cs-self-learning CS自学指南：以开源课程为骨架的计算机自学体系与学习地图

本文以 前言 为主体，系统讲解 cs-self-learning（CS自学指南）这本书的定位、自学习理念、三类读者画像与使用路径，并结合仓库中的 导航配置、使用指南 与 课程贡献模板，展示这本书如何把数百门国内外开源 CS 课程组织成一套可落地的自学方案。读完本文，你能理解这本书的内容结构与设计动机，并根据自身情况（在校生、在职转码、方向已定的进阶者）选出对应的学习路线。

一、这本书是什么：五大组成部分

前言 开宗明义：这是一本计算机自学指南，也是作者对自己大学三年自学生涯的纪念，同时是献给北大信科学弟学妹们的礼物。全书由五大部分组成：

1. 使用指南：由于书内资源众多，作者根据不同人群的空闲时间和学习目标制定了差异化使用指南，即 如何使用这本书；
2. 一份供参考的 CS 学习规划：作者根据自己的自学经历制定的全面、系统化的自学规划，见 一个仅供参考的CS学习规划；
3. 必学工具：CSer 效率工具介绍，包括 IDE、Git、GitHub、Vim、LaTeX、GNU Make、Docker、工作流等，对应 必学工具 及其下各篇；
4. 经典书籍推荐：针对“教材晦涩难懂”的痛点，分领域推荐必看好书与资源，见 好书推荐；
5. 国内外高质量 CS 课程汇总：作者上过的以及开源社区贡献的高质量课程，分门别类汇总并给出自学建议，大部分课程有独立仓库维护相关资源与作业实现。

从 导航配置 可以看到，这五大板块在站点导航中被落实为完整的页面树：前言 → 如何使用这本书 → 一个仅供参考的CS学习规划 → 必学工具（翻墙、Vim、Emacs、Git、GitHub、GNU Make、CMake、LaTeX、Docker、Scoop、日常学习工作流、实用工具箱、毕业论文、信息检索共 14 篇）→ 好书推荐 → 各课程模块。每个课程模块下是一篇篇带 .md/.en.md 双语文件的具体课程页，如 CS61A、MIT 6.S081 等。

前言还标注了版本动态：v1.2.0 更新了 深度生成模型学习路线，说明这本书是持续演进的课程索引而非静态快照。

二、梦开始的地方：CS61A 带来的启示

前言用相当篇幅回顾了作者自学的起点——UC Berkeley 的入门课 CS61A（课程页面见 docs/编程入门/Python/CS61A.md）。作者大一上学期还在“新建命令行项目—cin/cout/for—CE、RE、WA 循环”的痛苦状态中，大一寒假偶然接触 CS61A 后三个星期学完，第一次感到“CS 可以学得如此充实而有趣”。

作者从学生视角总结了这门课可借鉴的课程建设经验，这也解释了本书对“高质量课程”的筛选标准：

• 独立搭建的课程网站：一个网站整合课程 schedule、slides、homework、discussion 文件链接、给分说明和历年考试题答案，资源公正透明；
• 教授亲自编写的教材：开课老师将 MIT 经典教材 SICP（原基于 Scheme）改编为 Python 版本并开源，保证课堂与教材一致；
• 丰富的作业体系：14 个 lab、10 个 homework、4 个上千行代码的 project，全部配有完善代码框架、保姆级说明、详尽 handout 与全自动评分脚本（配套的自动化作业提交评分系统 okpy 甚至发表过论文）。作者特别回应了“框架代码都是助教写的还能学到啥”的质疑：对刚接触计算机的学习者，完善的框架能让人专注核心知识点、获得成就感、并有机会阅读高质量代码，“在低年级百利而无一害”；
• 每周 Discussion 讨论课：助教讲解难点与考试例题，习题全部用 LaTeX 撰写并给出详细解答。

结论是：这样的课程“你完全不需要任何计算机的基础，你只需要努力、认真、花时间就够了”。

三、为什么写这本书：从个人资料仓库到“自学式培养方案”

前言交代了本书的来历：2020 年秋季作者担任 CSAPP 课程助教时已自学一年多，为此建了一个 CS 自学资料整理仓库分享快乐；经过一年维护，内容覆盖了计科、智能系、软工系绝大多数课程，且每门课都建了独立仓库汇总资料与作业实现。大四凑学分时，作者发现自己的培养方案已是这个自学仓库的子集——于是萌生了打造“自学式培养方案”的想法，把三年自学中遇到的坑和走过的路记录下来。

作者给出的能力目标（引自 README 与前言）：如果读者能在三年不到时间里建立起整座 CS 基础大厦，有扎实的数学功底和代码能力，经历过数十个千行代码量 Project 的洗礼，掌握至少 C/C++/Java/JS/Python/Go/Rust 等主流语言，并对算法、电路、体系、网络、操统、编译、人工智能、机器学习、计算机视觉、NLP、强化学习、密码学、信息论、博弈论、数值分析、统计学、分布式、数据库、图形学、Web 开发、云服务、超算等方面均有涉猎，那么在就业或科研上都会有相当竞争力。作者的信念是：“你只是没有一个好的老师，给你讲一门好的课程”，而本书就是为读者挑选这样的课程。

四、自学的收益与代价

前言对自学做了清醒的利弊分析，这部分对决定“要不要跟着这本书学”的读者最有参考价值。

自学的三个好处

1. 完全自主的学习速度：疑难知识点可以反复回看视频、上网搜索、去 StackOverflow 提问，直到完全弄明白；掌握快的内容可以两倍速甚至三倍速略过。
2. 博采众长：体系、网络、操统、编译等核心课基本都上过不同大学的版本，不同的教材、知识点侧重与 project 会极大丰富视野，并及时纠正理解错误的内容。
3. 时间自由：不用受课表约束，作者大二疫情在家大半年、返校后基本没去线下教室，绩点却毫无影响。

自学的三个坏处

1. 交流沟通不便：面对屏幕无法“顺着网线”追问老师。缓解方式是独立思考和善用搜索引擎；更好的方式是与志同道合的伙伴结伴自学，参考仓库 README 中的交流群教程；
2. 英文门槛：视频、课件、作业基本都是英文。作者会尽量寻找带中文字幕的视频，但多数课程只有机翻或生肉。作者认为这是值得克服的挑战，因为计算机领域优质文档、论坛、网站以英文居多，养成英文阅读习惯长期有益；
3. 自律：没有 DDL 是件可怕的事，课程越学越深越“虐”。你需要足够的驱动力逼自己静下心来读几十页 Project Handout、理解上千行代码框架、忍受数小时 debug——“没有学分、没有绩点、没有老师、没有同学，只有一个信念：你在变强”。

五、这本书适合谁：三类读者画像与使用路径

前言 的“这本书适合谁”一节给出总原则：任何有志于自学计算机的朋友都可以参考；有基础者可选择性挑感兴趣的领域；零基础小白可把它当攻略，“花最少的时间掌握所需的知识和能力”。作者把这本书比作“根据我的体验来排序的课程搜索引擎”。

真正可操作的分流方案在 使用指南 中，按需求把读者分为三类：

1. 初入校园（低年级本科生 / 拟转入计算机方向）

核心建议有三条：

• 写“优雅”的代码：编程入门期就要理解什么样的代码优雅、什么代码 "have bad taste"。过程式阶段重视模块化与封装，不断自问“是否有大量重复代码、当前函数是否过于复杂、这段代码能否抽象成函数”；面向对象阶段推荐学习 MIT 6.031: Software Construction 的 Notes（Test-Driven 开发、函数 Specification 设计、异常处理等），并了解常见设计模式（推荐《大话设计模式》）；
• 学习提效工具：强烈推荐 MIT Missing Semester，覆盖 Git、Shell、Vim 等；遵守“一切需要让手离开键盘的操作都应想办法去除”的定律；学会盲打；
• 平衡课内与自学：低年级打好基础最重要，课内照课表走，辅以优质课外资源（如 MIT 18.01/18.02、MIT 18.06 线性代数、假期用 UCB CS61A 学 Python）；大一数学学分占比大、考试风格方差大，考前要针对性刷往年题。大二专业课占多后可“彻底放飞自我”进入系统自学，用国外课程 Lab/Project 应付课内大作业，作者本人曾用 MIT 6.S081 的 xv6 Project 替换了老师课上过时的实验。

2. 删繁就简（研究生 / 职场人 / 转码者）

没有时间系统学完全套规划，但想补齐基础。作者筛选了“最重要且质量最高”的核心课程（下表为 使用指南 原表，链接已转换为仓库相对路径）：

课程方向	课程名
离散数学和概率论	UCB CS70: discrete Math and probability theory
数据结构与算法	Coursera: Algorithms I & II
软件工程	MIT 6.031: Software Construction
全栈开发	MIT web development course
计算机系统导论	CMU 15-213: CSAPP
体系结构入门	Coursera: Nand2Tetris
体系结构进阶	UCB CS61C: Great Ideas in Computer Architecture
数据库原理	CMU 15-445: Database Systems
计算机网络	Computer Networking: A Top-Down Approach
人工智能	Harvard CS50: Introduction to AI with Python
深度学习	Coursera: Deep Learning

3. 心有所属（核心课已扎实、方向已确定）

使用指南 指出：当核心专业课掌握扎实后，书中还有大量 CS 学习规划 未提到的课程可供深耕。同一分支下通常有来自不同学校、侧重不同的同类课程（例如操作系统分支同时收录 MIT、UCB、南京大学、哈工大四个版本），学习同类课程会从不同视角审视同一知识。作者还计划联系相关领域科研工作者分享细分领域的科研学习路径，弥补深度。

六、知识体系全景：从数学基础到大语言模型的 20+ 课程模块

导航配置 完整呈现了本书的知识地图，模块组织遵循“自底向上”的学科依赖关系，可作为规划自学顺序的索引：

• 数学基础：MIT 18.01/18.02 微积分、MIT 18.06 线性代数、MIT 6.050J 信息论与熵；
• 数学进阶：UCB CS70、UCB CS126 概率论、MIT 6.042J、MIT 18.330 数值分析、Stanford EE364A 凸优化、信息论/模式识别/神经网络课程；
• 编程入门：MIT-Missing-Semester、Sysadmin DeCal，以及 Python（CS61A、CS50P、MIT 6.100L）、C（Harvard CS50、Duke）、C++（AUT1400、Stanford CS106B/X、CS106L）、Java（MIT 6.092）、Rust（Stanford CS110L、KAIST CS220/CS431）、函数式（Cornell CS3110、Haskell MOOC）；
• 电子基础：EE16A&B、UCB EE120 信号与系统、MIT 6.007；
• 数据结构与算法：CS61B、Coursera Algorithms I & II、MIT 6.006、MIT 6.046、UCB CS170；
• 软件工程：MIT 6.031、UCB CS169、CMU 17-803；
• 计算机系统基础：CMU 15-213 CSAPP、Stanford CS110；
• 体系结构：Nand2Tetris、UCB CS61C、ETH DDCA、ETH Computer Architecture；
• 操作系统：MIT 6.S081、UCB CS162、NJU OS、HIT OS；
• 并行与分布式系统：CMU 15-418/Stanford CS149、MIT 6.824；
• 系统安全：UCB CS161、MIT 6.1600、MIT 6.858、ASU CSE365/CSE466、SU SEED Labs；
• 计算机网络：UCB CS168、Stanford CS144、USTC 自顶向下、Top-Down Approach；
• 数据库系统：UCB CS186、CMU 15-445、Caltech CS122、Stanford CS346、CMU 15-799；
• 编译原理：PKU、Stanford CS143、NJU、KAIST CS420、USTC、SJTU 六个版本；
• 编程语言设计与分析：Stanford CS242、NJU/PKU 软件分析、Cambridge 语义学；
• 计算机图形学：GAMES101/103/202、Stanford CS148、CMU 15-462、USTC CG；
• Web 开发：MIT Web 开发、Stanford CS142、Full Stack Open、CS571；
• 数据科学：UCB Data100；
• 人工智能：Neural Networks: Zero to Hero、Harvard CS50 AI、UCB CS188；
• 机器学习：Coursera ML、Stanford CS229、UCB CS189；
• 机器学习系统：CMU 15-442、智能计算系统、CMU 10-414、MIT TinyML、MLC、UCSD CSE234；
• 深度学习：Coursera DL、李宏毅机器学习、CMU 11-785、MIT 6.7960、NYU DLSP21、UMich CV、Stanford CS231n/CS224n/CS224w、UCB CS285；
• 深度生成模型：学习路线图、MIT 6.S184，以及大语言模型子模块（CMU 11-868、11-667、11-711）——这是 v1.2.0 版本新增的重点方向；
• 机器学习进阶：学习路线图、CMU 10-708、Columbia STAT8201、U Toronto STA4273、Stanford CS229M。

CS 学习规划 进一步补充了前置学习建议：开始系统学习前先看科普向的 Crash Course: Computer Science 系列视频建立全貌认知；必学工具部分强调“学会提问”（推荐《提问的智慧》）、命令行（《命令行的艺术》）、IDE 选择、环境配置（Mac/Windows/服务器端），课程地图中除含“基础/入门”字眼的类别外无严格先后次序，只要满足先修要求即可自选。

七、仓库结构与贡献方式：这本书是如何维护的

理解这本书的组织方式，也有助于你以贡献者身份参与。

课程页面的统一模板

每门课程都按 课程模板（英文版 template.en.md）撰写，结构固定为：

# 课号：课程名称
## 课程简介   —— 所属大学 / 先修要求 / 编程语言 / 课程难度（星级）/ 预计学时，
               外加课程知识点范围、同类课程对比优势、学习体验、自学注意点
## 课程资源   —— 课程网站 / 视频 / 教材 / 作业
## 资源汇总   —— 学习者在独立仓库中维护的资料与作业实现
## 备注       —— Markdown 排版规范（含中英混排排版约定）

模板要求贡献者写明“与同类课程相比的优势与特点”和“踩过的坑、难度预警”，这正是前言所说的“介绍课程特点并给出自学建议”的落地形式。

站点构建与双语支持

从 依赖清单 和 mkdocs 配置 可以看到，本书基于 MkDocs Material 主题（mkdocs-material==9.5.2）构建静态站点，配套插件包括：

• mkdocs-static-i18n：支持简体中文（默认）与 English 双语站点，mkdocs.yml 中的 nav_translations 维护了全部导航条目的中英对照（如“必学工具 → Productivity Toolkit”“操作系统 → Operating Systems”），所以每个模块都有 .md/.en.md 成对文件；
• search：中英双语全文检索（lang: [zh, en]），并开启 search_index_only 仅索引正文；
• git-revision-date：展示页面最近修改日期；minify：压缩 HTML；open-in-new-tab：外链新窗口打开。

README 中的贡献流程：对任意章节提 Pull Request；贡献新课程时参考 template.md，在 mkdocs.yml 的 navigation 中添加条目，并建议在 CS 学习规划 对应模块加言简意赅的导语；推荐书籍按 好书推荐 顶部注释的格式添加；贡献内容需同时提供英文翻译。作者同时坦承：个人方向偏系统领域，数学、理论计算机、高级算法内容相对较少，欢迎相应领域的大佬通过 Pull Request 或邮件补充。

社区与致谢

本书支持页面评论功能：想自学某课程可自行建群（QQ/微信均可），在对应课程页下方评论注明学习目标与入群方式；issue 区也有历史群聊信息。前言的“特别鸣谢”一节感谢了所有无偿开源课程资源的教授们——这些课程倾注了数十年教学生涯的积淀却向所有人开放，正是“好老师讲好课”这一信念的具象化。

八、结语：如何开始

回到 前言 给出的定位：这本书更像“一个根据我的体验来排序的课程搜索引擎”，帮你足不出户体验世界顶级名校的计算机优质课程。建议的起点是：

1. 先读 使用指南，对号入座（初入校园 / 删繁就简 / 心有所属）；
2. 按对应的课程表从 CS 学习规划 中的先修要求起步，零基础可从 CS61A 这类“零先修、重框架、强反馈”的课程切入；
3. 同步补齐 必学工具（Git、Shell、Vim 等）与 好书推荐 中对应领域的教材；
4. 学习受阻时利用页面评论功能加入对应课程的学习群，或参考 后记 中作者对本科教育诚意的反思，保持“你在变强”的信念。

正如 README 引用的那句话：Everyone should enjoy CS if you have a good teacher to teach you a good course——这本书的价值，就是为你找到这些好课。