MOOC《数据科学》学习体验

约翰霍普金斯大学在Coursera开设的专项课程《数据科学》（Data Science），或许是最火爆赚钱的MOOC课程了（参见2015-02-11：【快报】Coursera数据科学专项课程已经赚了350万美元！）。
课程共有9门课，每课4周时长，每月开班，免费或$29；全部9门课完成后还有毕业项目，8周时长，每年开设3次，交专项课程费用后参加（$290，全部9门+毕业项目）。
课程清单（目前前4门课已有中文字幕）
1 数据科学家的工具箱
2 R语言程序开发
3 获取和整理数据
4 探索性数据分析
5 可重复性研究
6 统计推断
7 回归模型
8 实用机器学习
9 数据产品开发
数据课程毕业项目

借用某书的命名方法，此课程可称之为《数据科学及其R实现》：以R及其周边应用为工具，分专题讲述“数据科学”的整个流程。
这是入门级课程，对于有编程基础的非IT人员也适用。事实上3位教师都是生物统计专业的，应该是以R为工具做统计分析、机器学习、可视化展示等等。从科学研究的“可重复性”角度，教师比较偏爱非图形界面（命令行）的工具。

今年春节后，用4个月时间完成了9门课，很辛苦，但也很有收获，了解了数据科学的基本方法与理念，学习了R语言及若干工具。
作为一个在DOS时代学过编程的人，对命令行界面倒也不陌生。但作为一个统计学盲，全英文学课程中大量的统计知识实在抓狂，只能借一堆中文书自学，才算混将过去。最终能坚持下来，也说明课程还不是那么难。当然从同学互批作业看，也有同学隔几个月重修，结果还是不如人意。
最后，实际感受：学是学完了，但要能自主使用，还有相当长的路要走。
昨日自己结束了全部课程，虽然本月修的最后二门课的成绩要下周才会出来，通过应该没有悬念。在此分享本课程体验如下。

一、选课
9门课程间有依赖关系（Coursera Johns Hopkins Specialization in Data Science course dependency information），通常按顺序选没有问题。但如果同时选多门课，特别需要注意第7门“回归模型”以第6门“统计推断”为先修知识，如果没有统计基础，两门课不宜同一时间段选。

二、时间安排
有些MOOC课程是完全自主安排时间的。本系列则是在课程开始时一次性发布所有课程资料，按周设定测验与作业的提交截止时间。
除第1门入门课外，其他每周课时标明为4-9小时或7-9小时。如此看一周多选几门课似乎问题不大，实际还要考虑更多情况：
1、学习时间，依赖于学习者的原有基础。有几门课大量涉及统计学知识，没有相应基础的话，需要时间就会大大增加。如我这样的统计学白痴，借了好几本中文书看，才勉强跟上，需要付出大量额外时间。另外R语言本身，单靠听课对于完成作业也是远远不够的。
2、作业时间。除每周正常学习、测验（Quiz）外，每门课还会有一到二次课程项目（作业），单完成作业就可能需要数小时。课程作业通常在第三周（有一门课竟然第一周就有作业），同时修几门课，时间叠加起来就比较难应付了。又由于R本身作为开源软件、使用各色人等制作的安装包（package），提示出错找原因、解决也需要额外时间。某次作业因读入文件数据不完整导致出不了正确结果，各种折腾，最后才弄明白应当如何正确解决因中文环境所致的问题。
3、作业提交时间（天朝特有的网络问题）。作业以提交到Amazon AWS和GitHub居多，一个点击即可完成上传，对我们来说却是一定要预留足够时间的。本人最悲摧的一次，前晚同步不到GitHub，原本依常规次日一早推几次就行的，却不料直到当天下午2点才最终成功。如果不是提早一天完成了作业，截止期限早就过了，20-40%的分数没了，这门课就只有重修了。【70分通过，90分优秀】

三、学习过程
1、听课和自学
看视频、PPT是主要学习方式，PPT会提供大量参考资料，包括维基百科（对文科教师是不可思议的了）。在测验、作业中会遇到老师根本就没讲过的内容，需要搜索、自学。更有一门课我完全听不懂，正好除了通常的PPT外还提供有教材，于是完全不看视频直接自学教材+中文图书。
课程推荐RStudio中的swirl包确实是交互学习的好工具，多门课程有对应的学习包，载入学习后还可加分，真可谓一举两得。
2、课程论坛（Forum）
遇到R代码运行出错或者不明白的问题，实际感受是搜索引擎多半不如课程论坛。课程论坛针对性强，更有助教（Community TA）及时跟进解决问题，不会出现无助的情况。应该说Coursera或本系列课程在此点上做得相当好。
3、每周测验（Quiz）
最终成绩约60%来自测验。测验通常是选择题。本系列都允许做三次，取成绩最好的一次。有时候，再做时供选择的答案会改变，结果正确选项几乎是昭然若揭——外国老师永远不明白，对于深谙考试规则的中国学生，这根本就是在送分。
4、作业的互评与自评（Peer-evaluate & Self-evaluate）
最终成绩约40%来自课程作业。作业基本上由同学互评（评4位，未完成扣20%）。真是很好的学习机会，尤其对我这样比较初级的学习者，总是能够发现做得很好的作业，以及老师课上没有讲过的知识点。
有一门课有自评。在评过同学作业后再重温自己作业，对自己的评分自然会更客观。
5、英语
前几门课有中文字幕，好像到第4门课后面部分就没有了。希望有中文字幕的越来越多，这样对授课内容的理解会更好。
不过单是字幕解决不了所有问题，因为作业还是要用英语写的，另外论坛提问自然也是用英语。更有同学互评时，还有可能要求写10个甚至50个词的评语。
好消息是需要自己写的文字不多，作业内容中代码与作图为多。并且评分时，也不会因为语言原因而降低得分。

四、墙
无所不在的墙，不知道浪费了我们多少宝贵时光。除前述上传作业的情况外，还有更简单的：太长的链接老师会给个短网址，goo.gl的，不先找个还原网站就不知道访问哪里。
并且，课程中涉及的一些内容无法正常实现。比如GoogleViz，比如交互图形rChart中嵌入的Google代码，……。当然课程中老师们都很贴心地提供有替代选项，虽然功能不尽相同，但不至于因此完不成课程。

附本人课程项目3个：
– 机器学习：由运动数据推测运动方式
说明：
1、用Knitr由R Markdown文件生成的HTML5文件，带R代码运行结果
2、文首没有摘要，完全忘了“可重复性研究”课程作业强调的格式
3、最佳模型应该是随机森林，只因数据量较大、预测变量太多，电脑竟然拖不动、N久出不了结果，无奈以70%准确率的lda模型交差
– 照猫画虎的小应用，图个热闹
说明：
1、使用shiny做的app
2、评估同学作业后学到不少，界面做了更新，主要是分页、加了简介
– 介绍前述shiny应用功能与用法的PPT
说明：
1、用RStudio Presentation生成，5页HTML5幻灯片，使用默认模板（比较丑）、只改了页面切换方式
2、末页图片由R代码直接生成