Creo que es interesante que soy la única respuesta hasta ahora que no son solo las clases centrales de CS.
Mis dos clases de CS favoritas de todos los tiempos en Caltech. Me gustaron tanto que los tateé (y el requisito previo para el primero también):
CS 151 (Teoría de la complejidad) : impartida por el profesor Chris Umans (página de inicio de Chris Umans), esta clase es una especie de continuación de su CS21 (Decidability and Tractability). Esta clase cubre aproximadamente un “recurso” por semana (como aleatoriedad, no determinismo, no uniformidad, consejos, interacción y conteo, etc.) Es probablemente la clase de CS más difícil en toda la escuela (me sentaría a trabajar el martes por la tarde , pasa la mayor parte del día pensando y trabajando con un amigo (usuario de Quora), ve al horario de oficina el miércoles por la tarde para preguntar sobre el par de problemas que me quedarían y pasa el miércoles por la noche escribiendo los sets: fácilmente habría 15-20 horas en cada conjunto semanal) pero también fue probablemente el más interesante. También te sientes como un verdadero rudo cuando estás usando el conocimiento de la clase para probar partes de documentos de hace seis meses (creo que es en este documento http://www.stanford.edu/~rrwill/… que demostró que [math] NEXP \ not \ subseteq ACC [/ math]. Probamos en un conjunto que [math] E ^ {NP} \ not \ subseteq ACC [/ math].)
Sitio web del curso: CS 151
- ¿Es la inteligencia biológica una máquina de Turing, o más bien un superconjunto de máquinas de Turing?
- ¿Qué significa ajustar un modelo en aprendizaje automático?
- ¿El fragmentación no es tan popular o más difícil con las bases de datos relacionales / SQL?
- Me estoy graduando de un campo de entrenamiento de codificación, pero nunca he tomado una clase de CS. ¿Qué pasantías puedo solicitar este verano?
- ¿Por qué la capacidad de almacenamiento del disquete está muy limitada a unos pocos MB aunque funciona de la misma manera que un disco duro?
ME / CS 132 (Robótica avanzada: navegación y visión): impartido por instructores del Laboratorio de propulsión a chorro (JPL). En el transcurso del término, la clase cubre: óptica básica, detección de características y coincidencia (la tarea hace que los estudiantes implementen detectores de esquina Harris y luego una simple suma de coincidencia de diferencia al cuadrado, pero luego usan características SIFT), el algoritmo de ocho puntos, algunas cosas de descenso de gradiente, inferencia probabilística (incluida la propagación de creencias bayesianas), filtros de Kalman y filtros de partículas. Los laboratorios implican el uso de robots Pioneer equipados con un escáner láser y la implementación de muchos de los conceptos que aprendimos, como el uso de métodos probabilísticos para mapear el laboratorio a partir de los datos del escáner láser. Probablemente fue en esta clase en la que me sentí más rudo: los instructores hicieron un muy buen trabajo al elegir tareas que tienen buenas visualizaciones (ver cómo funciona su filtro de partículas por primera vez es muy divertido), y hacer que su código funcione correctamente Los robots son geniales. Tomar esta clase es lo que realmente me convenció de que quiero hacer el lado de la IA de la investigación de vehículos autónomos en el futuro cuando tenga la oportunidad.
Sitio web del curso: ME / CS 132a, invierno 2013