧洲裔次之，而东亚裔最晚 [5]。这个次序也反映了在热带、温带和寒带演化出的人类各分支在性成熟年龄上的差异。&/p&&p&&br&&/p&&p&性成熟期的差异，其实反映的是繁殖策略的差异。在生存条件较为宽松的热带地区，性成熟较早的妇女可以留下更多后代，形成优势基因。但在较为严峻的寒带环境里，子女成活率取代了生育率成为自然选择的首要条件，幼年子女的养育就需要更有经验和能力的母亲，这就相对有利于性成熟较晚的基因类型。&/p&&p&&br&&/p&&p&在双胞胎率和孕期长度上，东亚人体现出的同样的寒带特征。平均而言，非洲裔人群的同卵双胞胎率最高，欧洲裔次之，东亚裔最低。妇女的平均孕期长度以非洲裔为最短，半数以上可以在第38周分娩，欧洲裔次之，东亚裔最长。可见东亚人群生理特点所体现的繁殖策略不仅是晚生，也是少生。&/p&&p&&br&&/p&&p&与热带和温带环境下植物性食物的丰富稳定供应不同，寒带环境下主要依赖的猎获物有很多不确定性因素，尤其在长夜漫漫的冬季。而且每个人的御寒装备和居住空间都要耗费大量的劳动。这使得东亚人的远古祖先必须采用”少生，精养“的繁殖策略。&/p&&p&&br&&/p&&p&所以，说句题外话：那种认为中国人口多是因为“中国人生育能力强”的观点是不对的。在古代，人口多寡的决定性因素不是生育能力，而是粮食供应能力。现代中国人口多的主要原因是中古时代我们的农业生产率较高，生产粮食的能力是世界第一。当然“土地面积大”、“政治大一统”