#11 Computer Science 自習指南
這是指南，不是學習清單
比起從頭開始的教學，更像是一個 check list，來看看自己哪裡還沒有補足；這是我一直以來的學習方式，有些人喜歡、有些人不喜歡。
純粹是出自於對這一個領域很有興趣，不管跟工作有沒有關、跟薪水有沒有關，仍然會選擇繼續走下去。
這篇不會放滿一些線上免費程式課程的連結，原文裡面有、某些領域我也會放上去，但我始終認為最適合自己的課程是需要自己研究和安排出來的，學校教授要做到的就是激發我們的興趣，還有展現自己有多強，讓學生知道自己有多廢，這樣就已經很棒了。
medium 上或是各大媒體上，其實都蠻常有各種 CS101 或是 data science 101 的教學文章，裡面喜歡塞滿滿各種課程連結；這些東西是容易吸引人的，但真的要扎實的學習還是靠自己比較實在。（我的觀察啦！）
講個比喻小故事：很多大學生會去接家教來賺外快，對一般人來說，最好賺的不是教程度好的學生，最好是教那種成績奇爛無比的；因為當一個人一無所知的時候，灌輸給他什麼東西他都覺得有學到，備課輕鬆；再來就是考爛也屬正常發揮。因為這些學生根本問題不在於缺乏知識，甚至也不是因為他們笨，只是單純沒有找到學習的動機，還有靠自己就能學習的方法。
當然，學店畢業如我是沒資格對教育做評價，這只是個比喻的小故事而已，要有什麼體會就看個人了。
為什麼要學習 Computer Science？
以下簡稱 CS
世界上有兩種不同的軟體工程師：
- Type 1: 對於 CS 有堅實基礎，遇到問題知道該如何專業又有創意的去解決它的
- Type 2: 對於 CS 所知甚少，只對少數 high-level 工具熟悉的。
兩者的薪資在一開始可能差距不大，但長期下來前者可能會讓後者望塵莫及，並不是因為後者做錯了什麼，只是因為前者更有機會去碰觸和解決真正困難的問題。
業界很缺軟體工程師，不過是缺 Type 1 的，Type 2 的一直都是處於 over supply 的狀態。
Type 2 工程師中仍然可能有高手出現。以前曾經看過一篇叫「金庸大學」的文章，金庸大學畢業考要考輕功、內功、掌法和一項選修兵器，要平均下來每科滿六十分才能畢業；令狐冲同學就是一個內功、輕功、掌法都考零分，但選修兵器選了劍法考了 1000 分，最後仍然以第一名成績畢業的王八蛋；我不知道一個人在現實世界成為主角的機率有多高，但我會認為 Type 1 工程師，也就是扎好 CS 的基礎知識是比較可靠一點的選擇。
主題簡介
每個主題的 Why study 都寫的很簡單精要，所以就直接截圖放了過來，下面就是綜合原文的意見加上自己的一些小心得。
Programming
還是首推 SICP，直接硬嗑掉整本可能會太過吃力，所以可以搭配 MIT OCW : 6.001 來使用，看了有興趣的人可以自己試試看，之後也會寫一些關於如何規劃讀這本書的文章，畢竟在這裡寫的話，這篇字數就要爆棚了。
學習如何「Program」是一個相當基礎卻常常被忽略掉的技能，大家往往直接被硬推著去學「Design Patterns」，事實上「Design Patterns」就是高手從經驗中提煉出來的抽象化技巧；如果你自己有好的抽象化能力，那可能能想出更適合你當前應用情況的解決方案。
這放在第一個，是所有東西的基本功。
Algorithms and Data Structures
If you want to become a good programmer, you can spend 10 years programming, or spend 2 years programming and learning algorithms.
Erik Demaine @ MIT
簡單來說，如何把資料設計的更好「計算」（包含你想得到的各種操作）、如何設計出更好的「計算方式」；這兩者就是資料結構和演算法，最近面試完之後，覺得如果不使用的話，真的是學過就忘，所以認真建議學而時習之，或是想辦法到一個有挑戰一點的環境去。
就是這樣，Coursera 和網路上的資源有點太多了，可以自己去搜尋。
如果是比較喜歡寫程式或是喜歡 Java 的人可以考慮 Princeton 的 Algorithms: Part 1；如果更喜歡數學，或是想用自己的語言來學習的話，我會推薦 Standford 的 Algorithms Specialization。
Mathematics for Computer Science
大部分都是離散數學，而且 CS 其實就是應用數學的一支。
這個領域的數學理解之後，看東西會變得快很多，數學真的沒有想像中的可怕，可以看看這篇：
而這裡推薦的好書是跟主題同名的：Mathematics for Computer Science，幾乎能補足你需要的所有數學知識；這門課的預修課程是微積分，不用把微積分想的太難，畢竟太難的你也不會常用到。
不過裡面的內容沒有包含線性代數，也是一個需要自己去補齊的領域，尤其是如果之後想要讀跟 Machine Learning 相關的話，真的要好好喜歡這一堂課。
Operating Systems
抽象化的美好下永遠有觸碰到髒亂的現實，了解這一點對於一個軟體工程師來說是至關緊要的。
對於 System programming 的了解往往是大部分寫 Application 的工程師所缺乏的（就像我，唉⋯⋯）；好加在這是一個很好入門並且開始學習的領域，最近把 Code: The Hidden Language of Computer Hardware and Software看完後再開始學習 CMU 的 CS213，教材是用「CS:APP」這本書，能夠對系統有更廣泛地認識。（還是忍不住推薦一下: Nand To Tetris，有興趣的可以 google，就不在這裡放上連結了，有緣人去試一試，真的是很好玩的一門課）
但如果你仍然很幸運的是個學生，或是真的對系統愛到無可自拔的話，真的是唯一推薦 jserv，請自己到臉書上找到課程的社團加入，或是可以看看這個。
Computer Networking
了解我們每天都在用的網路到底是怎麼運作的，在我們設計大型系統時會有更全面的考量。（不管是 Proxy 或是 load balancer，都跟這領域有關係）
Databases
Data is at the center of everything.
Joe Hellerstein@CS186
（錄影檔好像看到自己的同學）
不只是學會寫 SQL，還要學會如何設計 Relational Model，以及到底 RDBMS 是怎樣運作的。
今年的 COSCUP 上也有在講相關的主題，雖然需要一點背景知識才能懂：
Languages and Compilers
這個領域最關鍵的一點就是，當你學完這個之後，你就不只是個語言的 user ，而是有辦法設計並實作出來給其他人用的。（能不能用是另一回事 XD）
Distributed Systems
一樣的運算在一台電腦上跑，跟在一千台電腦上用分工的方式跑，會是完全不一樣難度的問題。
現實的系統都是不完美的，你必須做出一些 trade-offs，通常這需要前面多項知識的了解才能做出好的決策，讓你更明白如何去設計出「現實的系統」；假如只是想要有個 High Level 的認識，可以來讀讀這本：「Distributed Systems: Fun and Profit」。
日報目前也開始讀這本好玩的書：
通常會對 Compiler 以及 Distributed systems 有興趣的人，應該都有辦法自己找到資源了。
結論
這篇沒有提到任何 AI 跟 Machine Learning 相關，甚至很多 CS 領域內的也沒提到；因為這只是個包含基礎的指南，當你有了基礎的實力，覺得哪個領域有興趣想要投身進去開始做都是相對簡單的。
期許自己能往 Type 1 工程師靠齊，真的是又要共勉之一下。
