斯坦福編程方法學
❶ 美國斯坦福大學計算機專業全面介紹
很多學習計算機專業的學生會選擇去美國斯坦福大學就讀，那麼斯坦福大學的計算機專業到底是如何的好呢?這是很多學生比較感興趣的問題。和一起來看看吧!下面是我整理的尺如嘩相關資訊，歡迎閱讀。
美國斯坦福大學計算機專業全面介紹
美國大學中，斯坦福大學的計算機專業CS是個很大個的CS，擁有40人以上的Faculty成員，其中不乏響當當硬梆梆的圖靈獎得主和各個學科領域的大腕人物，比如理論方面的權威 Donald E. Knuth;資料庫方面的大牛Jeffrey D. Ullman(他還寫過那本著名的編譯原理，此人出自Princeton);以及RISC技術挑頭人之一的John Hennessy。相信CS的同學對此並不陌生。該系每年畢業30多名Ph.D.以及更多的Master。學生的出路自然是如魚得水，無論學術界還是工業界，Stanford的學生倍受青睞。幾乎所有前10的CS中都有Stanford的畢業生在充當教授。
斯坦福大學計算機專業申請要求
本科入學要求：SAT成績2000-2300(閱讀650-760，數學680-780，寫作670-760)。雅思要求7.0分，TOEFL要求80+。
第一，計算機專業對本科所學的專業沒有要求，也就是說任何專業都可以申請計算機專業的Master和PHD，但是要具備一定的定量分析能力。
第二，假陵行如你在其它學校獲得了MS學位，那麼在斯坦福你就不能再申請MS;但是如果你在其它學校獲得了MSCS學位，你可以申請斯坦福的計算機專業PHD。
第三，在同一學年你不能同時申請兩次計算機專業，詳細的重新申請情況可以查看學校申請網頁。
第四，與其他理工科相比，CS顯然不是那麼容易拿獎學金，特別是像生物、物理、化學這樣一些專業，拿獎學金比較容易，全獎也比較多。
第五、從申請難易來看，像軟體工程、數據挖掘、分布式計算是現在比較熱門的專業，錄取的人數比較多;而人工智慧，計算機理論，演算法分析，研究方向偏基礎，相對來說申請橡嘩的人數也會少很多，拿獎學金的機會也會比較大。
斯坦福大學計算機專業課程特點
1.開闊眼界的通識教育課(GER)
GER課程在斯坦福大學本科教學中佔有很大的比例。為了拓寬學生視野，學校開設了700多門GER相關課程，涵蓋人文科學、自然科學、應用科學與技術、人類和社會學等各個領域，學生必須從四個領域選修10門課程。
與國內通識教育課程可輕松過關的情形不同，斯坦福的GER課程常常伴隨著大量閱讀，學生需要讀很多書，寫論文，作報告。一位曾就讀清華的中國留學生感嘆到，斯坦福的人文課真不容易過關。然而，正是這一門門通識教育課開闊了學生的視野，潛移默化地培養了學生的寫作和語言表達能力。
在教育學生做人方面，通識教育課起了不可替代的作用。以人文科學導論子領域為例，開設了公民、認識自我、閱讀與個性形成、傳統與變革、生死觀、愛情與謊言、大自然思考、高雅藝術與大眾文化的變遷等課程，通過這些課程，學生認識自我、了解社會、思考人生，學習如何做一名合格公民。培養方案規定學生在入學第一學季必須選修其中一門課程，體現了為學先為人的教學理念。
2. 啟迪思維的計算機公共基礎課
國內高校的計算機入門課主要以技能性操作練習為主，輔以基礎知識介紹，比如眾多高校開設的全校選修課「計算機文化基礎」中，Windows操作、Office練習佔了很大比重。斯坦福大學的計算機公共基礎課以啟迪思維、拓寬視野為主，開設了一系列新生研討課，如「計算機系統結構的未來」，通過此課程介紹典型的計算機體系結構、技術發展以及局限性，探討未來計算機一些可供選擇的組織結構及程序系統;又如「計算機與信息安全」，介紹黑客入侵、計算機系統常見漏洞，防範攻擊的技術措施、密碼技術與計算機安全有關的法律問題;再如「計算機領域的重大突破」(Great Ideas in Computer Science)，介紹計算機發展史上的主要成就，考查計算機理論與實踐的相互影響，涉及的問題有計算能力的局限性、演算法效率、密碼技術、語言翻譯、人工智慧、計算機網路等。此外還有「計算機系統災難」(The Downside of Computer System)，同時還討論計算機系統如何失效，計算機系統崩潰對社會造成的影響，並介紹了計算機崩潰導致災難的一些實例，討論計算機安全、容差結構等問題。
可見，國外一流大學的公共基礎課是以計算機導論形式多角度地介紹計算機核心基礎知識。不僅從正面介紹計算機技術成就、給社會帶來的巨變，也從反面介紹計算機的局限性和教訓，提出學習計算機需要思考的問題。同時引入新生研討課的教學形式，這種課程模式對激發學生的求知慾有很大幫助。
3. 體系完整的編程及編程語言課
在程序設計方面，國內計算機專業只開設C、java等少數幾門編程課。而斯坦福大學計算機系開設的程序設計及編程語言課多達15門，既有講解C、C++、C#、Java的專門的程序設計課，也有強調面向對象為特徵的「C++與面向對象的編程」、「面向對象的系統設計」等編程課，還有講解java、HTML、CSS、XML的網路客戶端編程課;既有橫向比較各語言難點和精髓的高級編程課，也有突出訓練程序設計能力的軟體實踐類課，還有編程語言基礎理論課。
程序設計入門課因分快慢班有三個課號，分別為CS106A、CS106B和CS106X。其中CS106A使用C，為初級編程，CS106B是CS106A的後續課，使用C++。CS106X面向有編程基礎的學生，涵蓋CS106A和CS106B的內容，在一學季完成。CS106是全校的公共基礎課，也是絕大多數專業的必修課，每學季選課人數眾多。為此，學校配備了大量助教，通常由修過此課的高年級本科生承擔，稱為Section Leader(SL)。學生每十餘人分為一個小組，由一名SL負責輔導，並經常組織討論。
最值得推薦的編程課有「程序設計範式」(CS107 Programming Paradiams)，這是一門計算機專業的必修課，重點分析比較C、C++、Java、LISP的特點及難點，比如內存管理、系統資源利用、輸入、輸出等。講解實現一種演算法的過程中各語言的設計步驟和注意點。每1～2周有一個大作業，針對不同的任務，要求學生用不同的語言實現，使學生加深了解各類編程語言的應用場合。
與國內相比，必修的計算機專業課門數並不多，但幾乎每門課程都有編程大作業，負擔很重。雖然未設軟體工程課，但通過一些大作業訓練了學生的軟體工程思想。
4. 重視培養表達能力的專業寫作課
在培養方案中，設置專門的寫作要求是斯坦福大學本科培養方案的一大特色。寫作訓練分為兩個階段。首先是基礎寫作，重點培養學生一般的寫作能力和修辭技巧;其次是專業寫作，學生需從含有較高寫作要求的三門課程中選擇一門，完成專業寫作訓練。
培養方案中沒有綜合論文訓練環節，但有一門實踐類課程「軟體項目設計」(Software Project)使學生不僅受到了一次真正的軟體設計訓練，同時也受到了一次綜合論文寫作訓練。在為期10周的課程中，學生1～4人分為一組，以Team Work形式完成一個有實用價值的軟體項目，要求實現從設計立項、任務描述、編程到測試的軟體開發全過程。除編寫每階段設計文檔外，還要求學生撰寫用戶使用手冊。這里沒有抄書的餘地，因為一切文檔都與自己開發的軟體相關。
斯坦福大學非常注意培養學生的表達能力，為此設立了專門的指導機構Stanford Writing Center。該中心開設了十多門寫作課程，並時常舉辦寫作系列講座。工程學院也開設了一些旨在提高學生寫作和演講能力的課程。如寫作實踐課，幫助學生提高學術論文和學位論文寫作水平;又如公眾演講課，內容涵蓋正式演講、即興發言等與口語表達相關的方方面面。此外還設立了演講與寫作答疑室，配備了錄像和播放設備，使前來答疑的學生可以看到自己的試講錄像，對提高學生的演講能力幫助極大。
斯坦福大學計算機專業排名
2017年USNEWS美國大學計算機專業排名——斯坦福大學第2
2016年USNEWS美國大學計算機專業排名——斯坦福大學第1
2015年USNEWS美國大學計算機專業排名——斯坦福大學第1
2014年USNEWS美國大學計算機專業排名——斯坦福大學第2
❷ 放棄手工標記數據，斯坦福大學開發弱監督編程範式Snorkel
手工標記大量數據始終是開發機器學習的一大瓶頸。斯坦福AI Lab的研究人員探討了一種通過編程方式生成訓練數據的「弱監督」範式，並介紹了他們的開源Snorkel框架。
近年來，機器學習 (ML) 對現實世界的影響越來越大。這在很大程度上是由於深度學習模型的出現，使得從業者可以在基準數據集上獲得 state-of-the-art 的分數，而無需任何手工特徵設計。考慮到諸如 TensorFlow 和 PyTorch 等多種開源 ML 框架的可用性，以及大量可用的最先進的模型，可以說，高質量的 ML 模型現在幾乎成為一種商品化資源了。然而，有一個隱藏的問題：這些模型依賴於大量手工標記的訓練數據。
這些手工標記的訓練集創建起來既昂貴又耗時 —— 通常需要幾個月甚至幾年的時間、花費大量人力來收集、清理和調試 —— 尤其是在需要領域專業知識的情況下。除此之外，任務經常會在現實世界中發生變化和演變。例如，標記指南、粒度或下游用例都經常發生變化，需要重新標記 (例如，不要只將評論分類為正面或負面，還要引入一個中性類別)。
由於這些原因，從業者越來越多地轉向一種較弱的監管形式，例如利用外部知識庫、模式 / 規則或其他分類器啟發式地生成訓練數據。從本質上來講，這些都是以編程方式生成訓練數據的方法，或者更簡潔地說，編程訓練數據 (programming training data)。
在本文中，我們首先回顧了 ML 中由標記訓練數據驅動的一些領域，然後描述了我們對建模和整合各種監督源的研究。我們還討論了為大規模多任務機制構建數據管理系統的設想，這種系統使用數十或數百個弱監督的動態任務，以復雜、多樣的方式交互。
回顧：如何獲得更多有標簽的訓練數據？
ML 中的許多傳統研究方法也同樣受到對標記訓練數據的需求的推動。我們首先將這些方法與弱監督方法 (weak supervision) 區分開來：弱監督是利用來自主題領域專家(subject matter experts，簡稱 SME) 的更高級別和 / 或更嘈雜的輸入。
目前主流方法的一個關鍵問題是，由領域專家直接給大量數據加標簽是很昂貴的：例如，為醫學成像研究構建大型數據集更加困難，因為跟研究生不同，放射科醫生可不會接受一點小恩小惠就願意為你標記數據。因此，在 ML 中，許多經過深入研究的工作線都是由於獲取標記訓練數據的瓶頸所致：
在主動學習 (active learning) 中，目標是讓領域專家為估計對模型最有價值的數據點貼標簽，從而更有效地利用領域專家。在標準的監督學習設置中，這意味著選擇要標記的新數據點。例如，我們可以選擇靠近當前模型決策邊界的乳房 X 線照片，並要求放射科醫生僅給這些照片進行標記。但是，我們也可以只要求對這些數據點進行較弱的監督，在這種情況下，主動學習與弱監督是完美互補的；這方面的例子可以參考 (Druck, settle, and McCallum 2009)。
在半監督學習 (semi-supervised learning ) 設置中，我們的目標是用一個小的標記訓練集和一個更大的未標記數據集。然後使用關於平滑度、低維結構或距離度量的假設來利用未標記數據 (作為生成模型的一部分，或作為一個判別模型的正則項，或學習一個緊湊的數據表示)；參考閱讀見 (Chapelle, Scholkopf, and Zien 2009)。從廣義上講，半監督學習的理念不是從 SME 那裡尋求更多輸入，而是利用領域和任務不可知的假設來利用未經標記的數據，而這些數據通常可以以低成本大量獲得。最近的方法使用生成對抗網路 (Salimans et al. 2016)、啟發式轉換模型 (Laine and Aila 2016) 和其他生成方法來有效地幫助規范化決策邊界。
在典型的遷移學習 (transfer learning )設置 中，目標是將一個或多個已經在不同數據集上訓練過的模型應用於我們的數據集和任務；相關的綜述見 (Pan 和 Yang 2010)。例如，我們可能已經有身體其他部位腫瘤的大型訓練集，並在此基礎上訓練了分類器，然後希望將其應用到我們的乳房 X 光檢查任務中。在當今的深度學習社區中，一種常見的遷移學習方法是在一個大數據集上對模型進行 「預訓練」，然後在感興趣的任務上對其進行 「微調」。另一個相關的領域是多任務學習 (multi-task learning)，其中幾個任務是共同學習的 (Caruna 1993; Augenstein, Vlachos, and Maynard 2015)。
上述範例可能讓我們得以不用向領域專家合作者尋求額外的訓練標簽。然而，對某些數據進行標記是不可避免的。如果我們要求他們提供各種類型的更高級、或不那麼精確的監督形式，這些形式可以更快、更簡便地獲取，會怎麼樣呢？例如，如果我們的放射科醫生可以花一個下午的時間來標記一組啟發式的資源或其他資源，如果處理得當，這些資源可以有效地替代成千上萬的訓練標簽，那會怎麼樣呢 ?
將領域知識注入 AI
從 歷史 的角度來看，試圖 「編程」 人工智慧 (即注入領域知識) 並不是什麼新鮮想法，但現在提出這個問題的主要新穎之處在於，AI 從未像現在這樣強大，同時在可解釋性和可控制性方面，它還是一個 「黑盒」。
在 20 世紀 70 年代和 80 年代，AI 的重點是專家系統，它將來自領域專家的手工策劃的事實和規則的知識庫結合起來，並使用推理引擎來應用它們。20 世紀 90 年代，ML 開始作為將知識集成到 AI 系統的工具獲得成功，並承諾以強大而靈活的方式從標記的訓練數據自動實現這一點。
經典的 (非表示學習)ML 方法通常有兩個領域專家輸入埠。首先，這些模型通常比現代模型的復雜度要低得多，這意味著可以使用更少的手工標記數據。其次，這些模型依賴於手工設計的特性，這些特性為編碼、修改和與模型的數據基本表示形式交互提供了一種直接的方法。然而，特性工程不管在過去還是現在通常都被認為是 ML 專家的任務，他們通常會花費整個博士生涯來為特定的任務設計特性。
進入深度學習模型：由於它們具有跨許多領域和任務自動學習表示的強大能力，它們在很大程度上避免了特性工程的任務。然而，它們大部分是完整的黑盒子，除了標記大量的訓練集和調整網路架構外，普通開發人員對它們幾乎沒有控制權。在許多意義上，它們代表了舊的專家系統脆弱但易於控制的規則的對立面 —— 它們靈活但難以控制。
這使我們從一個略微不同的角度回到了最初的問題：我們如何利用我們的領域知識或任務專業知識來編寫現代深度學習模型？有沒有辦法將舊的基於規則的專家系統的直接性與這些現代 ML 方法的靈活性和強大功能結合起來？
代碼作為監督：通過編程訓練 ML
Snorkel 是我們為支持和 探索 這種與 ML 的新型交互而構建的一個系統。在 Snorkel中，我們不使用手工標記的訓練數據，而是要求用戶編寫標記函數 (labeling functions, LF)，即用於標記未標記數據子集的黑盒代碼片段。
然後，我們可以使用一組這樣的 LF 來為 ML 模型標記訓練數據。因為標記函數只是任意的代碼片段，所以它們可以對任意信號進行編碼：模式、啟發式、外部數據資源、來自群眾工作者的嘈雜標簽、弱分類器等等。而且，作為代碼，我們可以獲得所有其他相關的好處，比如模塊化、可重用性和可調試性。例如，如果我們的建模目標發生了變化，我們可以調整標記函數來快速適應！
一個問題是，標記函數會產生有雜訊的輸出，這些輸出可能會重疊和沖突，從而產生不太理想的訓練標簽。在 Snorkel 中，我們使用數據編程方法對這些標簽進行去噪，該方法包括三個步驟：
1. 我們將標記函數應用於未標記的數據。
2. 我們使用一個生成模型來在沒有任何標記數據的條件下學習標記函數的准確性，並相應地對它們的輸出進行加權。我們甚至可以自動學習它們的關聯結構。
3. 生成模型輸出一組概率訓練標簽，我們可以使用這些標簽來訓練一個強大、靈活的判別模型 (如深度神經網路)，它將泛化到標記函數表示的信號之外。
可以認為，這整個 pipeline 為 「編程」ML 模型提供了一種簡單、穩健且與模型無關的方法！
標記函數 (Labeling Functions)
從生物醫學文獻中提取結構化信息是最能激勵我們的應用之一：大量有用的信息被有效地鎖在數百萬篇科學論文的密集非結構化文本中。我們希望用機器學習來提取這些信息，進而使用這些信息來診斷遺傳性疾病。
考慮這樣一個任務：從科學文獻中提取某種化學 - 疾病的關系。我們可能沒有足夠大的標記訓練數據集來完成這項任務。然而，在生物醫學領域，存在著豐富的知識本體、詞典等資源，其中包括各種化學與疾病名稱數據、各種類型的已知化學 - 疾病關系資料庫等，我們可以利用這些資源來為我們的任務提供弱監督。此外，我們還可以與生物學領域的合作者一起提出一系列特定於任務的啟發式、正則表達式模式、經驗法則和負標簽生成策略。
作為一種表示載體的生成模型
在我們的方法中，我們認為標記函數隱含地描述了一個生成模型。讓我們來快速復習一下：給定數據點 x，以及我們想要預測的未知標簽 y，在判別方法中，我們直接對P(y|x) 建模，而在生成方法中，我們對 P(x,y) = P(x|y)P(y) 建模。在我們的例子中，我們建模一個訓練集標記的過程 P(L,y)，其中 L 是由對象 x 的標記函數生成的標簽，y 是對應的 (未知的) 真實標簽。通過學習生成模型，並直接估計 P(L|y)，我們本質上是在根據它們如何重疊和沖突來學習標記函數的相對准確性 (注意，我們不需要知道 y!)
我們使用這個估計的生成模型在標簽函數上訓練一個雜訊感知版本的最終判別模型。為了做到這一點，生成模型推斷出訓練數據的未知標簽的概率，然後我們最小化關於這些概率的判別模型的預期損失。
估計這些生成模型的參數可能非常棘手，特別是當使用的標記函數之間存在統計依賴性時。在 Data Programming: Creating Large Training Sets, Quickly(https://arxiv.org/abs/1605.07723) 這篇論文中，我們證明了給定足夠的標記函數的條件下，可以得到與監督方法相同的 asymptotic scaling。我們還研究了如何在不使用標記數據的情況下學習標記函數之間的相關性，以及如何顯著提高性能。
Snorkel：一個開源的框架
在我們最近發表的關於 Snorkel 的論文 (https://arxiv.org/abs/1711.10160) 中，我們發現在各種實際應用中，這種與現代 ML 模型交互的新方法非常有效！包括:
1. 在一個關於 Snorkel 的研討會上，我們進行了一項用戶研究，比較了教 SMEs 使用Snorkel 的效率，以及花同樣的時間進行純手工標記數據的效率。我們發現，使用Snorkel 構建模型不僅快了 2.8 倍，而且平均預測性能也提高了 45.5%。
2. 在與斯坦福大學、美國退伍軍人事務部和美國食品和葯物管理局的研究人員合作的兩個真實的文本關系提取任務，以及其他四個基準文本和圖像任務中，我們發現，與baseline 技術相比，Snorkel 平均提高了 132%。
3. 我們 探索 了如何對用戶提供的標記函數建模的新的權衡空間，從而得到了一個基於規則的優化器，用於加速迭代開發周期。
下一步：大規模多任務弱監管
我們實驗室正在進行各種努力，將 Snorkel 設想的弱監督交互模型擴展到其他模式，如格式豐富的數據和圖像、使用自然語言的監督任務和自動生成標簽函數！
在技術方面，我們感興趣的是擴展 Snorkel 的核心數據編程模型，使其更容易指定具有更高級別介面(如自然語言) 的標記函數，以及結合其他類型的弱監督 (如數據增強)。
多任務學習 (MTL) 場景的普及也引發了這樣一個問題：當嘈雜的、可能相關的標簽源現在要標記多個相關任務時會發生什麼？我們是否可以通過對這些任務進行聯合建模來獲益？我們在一個新的多任務感知版本的 Snorkel，即 Snorkel MeTaL 中解決了這些問題，它可以支持多任務弱監管源，為一個或多個相關任務提供雜訊標簽。
我們考慮的一個例子是設置具有不同粒度的標簽源。例如，假設我們打算訓練一個細粒度的命名實體識別 (NER) 模型來標記特定類型的人和位置，並且我們有一些細粒度的嘈雜標簽，例如標記 「律師」 與 「醫生」，或 「銀行」 與 「醫院」；以及有些是粗粒度的，例如標記 「人」 與 「地點」。通過將這些資源表示為標記不同層次相關的任務，我們可以聯合建模它們的准確性，並重新加權和組合它們的多任務標簽，從而創建更清晰、智能聚合的多任務訓練數據，從而提高最終 MTL 模型的性能。
我們相信，為 MTL 構建數據管理系統最激動人心的方面將圍繞大規模多任務機制(massively multi-task regime)，在這種機制中，數十到數百個弱監督 (因而高度動態)的任務以復雜、多樣的方式交互。
雖然迄今為止大多數 MTL 工作都考慮最多處理由靜態手工標記訓練集定義的少數幾項任務，但世界正在迅速發展成組織 (無論是大公司、學術實驗室還是在線社區) 都要維護數以百計的弱監督、快速變化且相互依賴的建模任務。此外，由於這些任務是弱監督的，開發人員可以在數小時或數天內 (而不是數月或數年) 添加、刪除或更改任務 (即訓練集)，這可能需要重新訓練整個模型。
在最近的一篇論文 The Role of Massively Multi-Task and Weak Supervision in Software 2.0 (http://cidrdb.org/cidr2019/papers/p58-ratner-cidr19.pdf) 中，我們概述了針對上述問題的一些初步想法，設想了一個大規模的多任務設置，其中 MTL 模型有效地用作一個訓練由不同開發人員弱標記的數據的中央存儲庫，然後組合在一個中央「mother」 多任務模型中。
不管確切的形式因素是什麼，很明顯，MTL 技術在未來有許多令人興奮的進展 —— 不僅是新的模型架構，而且還與遷移學習方法、新的弱監督方法、新的軟體開發和系統範例日益統一。
原文：
https://ai.stanford.e/blog/weak-supervision/
Snorkel：
http://snorkel.stanford.e/
歡迎同時關注微信公眾號： IT 科技 森
每天分享IT小技巧、 科技 數碼新聞！
❸ 求JAVa編程全套自學視頻
《視頻-Java程序設計》網路網盤資源免費下載鏈接:https://pan..com/s/15c5QsBsFV9z-TsWntNZ3Tw
視頻-Java程序設計|視頻《J2SE基礎編程》【徐彤】|視頻《編程方法學》【斯坦福大學-CS106A】Java28講|教程-Java編程思想PDF|教程-Java編程案例PDF|源碼-Java程序設計|教程-Java開發技術PDF|課件-Java程序設計PPT|教程-Java入門學習PDF|視頻《Java視頻教程》|資料-Java程序設計|最新java ee api幫助文檔 chm格式.chm|資料-Java程序設計.rar|實驗指導書 面向對象程序設計(Java)09信管.doc|實驗指導書 Java面向對象程序設計及應用1_12.doc
❹ 網易公開課的大學課程
網易公開課課程內容不斷更新，以下為部分課程舉例。 《編程方法學》全28集 翻譯至第28集
《7個顛覆你思想的演講》 全7集 翻譯至第7集（網易首翻1-5集）
《經濟學》 全10集 翻譯至第10集（網易首翻1-5集）
《商業領袖和企業家》 全4集 翻譯至第4集（網易首翻1-4集）
《人與計算機的互動》全10集 翻譯至第10集
《扎克伯格談facebook創業過程》 全9集 翻譯至第9集
《iphone開發教程2010年冬》 全28集 翻譯至第26集
《機器學習課程》 全20集 翻譯至第20集
《抽象編程》 全27集 翻譯至第27集
《編程範式》 全27集 翻譯至第27集
《法律學》 全6集 翻譯至第2集
《機器人學》全16集 翻譯至第2集
《健康圖書館》全80集 翻譯至第80集
《臨床解剖學》 全14集 翻譯至第14集
《癌症綜合研究》全56集 翻譯至第56集
《從生物學看人類行為》 全25集 翻譯至第25集
《非裔美國人歷史——當代自由斗爭》全18集 翻譯至第10集
《斯坦福創意與藝術協會講座》 全16集 翻譯至第0集
《忘掉你學過的MBA——戴維談創業37 signals》全11集 翻譯至11集
《全球氣候與能源計劃》 全12集 翻譯至第1集 《國際座談會》 全17集 翻譯至第17集（網易首翻1-12集）
《領導能力簡介》 全5集 翻譯至第5集（網易首翻1-5集）
《能源和環境》 全11集 翻譯至第1集
《人性》 全12集 翻譯至第12集
《科技世界的領導能力》 全15集 翻譯至第15集 《電影哲學》 全4集 翻譯至第4集（網易首翻1-4集）
《西方世界的愛情哲學》 全4集 翻譯至第4集（網易首翻1-2集）
《音樂的各種聲音》 全1集 翻譯至第1集
《振動與波》 全23集 翻譯至第23集
《單變數微積分》 全35集 翻譯至第15集
《微分方程》 全33集 翻譯至第15集
《媒體、教育、市場》 全14集 翻譯至第14集
《商業及領導能力》 全16集 翻譯至第1集
《熱力學與動力學》 全36集 翻譯至第30集
《搜索黑洞》 全6集 翻譯至第6集
《城市面貌——過去和未來》全4集 翻譯至第0集
《經典力學》 全35集 翻譯至第35集
《生物學導論》 全35集 翻譯至第35集
《微積分重點》 全18集 翻譯至第18集
《多變數微積分》全35集 翻譯至第35集
《化學原理》 全36集 翻譯至第31集
《演算法導論》 全6集 翻譯至第6集
《計算機科學及編程導論》 全24集 翻譯至第23集 《幸福課》 全23集 翻譯至第23集（網易首翻1-5集）
《公正—該如何做是好？》 全12集 翻譯至第12集
《計算機科學導論》 全22集 翻譯至第0集
《2006年計算機課程》 全32集（缺第3、5、7、集） 翻譯至第0集
《2005年計算機課程》 全15集 翻譯至第0集
《計算機科學cs50》 全20集 翻譯至第17集
《科學與烹飪》 翻譯至22集 《空氣污染》集數：5 類型：科學 環境 社會
《十分鍾英語史》集數：10 類型：歷史 文學
《銀行業危機-源起與後果》集數：7 類型：金融 經濟 《古希臘歷史簡介》 全24集 翻譯至第8集 （1-8集字幕由人人字幕組提供）
《聆聽音樂》 全23集 翻譯至第10集（網易首翻5-10集）（1-4集字幕由人人字幕組提供）
《死亡》 全26集 翻譯至第11集（網易首翻8-21集）（1-7集字幕由人人字幕組提供）
《心理學導論》 全20集 翻譯至第18集（網易首翻9-18集）（1-8集字幕由人人字幕組提供）
《政治哲學導論》 全24集 翻譯至第14集（網易首翻1-14集）
《金融市場》 全26集 翻譯至第17集（網易首翻14-17集）（1-13集字幕由人人字幕組提供）
《博弈論》 全24集 翻譯至第9集 （1-9集字幕由人人字幕組提供）
《歐洲文明》 全24集 翻譯至第23集 （1-23集字幕由TLF字幕組提供）
《1871年後的法國》 全24集 翻譯至第3集 （1-3集字幕由人人字幕組提供）
《基礎物理》 全24集 翻譯至第23集 （1-5集字幕由人人字幕組提供）
《羅馬建築》 全23集 翻譯至第4集 （1-4集字幕由TLF字幕組提供）
《天體物理學之探索和爭議》 全24集 翻譯至第10集 （1-10集字幕由TLF字幕組提供）
《生物醫學工程探索》 全25集 翻譯至第12集 （1-12集字幕由人人字幕組提供）
《新生有機化學》 全37集 翻譯至第10集 （1-10集字幕由人人字幕組提供）
《進化、生態和行為原理》 全36集 翻譯至第4集 （1-4集字幕由TLF字幕組提供）
《1945年後的美國小說》 全25集 翻譯至第3集 （1-3集字幕由人人字幕組提供）
《美國內戰與重建，1845-1877》 全27集 翻譯至第5集 （1-5集字幕由人人字幕組提供）
《全球人口增長問題》 全24集 翻譯至第7集 （1-7集字幕由TLF字幕組提供）
《有關食物的心理學、生物學和政治學》 全23集 翻譯至第7集 （1-7集字幕由人人字幕組提供）
《彌爾頓》 全24集
《文學理論導論》 全26集
《現代詩歌》 全25集
《解讀但丁》 全24集
《舊約全書導論 》全24集
《新約及其歷史背景》 全26集 《尼採的心靈與自然》 全7集
《哲學概論》 全17集 《綜合生物學》 全39集
《社會認知心理學》 全25集
《數據統計分析》 全42集
《世界各地區人民和國家》 全19集（缺第17、18、20）
《大災難時期的倫理和公共健康》 全14集 點擊右上方的「播放」按鈕，或者直接點擊課時按鈕，經過短暫的緩沖之後便可以開始在線收看課程，緩沖時會顯示課時和該課時視頻大小。由於是在線收看，因此課程的視頻和音頻不可能達到高清的效果，不過完全可以滿足授課的需要，並且在wifi環境下播放流暢，絲毫不會卡頓。此外手機本身需要支持MP4格式才可以收看在線課程，不過這項要求基本Android平台手機都可以達到。網易公開課的課程視頻對手機的硬體要求並不高，小編用setcpu將CPU頻率由1GHz降至500MHz後，仍然可以流暢播放。
播放過程中可以點擊屏幕任意位置叫出播放控制按鈕，用戶可以暫停/播放視屏，快進和快退，以及拖動進度條來跳轉至視頻的任意位置。但是小編在實際使用中發現，在某些情況下，拖動進度條會造成程序失去響應，實際能夠使用的只有快進/快退和播放/暫停三個按鍵。小編之後又用另一台手機Nexus S測試，發現強行關閉的問題仍然存在。 1、收集世界多所知名學府授課視頻；
2、wifi環境下播放流暢。 1、當視頻在線播放時拖動進度條，若遇網路環境不太好，或進程多系統繁忙，偶爾會出現無響應，造成程序強行關閉；
2、課程翻譯進度較慢。