公開課
伯克利（伯克利CS的本科生課程質量都很好，抽時間看看。）
斯坦福
MIT
前修課程
（伯克利課程都有）
向量微積分 vector calculus（math53）
線性代數（math54 math110 or EE16A+16B）
概率論（CS70 or stat 134）
機器學習和深度學習
CS189/289 Introduction to machine learning 機器學習
CS281: Advanced Machine Learning
UCB CPSC 540 也是機器學習 哥倫比亞大學 https://www.cs.ubc.ca/~nando/540-2013/lectures.html
Nando de Freitas 教授的機器學習課程清單 https://www.cs.ubc.ca/~nando/teaching.html Nando de Freitas 教授Youtobe的主頁上有他的教程視頻
CS231 斯坦福深度視覺識別 Fei-Fei Li
MIT David Silver講的強化學習
CS294-112 伯克利強化學習
Stat212b：Topics Course on Deep Learning
http://joanbruna.github.io/stat212b/
加州大學伯克利分校統計系Joan Bruna（Yann LeCun博士后） 以統計的角度講解DL。
CS224d: Deep Learning for Natural Language Processing
斯坦福大學 Richard Socher 主要講解自然語言處理領域的各種深度學習模型
課程評價：
目前上過三個學校的課 Berkeley CS本科生的課不得不說從各個方面都是一流的。因為作為一個工科 (especially CS) 大校，基本全校都在學碼。本科生除了college of engineering下的EECS項目(which is really hard to get in)，還有L&S學院下的CS專業。而且declare CS難度逐年陡增。
作為一個轉專業狗，我很慶幸自己有機會選了很多優質的本科生的課 給自己 (hopefully) 打下了很好的基礎。這里CS優質課程基本都是本科的(AKA 硬課) 每門upper-division課基本都有300-500人 lower-division課甚至有600-1000人，如著名的61系列（因為沒有declare專業的人基本都會選）每門課都會配備很多TA，TA也非常用心，回復問題十分即使細致，course logistics are well organized，還有discussion section十分有用，基本會把課程重點都強調一遍。相對的，研究生的課基本都是研究導向的，不會花很多時間在detail上，會討論很多前沿的科研問題。如果基礎不好，基本學不到什么。因為Berkeley CS的graduate program基本都是phd和極少數ms，所以默認大家基礎都很好。個人認為如果基礎不好 直接來上graduate的課學不到什么。
作為一個非CS的MS，因為自己項目十分flexible，所以有一半的課程可以隨便選 於是全選了CS課。在Berkeley期間學了61C, 161, 162, 170, 189/289, 280, 281。可以說每門課都很有用 學到了很多。
因為本科學過基本算法和數據結構還有各種語言，就沒有上61B
下面是部分課程介紹：
61C machine structure, 從C, assembly到CPU設計全過了一遍，還有spark, OS basics，systems的入門。照理這課應該是CS的入門課 但是我是在學了很多高級概念以后再來學 感覺會有很多不一樣的理解。課程量巨大，一個project設計一個CPU（用logic gate），一個project用C寫一個program that translates assembly into machine code，另一個project實現高效矩陣運算（openMP, SIMD）。
162 OS 號稱CS神課之一，工作量巨大，一個學期3個homework，1個巨型project（implement an OS, 參考stanford OS project）。3個homework每個基本相當於別的課的一個project（implement a HTTP server, implement a shell, implement malloc etc）所有都是C寫的
170 算法 另一神課。偏理論，作業全是證明和pseudo code，沒有真正寫碼，但是幾乎涵蓋所有面試內容（although后半學期全在講NP completeness各種證明，randomized algorithm）
189 ML，任務量也很大，上課和考試基本都是理論，作業是用python implement各種ML model from scratch包括neural net, random forest
個人感覺project的質量都很好，course staff設計的很用心，考試也有一定難度（類似T大本科生考試，會出一些怪題，十分考驗對基礎知識的掌握，基本每次平均分只有50/100左右，雖然最后會curve）
以上針對EECS系，別的系（應該）相對會水一些。 還是十分羡慕Berkeley CS的本科生的 有這么好的教育 而且還物美價廉（公立）
國內本科過來交流...天真直接選了 61c，170，164，164...第一、二周簡直就要死掉了...於是默默退掉了162和164...