斯坦福编程方法学
❶ 美国斯坦福大学计算机专业全面介绍
很多学习计算机专业的学生会选择去美国斯坦福大学就读，那么斯坦福大学的计算机专业到底是如何的好呢?这是很多学生比较感兴趣的问题。和一起来看看吧!下面是我整理的尺如哗相关资讯，欢迎阅读。
美国斯坦福大学计算机专业全面介绍
美国大学中，斯坦福大学的计算机专业CS是个很大个的CS，拥有40人以上的Faculty成员，其中不乏响当当硬梆梆的图灵奖得主和各个学科领域的大腕人物，比如理论方面的权威 Donald E. Knuth;数据库方面的大牛Jeffrey D. Ullman(他还写过那本着名的编译原理，此人出自Princeton);以及RISC技术挑头人之一的John Hennessy。相信CS的同学对此并不陌生。该系每年毕业30多名Ph.D.以及更多的Master。学生的出路自然是如鱼得水，无论学术界还是工业界，Stanford的学生倍受青睐。几乎所有前10的CS中都有Stanford的毕业生在充当教授。
斯坦福大学计算机专业申请要求
本科入学要求：SAT成绩2000-2300(阅读650-760，数学680-780，写作670-760)。雅思要求7.0分，TOEFL要求80+。
第一，计算机专业对本科所学的专业没有要求，也就是说任何专业都可以申请计算机专业的Master和PHD，但是要具备一定的定量分析能力。
第二，假陵行如你在其它学校获得了MS学位，那么在斯坦福你就不能再申请MS;但是如果你在其它学校获得了MSCS学位，你可以申请斯坦福的计算机专业PHD。
第三，在同一学年你不能同时申请两次计算机专业，详细的重新申请情况可以查看学校申请网页。
第四，与其他理工科相比，CS显然不是那么容易拿奖学金，特别是像生物、物理、化学这样一些专业，拿奖学金比较容易，全奖也比较多。
第五、从申请难易来看，像软件工程、数据挖掘、分布式计算是现在比较热门的专业，录取的人数比较多;而人工智能，计算机理论，算法分析，研究方向偏基础，相对来说申请橡哗的人数也会少很多，拿奖学金的机会也会比较大。
斯坦福大学计算机专业课程特点
1.开阔眼界的通识教育课(GER)
GER课程在斯坦福大学本科教学中占有很大的比例。为了拓宽学生视野，学校开设了700多门GER相关课程，涵盖人文科学、自然科学、应用科学与技术、人类和社会学等各个领域，学生必须从四个领域选修10门课程。
与国内通识教育课程可轻松过关的情形不同，斯坦福的GER课程常常伴随着大量阅读，学生需要读很多书，写论文，作报告。一位曾就读清华的中国留学生感叹到，斯坦福的人文课真不容易过关。然而，正是这一门门通识教育课开阔了学生的视野，潜移默化地培养了学生的写作和语言表达能力。
在教育学生做人方面，通识教育课起了不可替代的作用。以人文科学导论子领域为例，开设了公民、认识自我、阅读与个性形成、传统与变革、生死观、爱情与谎言、大自然思考、高雅艺术与大众文化的变迁等课程，通过这些课程，学生认识自我、了解社会、思考人生，学习如何做一名合格公民。培养方案规定学生在入学第一学季必须选修其中一门课程，体现了为学先为人的教学理念。
2. 启迪思维的计算机公共基础课
国内高校的计算机入门课主要以技能性操作练习为主，辅以基础知识介绍，比如众多高校开设的全校选修课“计算机文化基础”中，Windows操作、Office练习占了很大比重。斯坦福大学的计算机公共基础课以启迪思维、拓宽视野为主，开设了一系列新生研讨课，如“计算机系统结构的未来”，通过此课程介绍典型的计算机体系结构、技术发展以及局限性，探讨未来计算机一些可供选择的组织结构及程序系统;又如“计算机与信息安全”，介绍黑客入侵、计算机系统常见漏洞，防范攻击的技术措施、密码技术与计算机安全有关的法律问题;再如“计算机领域的重大突破”(Great Ideas in Computer Science)，介绍计算机发展史上的主要成就，考查计算机理论与实践的相互影响，涉及的问题有计算能力的局限性、算法效率、密码技术、语言翻译、人工智能、计算机网络等。此外还有“计算机系统灾难”(The Downside of Computer System)，同时还讨论计算机系统如何失效，计算机系统崩溃对社会造成的影响，并介绍了计算机崩溃导致灾难的一些实例，讨论计算机安全、容差结构等问题。
可见，国外一流大学的公共基础课是以计算机导论形式多角度地介绍计算机核心基础知识。不仅从正面介绍计算机技术成就、给社会带来的巨变，也从反面介绍计算机的局限性和教训，提出学习计算机需要思考的问题。同时引入新生研讨课的教学形式，这种课程模式对激发学生的求知欲有很大帮助。
3. 体系完整的编程及编程语言课
在程序设计方面，国内计算机专业只开设C、java等少数几门编程课。而斯坦福大学计算机系开设的程序设计及编程语言课多达15门，既有讲解C、C++、C#、Java的专门的程序设计课，也有强调面向对象为特征的“C++与面向对象的编程”、“面向对象的系统设计”等编程课，还有讲解java、HTML、CSS、XML的网络客户端编程课;既有横向比较各语言难点和精髓的高级编程课，也有突出训练程序设计能力的软件实践类课，还有编程语言基础理论课。
程序设计入门课因分快慢班有三个课号，分别为CS106A、CS106B和CS106X。其中CS106A使用C，为初级编程，CS106B是CS106A的后续课，使用C++。CS106X面向有编程基础的学生，涵盖CS106A和CS106B的内容，在一学季完成。CS106是全校的公共基础课，也是绝大多数专业的必修课，每学季选课人数众多。为此，学校配备了大量助教，通常由修过此课的高年级本科生承担，称为Section Leader(SL)。学生每十余人分为一个小组，由一名SL负责辅导，并经常组织讨论。
最值得推荐的编程课有“程序设计范式”(CS107 Programming Paradiams)，这是一门计算机专业的必修课，重点分析比较C、C++、Java、LISP的特点及难点，比如内存管理、系统资源利用、输入、输出等。讲解实现一种算法的过程中各语言的设计步骤和注意点。每1～2周有一个大作业，针对不同的任务，要求学生用不同的语言实现，使学生加深了解各类编程语言的应用场合。
与国内相比，必修的计算机专业课门数并不多，但几乎每门课程都有编程大作业，负担很重。虽然未设软件工程课，但通过一些大作业训练了学生的软件工程思想。
4. 重视培养表达能力的专业写作课
在培养方案中，设置专门的写作要求是斯坦福大学本科培养方案的一大特色。写作训练分为两个阶段。首先是基础写作，重点培养学生一般的写作能力和修辞技巧;其次是专业写作，学生需从含有较高写作要求的三门课程中选择一门，完成专业写作训练。
培养方案中没有综合论文训练环节，但有一门实践类课程“软件项目设计”(Software Project)使学生不仅受到了一次真正的软件设计训练，同时也受到了一次综合论文写作训练。在为期10周的课程中，学生1～4人分为一组，以Team Work形式完成一个有实用价值的软件项目，要求实现从设计立项、任务描述、编程到测试的软件开发全过程。除编写每阶段设计文档外，还要求学生撰写用户使用手册。这里没有抄书的余地，因为一切文档都与自己开发的软件相关。
斯坦福大学非常注意培养学生的表达能力，为此设立了专门的指导机构Stanford Writing Center。该中心开设了十多门写作课程，并时常举办写作系列讲座。工程学院也开设了一些旨在提高学生写作和演讲能力的课程。如写作实践课，帮助学生提高学术论文和学位论文写作水平;又如公众演讲课，内容涵盖正式演讲、即兴发言等与口语表达相关的方方面面。此外还设立了演讲与写作答疑室，配备了录像和播放设备，使前来答疑的学生可以看到自己的试讲录像，对提高学生的演讲能力帮助极大。
斯坦福大学计算机专业排名
2017年USNEWS美国大学计算机专业排名——斯坦福大学第2
2016年USNEWS美国大学计算机专业排名——斯坦福大学第1
2015年USNEWS美国大学计算机专业排名——斯坦福大学第1
2014年USNEWS美国大学计算机专业排名——斯坦福大学第2
❷ 放弃手工标记数据，斯坦福大学开发弱监督编程范式Snorkel
手工标记大量数据始终是开发机器学习的一大瓶颈。斯坦福AI Lab的研究人员探讨了一种通过编程方式生成训练数据的“弱监督”范式，并介绍了他们的开源Snorkel框架。
近年来，机器学习 (ML) 对现实世界的影响越来越大。这在很大程度上是由于深度学习模型的出现，使得从业者可以在基准数据集上获得 state-of-the-art 的分数，而无需任何手工特征设计。考虑到诸如 TensorFlow 和 PyTorch 等多种开源 ML 框架的可用性，以及大量可用的最先进的模型，可以说，高质量的 ML 模型现在几乎成为一种商品化资源了。然而，有一个隐藏的问题：这些模型依赖于大量手工标记的训练数据。
这些手工标记的训练集创建起来既昂贵又耗时 —— 通常需要几个月甚至几年的时间、花费大量人力来收集、清理和调试 —— 尤其是在需要领域专业知识的情况下。除此之外，任务经常会在现实世界中发生变化和演变。例如，标记指南、粒度或下游用例都经常发生变化，需要重新标记 (例如，不要只将评论分类为正面或负面，还要引入一个中性类别)。
由于这些原因，从业者越来越多地转向一种较弱的监管形式，例如利用外部知识库、模式 / 规则或其他分类器启发式地生成训练数据。从本质上来讲，这些都是以编程方式生成训练数据的方法，或者更简洁地说，编程训练数据 (programming training data)。
在本文中，我们首先回顾了 ML 中由标记训练数据驱动的一些领域，然后描述了我们对建模和整合各种监督源的研究。我们还讨论了为大规模多任务机制构建数据管理系统的设想，这种系统使用数十或数百个弱监督的动态任务，以复杂、多样的方式交互。
回顾：如何获得更多有标签的训练数据？
ML 中的许多传统研究方法也同样受到对标记训练数据的需求的推动。我们首先将这些方法与弱监督方法 (weak supervision) 区分开来：弱监督是利用来自主题领域专家(subject matter experts，简称 SME) 的更高级别和 / 或更嘈杂的输入。
目前主流方法的一个关键问题是，由领域专家直接给大量数据加标签是很昂贵的：例如，为医学成像研究构建大型数据集更加困难，因为跟研究生不同，放射科医生可不会接受一点小恩小惠就愿意为你标记数据。因此，在 ML 中，许多经过深入研究的工作线都是由于获取标记训练数据的瓶颈所致：
在主动学习 (active learning) 中，目标是让领域专家为估计对模型最有价值的数据点贴标签，从而更有效地利用领域专家。在标准的监督学习设置中，这意味着选择要标记的新数据点。例如，我们可以选择靠近当前模型决策边界的乳房 X 线照片，并要求放射科医生仅给这些照片进行标记。但是，我们也可以只要求对这些数据点进行较弱的监督，在这种情况下，主动学习与弱监督是完美互补的；这方面的例子可以参考 (Druck, settle, and McCallum 2009)。
在半监督学习 (semi-supervised learning ) 设置中，我们的目标是用一个小的标记训练集和一个更大的未标记数据集。然后使用关于平滑度、低维结构或距离度量的假设来利用未标记数据 (作为生成模型的一部分，或作为一个判别模型的正则项，或学习一个紧凑的数据表示)；参考阅读见 (Chapelle, Scholkopf, and Zien 2009)。从广义上讲，半监督学习的理念不是从 SME 那里寻求更多输入，而是利用领域和任务不可知的假设来利用未经标记的数据，而这些数据通常可以以低成本大量获得。最近的方法使用生成对抗网络 (Salimans et al. 2016)、启发式转换模型 (Laine and Aila 2016) 和其他生成方法来有效地帮助规范化决策边界。
在典型的迁移学习 (transfer learning )设置 中，目标是将一个或多个已经在不同数据集上训练过的模型应用于我们的数据集和任务；相关的综述见 (Pan 和 Yang 2010)。例如，我们可能已经有身体其他部位肿瘤的大型训练集，并在此基础上训练了分类器，然后希望将其应用到我们的乳房 X 光检查任务中。在当今的深度学习社区中，一种常见的迁移学习方法是在一个大数据集上对模型进行 “预训练”，然后在感兴趣的任务上对其进行 “微调”。另一个相关的领域是多任务学习 (multi-task learning)，其中几个任务是共同学习的 (Caruna 1993; Augenstein, Vlachos, and Maynard 2015)。
上述范例可能让我们得以不用向领域专家合作者寻求额外的训练标签。然而，对某些数据进行标记是不可避免的。如果我们要求他们提供各种类型的更高级、或不那么精确的监督形式，这些形式可以更快、更简便地获取，会怎么样呢？例如，如果我们的放射科医生可以花一个下午的时间来标记一组启发式的资源或其他资源，如果处理得当，这些资源可以有效地替代成千上万的训练标签，那会怎么样呢 ?
将领域知识注入 AI
从 历史 的角度来看，试图 “编程” 人工智能 (即注入领域知识) 并不是什么新鲜想法，但现在提出这个问题的主要新颖之处在于，AI 从未像现在这样强大，同时在可解释性和可控制性方面，它还是一个 “黑盒”。
在 20 世纪 70 年代和 80 年代，AI 的重点是专家系统，它将来自领域专家的手工策划的事实和规则的知识库结合起来，并使用推理引擎来应用它们。20 世纪 90 年代，ML 开始作为将知识集成到 AI 系统的工具获得成功，并承诺以强大而灵活的方式从标记的训练数据自动实现这一点。
经典的 (非表示学习)ML 方法通常有两个领域专家输入端口。首先，这些模型通常比现代模型的复杂度要低得多，这意味着可以使用更少的手工标记数据。其次，这些模型依赖于手工设计的特性，这些特性为编码、修改和与模型的数据基本表示形式交互提供了一种直接的方法。然而，特性工程不管在过去还是现在通常都被认为是 ML 专家的任务，他们通常会花费整个博士生涯来为特定的任务设计特性。
进入深度学习模型：由于它们具有跨许多领域和任务自动学习表示的强大能力，它们在很大程度上避免了特性工程的任务。然而，它们大部分是完整的黑盒子，除了标记大量的训练集和调整网络架构外，普通开发人员对它们几乎没有控制权。在许多意义上，它们代表了旧的专家系统脆弱但易于控制的规则的对立面 —— 它们灵活但难以控制。
这使我们从一个略微不同的角度回到了最初的问题：我们如何利用我们的领域知识或任务专业知识来编写现代深度学习模型？有没有办法将旧的基于规则的专家系统的直接性与这些现代 ML 方法的灵活性和强大功能结合起来？
代码作为监督：通过编程训练 ML
Snorkel 是我们为支持和 探索 这种与 ML 的新型交互而构建的一个系统。在 Snorkel中，我们不使用手工标记的训练数据，而是要求用户编写标记函数 (labeling functions, LF)，即用于标记未标记数据子集的黑盒代码片段。
然后，我们可以使用一组这样的 LF 来为 ML 模型标记训练数据。因为标记函数只是任意的代码片段，所以它们可以对任意信号进行编码：模式、启发式、外部数据资源、来自群众工作者的嘈杂标签、弱分类器等等。而且，作为代码，我们可以获得所有其他相关的好处，比如模块化、可重用性和可调试性。例如，如果我们的建模目标发生了变化，我们可以调整标记函数来快速适应！
一个问题是，标记函数会产生有噪声的输出，这些输出可能会重叠和冲突，从而产生不太理想的训练标签。在 Snorkel 中，我们使用数据编程方法对这些标签进行去噪，该方法包括三个步骤：
1. 我们将标记函数应用于未标记的数据。
2. 我们使用一个生成模型来在没有任何标记数据的条件下学习标记函数的准确性，并相应地对它们的输出进行加权。我们甚至可以自动学习它们的关联结构。
3. 生成模型输出一组概率训练标签，我们可以使用这些标签来训练一个强大、灵活的判别模型 (如深度神经网络)，它将泛化到标记函数表示的信号之外。
可以认为，这整个 pipeline 为 “编程”ML 模型提供了一种简单、稳健且与模型无关的方法！
标记函数 (Labeling Functions)
从生物医学文献中提取结构化信息是最能激励我们的应用之一：大量有用的信息被有效地锁在数百万篇科学论文的密集非结构化文本中。我们希望用机器学习来提取这些信息，进而使用这些信息来诊断遗传性疾病。
考虑这样一个任务：从科学文献中提取某种化学 - 疾病的关系。我们可能没有足够大的标记训练数据集来完成这项任务。然而，在生物医学领域，存在着丰富的知识本体、词典等资源，其中包括各种化学与疾病名称数据、各种类型的已知化学 - 疾病关系数据库等，我们可以利用这些资源来为我们的任务提供弱监督。此外，我们还可以与生物学领域的合作者一起提出一系列特定于任务的启发式、正则表达式模式、经验法则和负标签生成策略。
作为一种表示载体的生成模型
在我们的方法中，我们认为标记函数隐含地描述了一个生成模型。让我们来快速复习一下：给定数据点 x，以及我们想要预测的未知标签 y，在判别方法中，我们直接对P(y|x) 建模，而在生成方法中，我们对 P(x,y) = P(x|y)P(y) 建模。在我们的例子中，我们建模一个训练集标记的过程 P(L,y)，其中 L 是由对象 x 的标记函数生成的标签，y 是对应的 (未知的) 真实标签。通过学习生成模型，并直接估计 P(L|y)，我们本质上是在根据它们如何重叠和冲突来学习标记函数的相对准确性 (注意，我们不需要知道 y!)
我们使用这个估计的生成模型在标签函数上训练一个噪声感知版本的最终判别模型。为了做到这一点，生成模型推断出训练数据的未知标签的概率，然后我们最小化关于这些概率的判别模型的预期损失。
估计这些生成模型的参数可能非常棘手，特别是当使用的标记函数之间存在统计依赖性时。在 Data Programming: Creating Large Training Sets, Quickly(https://arxiv.org/abs/1605.07723) 这篇论文中，我们证明了给定足够的标记函数的条件下，可以得到与监督方法相同的 asymptotic scaling。我们还研究了如何在不使用标记数据的情况下学习标记函数之间的相关性，以及如何显着提高性能。
Snorkel：一个开源的框架
在我们最近发表的关于 Snorkel 的论文 (https://arxiv.org/abs/1711.10160) 中，我们发现在各种实际应用中，这种与现代 ML 模型交互的新方法非常有效！包括:
1. 在一个关于 Snorkel 的研讨会上，我们进行了一项用户研究，比较了教 SMEs 使用Snorkel 的效率，以及花同样的时间进行纯手工标记数据的效率。我们发现，使用Snorkel 构建模型不仅快了 2.8 倍，而且平均预测性能也提高了 45.5%。
2. 在与斯坦福大学、美国退伍军人事务部和美国食品和药物管理局的研究人员合作的两个真实的文本关系提取任务，以及其他四个基准文本和图像任务中，我们发现，与baseline 技术相比，Snorkel 平均提高了 132%。
3. 我们 探索 了如何对用户提供的标记函数建模的新的权衡空间，从而得到了一个基于规则的优化器，用于加速迭代开发周期。
下一步：大规模多任务弱监管
我们实验室正在进行各种努力，将 Snorkel 设想的弱监督交互模型扩展到其他模式，如格式丰富的数据和图像、使用自然语言的监督任务和自动生成标签函数！
在技术方面，我们感兴趣的是扩展 Snorkel 的核心数据编程模型，使其更容易指定具有更高级别接口(如自然语言) 的标记函数，以及结合其他类型的弱监督 (如数据增强)。
多任务学习 (MTL) 场景的普及也引发了这样一个问题：当嘈杂的、可能相关的标签源现在要标记多个相关任务时会发生什么？我们是否可以通过对这些任务进行联合建模来获益？我们在一个新的多任务感知版本的 Snorkel，即 Snorkel MeTaL 中解决了这些问题，它可以支持多任务弱监管源，为一个或多个相关任务提供噪声标签。
我们考虑的一个例子是设置具有不同粒度的标签源。例如，假设我们打算训练一个细粒度的命名实体识别 (NER) 模型来标记特定类型的人和位置，并且我们有一些细粒度的嘈杂标签，例如标记 “律师” 与 “医生”，或 “银行” 与 “医院”；以及有些是粗粒度的，例如标记 “人” 与 “地点”。通过将这些资源表示为标记不同层次相关的任务，我们可以联合建模它们的准确性，并重新加权和组合它们的多任务标签，从而创建更清晰、智能聚合的多任务训练数据，从而提高最终 MTL 模型的性能。
我们相信，为 MTL 构建数据管理系统最激动人心的方面将围绕大规模多任务机制(massively multi-task regime)，在这种机制中，数十到数百个弱监督 (因而高度动态)的任务以复杂、多样的方式交互。
虽然迄今为止大多数 MTL 工作都考虑最多处理由静态手工标记训练集定义的少数几项任务，但世界正在迅速发展成组织 (无论是大公司、学术实验室还是在线社区) 都要维护数以百计的弱监督、快速变化且相互依赖的建模任务。此外，由于这些任务是弱监督的，开发人员可以在数小时或数天内 (而不是数月或数年) 添加、删除或更改任务 (即训练集)，这可能需要重新训练整个模型。
在最近的一篇论文 The Role of Massively Multi-Task and Weak Supervision in Software 2.0 (http://cidrdb.org/cidr2019/papers/p58-ratner-cidr19.pdf) 中，我们概述了针对上述问题的一些初步想法，设想了一个大规模的多任务设置，其中 MTL 模型有效地用作一个训练由不同开发人员弱标记的数据的中央存储库，然后组合在一个中央“mother” 多任务模型中。
不管确切的形式因素是什么，很明显，MTL 技术在未来有许多令人兴奋的进展 —— 不仅是新的模型架构，而且还与迁移学习方法、新的弱监督方法、新的软件开发和系统范例日益统一。
原文：
https://ai.stanford.e/blog/weak-supervision/
Snorkel：
http://snorkel.stanford.e/
欢迎同时关注微信公众号： IT 科技 森
每天分享IT小技巧、 科技 数码新闻！
❸ 求JAVa编程全套自学视频
《视频-Java程序设计》网络网盘资源免费下载链接:https://pan..com/s/15c5QsBsFV9z-TsWntNZ3Tw
视频-Java程序设计|视频《J2SE基础编程》【徐彤】|视频《编程方法学》【斯坦福大学-CS106A】Java28讲|教程-Java编程思想PDF|教程-Java编程案例PDF|源码-Java程序设计|教程-Java开发技术PDF|课件-Java程序设计PPT|教程-Java入门学习PDF|视频《Java视频教程》|资料-Java程序设计|最新java ee api帮助文档 chm格式.chm|资料-Java程序设计.rar|实验指导书 面向对象程序设计(Java)09信管.doc|实验指导书 Java面向对象程序设计及应用1_12.doc
❹ 网易公开课的大学课程
网易公开课课程内容不断更新，以下为部分课程举例。 《编程方法学》全28集 翻译至第28集
《7个颠覆你思想的演讲》 全7集 翻译至第7集（网易首翻1-5集）
《经济学》 全10集 翻译至第10集（网易首翻1-5集）
《商业领袖和企业家》 全4集 翻译至第4集（网易首翻1-4集）
《人与计算机的互动》全10集 翻译至第10集
《扎克伯格谈facebook创业过程》 全9集 翻译至第9集
《iphone开发教程2010年冬》 全28集 翻译至第26集
《机器学习课程》 全20集 翻译至第20集
《抽象编程》 全27集 翻译至第27集
《编程范式》 全27集 翻译至第27集
《法律学》 全6集 翻译至第2集
《机器人学》全16集 翻译至第2集
《健康图书馆》全80集 翻译至第80集
《临床解剖学》 全14集 翻译至第14集
《癌症综合研究》全56集 翻译至第56集
《从生物学看人类行为》 全25集 翻译至第25集
《非裔美国人历史——当代自由斗争》全18集 翻译至第10集
《斯坦福创意与艺术协会讲座》 全16集 翻译至第0集
《忘掉你学过的MBA——戴维谈创业37 signals》全11集 翻译至11集
《全球气候与能源计划》 全12集 翻译至第1集 《国际座谈会》 全17集 翻译至第17集（网易首翻1-12集）
《领导能力简介》 全5集 翻译至第5集（网易首翻1-5集）
《能源和环境》 全11集 翻译至第1集
《人性》 全12集 翻译至第12集
《科技世界的领导能力》 全15集 翻译至第15集 《电影哲学》 全4集 翻译至第4集（网易首翻1-4集）
《西方世界的爱情哲学》 全4集 翻译至第4集（网易首翻1-2集）
《音乐的各种声音》 全1集 翻译至第1集
《振动与波》 全23集 翻译至第23集
《单变量微积分》 全35集 翻译至第15集
《微分方程》 全33集 翻译至第15集
《媒体、教育、市场》 全14集 翻译至第14集
《商业及领导能力》 全16集 翻译至第1集
《热力学与动力学》 全36集 翻译至第30集
《搜索黑洞》 全6集 翻译至第6集
《城市面貌——过去和未来》全4集 翻译至第0集
《经典力学》 全35集 翻译至第35集
《生物学导论》 全35集 翻译至第35集
《微积分重点》 全18集 翻译至第18集
《多变量微积分》全35集 翻译至第35集
《化学原理》 全36集 翻译至第31集
《算法导论》 全6集 翻译至第6集
《计算机科学及编程导论》 全24集 翻译至第23集 《幸福课》 全23集 翻译至第23集（网易首翻1-5集）
《公正—该如何做是好？》 全12集 翻译至第12集
《计算机科学导论》 全22集 翻译至第0集
《2006年计算机课程》 全32集（缺第3、5、7、集） 翻译至第0集
《2005年计算机课程》 全15集 翻译至第0集
《计算机科学cs50》 全20集 翻译至第17集
《科学与烹饪》 翻译至22集 《空气污染》集数：5 类型：科学 环境 社会
《十分钟英语史》集数：10 类型：历史 文学
《银行业危机-源起与后果》集数：7 类型：金融 经济 《古希腊历史简介》 全24集 翻译至第8集 （1-8集字幕由人人字幕组提供）
《聆听音乐》 全23集 翻译至第10集（网易首翻5-10集）（1-4集字幕由人人字幕组提供）
《死亡》 全26集 翻译至第11集（网易首翻8-21集）（1-7集字幕由人人字幕组提供）
《心理学导论》 全20集 翻译至第18集（网易首翻9-18集）（1-8集字幕由人人字幕组提供）
《政治哲学导论》 全24集 翻译至第14集（网易首翻1-14集）
《金融市场》 全26集 翻译至第17集（网易首翻14-17集）（1-13集字幕由人人字幕组提供）
《博弈论》 全24集 翻译至第9集 （1-9集字幕由人人字幕组提供）
《欧洲文明》 全24集 翻译至第23集 （1-23集字幕由TLF字幕组提供）
《1871年后的法国》 全24集 翻译至第3集 （1-3集字幕由人人字幕组提供）
《基础物理》 全24集 翻译至第23集 （1-5集字幕由人人字幕组提供）
《罗马建筑》 全23集 翻译至第4集 （1-4集字幕由TLF字幕组提供）
《天体物理学之探索和争议》 全24集 翻译至第10集 （1-10集字幕由TLF字幕组提供）
《生物医学工程探索》 全25集 翻译至第12集 （1-12集字幕由人人字幕组提供）
《新生有机化学》 全37集 翻译至第10集 （1-10集字幕由人人字幕组提供）
《进化、生态和行为原理》 全36集 翻译至第4集 （1-4集字幕由TLF字幕组提供）
《1945年后的美国小说》 全25集 翻译至第3集 （1-3集字幕由人人字幕组提供）
《美国内战与重建，1845-1877》 全27集 翻译至第5集 （1-5集字幕由人人字幕组提供）
《全球人口增长问题》 全24集 翻译至第7集 （1-7集字幕由TLF字幕组提供）
《有关食物的心理学、生物学和政治学》 全23集 翻译至第7集 （1-7集字幕由人人字幕组提供）
《弥尔顿》 全24集
《文学理论导论》 全26集
《现代诗歌》 全25集
《解读但丁》 全24集
《旧约全书导论 》全24集
《新约及其历史背景》 全26集 《尼采的心灵与自然》 全7集
《哲学概论》 全17集 《综合生物学》 全39集
《社会认知心理学》 全25集
《数据统计分析》 全42集
《世界各地区人民和国家》 全19集（缺第17、18、20）
《大灾难时期的伦理和公共健康》 全14集 点击右上方的“播放”按钮，或者直接点击课时按钮，经过短暂的缓冲之后便可以开始在线收看课程，缓冲时会显示课时和该课时视频大小。由于是在线收看，因此课程的视频和音频不可能达到高清的效果，不过完全可以满足授课的需要，并且在wifi环境下播放流畅，丝毫不会卡顿。此外手机本身需要支持MP4格式才可以收看在线课程，不过这项要求基本Android平台手机都可以达到。网易公开课的课程视频对手机的硬件要求并不高，小编用setcpu将CPU频率由1GHz降至500MHz后，仍然可以流畅播放。
播放过程中可以点击屏幕任意位置叫出播放控制按钮，用户可以暂停/播放视屏，快进和快退，以及拖动进度条来跳转至视频的任意位置。但是小编在实际使用中发现，在某些情况下，拖动进度条会造成程序失去响应，实际能够使用的只有快进/快退和播放/暂停三个按键。小编之后又用另一台手机Nexus S测试，发现强行关闭的问题仍然存在。 1、收集世界多所知名学府授课视频；
2、wifi环境下播放流畅。 1、当视频在线播放时拖动进度条，若遇网络环境不太好，或进程多系统繁忙，偶尔会出现无响应，造成程序强行关闭；
2、课程翻译进度较慢。