當前mooc學習火熱，線上和線下學習結合起來對你們學習最大的影響是什麼？

01-26

給我最大的影響就是，讓我決定不再交費上美國大學了（如果可以不交錢，那上一個就上一個吧。比如讀phd或者做助教啥的）。

首先我其實是因為之前做MOOC學院，然後對教育產生興趣才申請到密歇根讀教育。

但我上了一年學之後決定能在網上學的都在網上學了（對於我來說還沒什麼不能在網上學的）。

第一是因為美帝學費實在是太貴了，而密大又屬於貴中之貴。一年5萬多刀相當於美國家庭平均年收入。在網上學習基本上免費，就算交錢也很少。以前做MOOC學院就看到美國各種媒體說MOOC因為大幅降低教育成本，會顛覆高等教育。不過就我看來，現在基本上看不出來任何端倪。

第二是自學並不見得比在學校學得少。我不知道其他專業，但就我所修的教育學院和信息學院的課來看，其實跟自學差不多。基本上就是在線教育中翻轉課堂的模式，大家每周回家自己做閱讀（自學），上課的時候大家一起討論。你給我這些材料，我在網上討論不也一樣么？而且網上可以跟大牛過招，學校課堂的討論經常觀點非常幼稚。

第三是作業，真實課堂中的重視度眾數較高，但虛擬課堂里更容易有出彩的作業。

總的來說我覺得我個人在學校學習知識上的收穫真的沒有網上自學的大。

要說最大的影響，就是完全是MOOC的學習給了我加入現在的組的機會。

雖然很早就跟進了Coursera，但是第一門完整跟的MOOC課程是台大林軒田老師的《機器學習基石》（再次廣告林老師的兩門課: p)，跟著林老師的課，算是才開始有條理地學習機器學習，而不是之前的野路子。這裡也要說一句，感謝林老師的理論性如此之強的一門課，如果不是這麼有深度的一門課，僅僅是一些淺顯的知識的話，我也很難會有資格拿到offer。

後來學了Critical Thinking，這門課的潛在價值比較難以估量：後來在遇到一些問題的時候，經過這門課訓練的思維方式經常在不經意的時候發揮作用。

然後繼續學了Ng的Machine Learning，UW的Intro. to Data Science，林老師的機器學習技法等。

去年4月份，面試阿里的時候，面試官讓我把當時學的知識過一遍，那個時候學的演算法並不多（完整的機器學習基石+一小半Ng的Machine Learning），但是因為基石一課基礎打得確實好，阿里媽媽的offer get。然後才會有11月份機緣巧合地加入iDST的故事。

線上和線下的結合呢，在學習技法這門課的時候比較有經驗。學這門課的時候，正在iDST實習，這門課對於我一個工程出身的本科生來講，很具挑戰性。不過嘛，組裡的一位同事是南大周老師的博士，而且我們合租的，所以就會經常找他討教，哈哈，於是這門課的學習經歷還是很愉快的，每天下班之後，在公司多學一會或者會住的地方看。看視頻的時候有沒明白的地方反覆聽，然後同事還會推薦我一些資料去深入閱讀，偶爾還會結合我們工作的場景聊一下。這樣的學習體驗爽爆了~

其他幾門課，比如學習Ng的課的時候，在學校找了幾個的小夥伴一起學習，建了個群，大家會討論和分享一些好的資料（畢竟Ng的課程比較淺，偏理論的分析就都沒涉及）。

所以說，如果在線下，要是能找到人與你一起學習某門課程，會有更愉快的體驗的~因為：

1. 你不是一個人在戰鬥；

2. 任何問題，不違背honor code，可以找人討論解決。

所以我們真的會學習到知識。

說道這裡，多說點就是，不管是我個人經歷也好，大眾經驗也罷。最合理的MOOC學習方式就是能讓線上與線下結合，線上學習帶動線下學習，線下學習增強學習效果。

關於推進MOOC，我們可以做什麼。希望有一個問題會讓我有把想法寫出來的機會。

最大的影響是：真正地學以致用，並且結合實踐中發現的實際問題在線上進行更深入地學習，達到一個良性循環。

例子：

在Coursera學習了JH的data science系列課程了解了運用R實現reproducible analysis，又碰巧在edX掌握了logistic regression等方法，於是用這最簡單的公式為公司的支付風控系統建了個模型。目前上線運行效果良好，帶來的新問題就是如何挖掘更多的可用風控指標，完善模型，同時也嘗試運用到盈利點的發現上，於是現在在各平台學習大數據、雲計算等。