哈佛AI免费中级
CS50 人工智能导论（Python）CS50's Introduction to Artificial Intelligence with Python
课程分 7 个单元：搜索、知识表示、不确定性、优化、机器学习、神经网络、语言模型。每单元有 1 节讲座视频和 Python 编程项目。项目提交后自动评分。
我们翻遍了哈佛、斯坦福、MIT、耶鲁、普林斯顿五所学校的官方在线课程，挑出 58 门 AI 课和 59 门我们认为最经典的课。每门课都有中文名、中文介绍、讲师、先修要求和官方链接。全部可以免费学，部分平台的结业证书收费。
先在下方筛选学校和类别，找到感兴趣的课。点课程名，看中文介绍：学什么、为什么值得学、要先会什么。决定要学，再点“课程主页”去官方页面看视频、讲义和作业。
收录标准有两条。第一，必须是学校官方渠道发布的课：学校的开放课程网站、课程官网、官方 YouTube 频道、edX 或 Coursera。第二，可以免费学完主要内容。Coursera 和 edX 上的课标“免费旁听”：视频和讲义免费，结业证书收费。
点学校名，直接筛出这所学校的课。
MIT OpenCourseWare 免费开放 2500 多门课的讲义、作业和录像，许可证允许非商业再分享。
Open Yale Courses 完整录下了心理学、金融、哲学、历史的名师课堂；Coursera 上的幸福课是平台史上最热门的课之一。
Sedgewick 的算法课是 Coursera 上的常青树；陈丹琦、Narayanan 的课程网站公开了 LLM 与 AI 社会影响的阅读清单。
不知道从哪门开始？按顺序学下面任意一条。
AI 课在前，经典课在后。同一所学校内，按我们推荐的优先级排序。
课程分 7 个单元：搜索、知识表示、不确定性、优化、机器学习、神经网络、语言模型。每单元有 1 节讲座视频和 Python 编程项目。项目提交后自动评分。
系列共 9 门课，全部用 R 语言。顺序是：R 基础、可视化、概率、推断与建模、效率工具、数据整理、线性回归、机器学习、毕业项目。每门课都用真实数据做案例。
这门课是哈佛 CS109 数据科学课前半部分的在线版。内容有线性回归、多项式回归、kNN、逻辑回归、过拟合、正则化。全程用 Python、pandas、scikit-learn 写代码。
这门课接在《Python 数据科学导论》之后。主题是树模型：决策树、Bagging、随机森林、Boosting、AdaBoost。每个主题都有 Python 笔记本练习。
系列共 3 门课：基础、应用、部署。内容有机器学习基础、关键词唤醒、视觉唤醒词。最后用 TensorFlow Lite Micro 把模型烧录到 Arduino 开发板上运行。
这是一套 2 卷本开放教材，讲机器学习系统怎样搭建和运行。内容有数据流水线、训练、效率优化、硬件加速、部署与运维。配套有实验笔记本、35 套讲义幻灯片、TinyTorch 动手模块。
这是一门研究生研讨课，讲前沿大模型的对齐与安全。课堂由讲座和 AI 实验室研究者的客座报告组成。主题有奖励投机、可解释性、模型行为规范、AI 对社会和经济的影响。
课程讲监督学习、学习理论、无监督学习和强化学习的数学推导。SEE 站提供 2008 年全套视频、字幕稿、讲义和 4 套习题。2018 年版视频在 Stanford Online YouTube 频道。
课堂讲深度学习直觉、项目策略、对抗样本、可解释性和职业建议。技术细节部分配套 Coursera 的 Deep Learning Specialization 视频。公开的是 2018 年的 10 讲课堂视频。
课程从零实现图像分类器，再讲卷积网络结构、训练技巧、注意力与 Transformer、检测、分割、生成模型和视觉语言模型。作业用 NumPy 和 PyTorch 手写实现。
课程从词向量和依存句法分析讲起，经过 RNN、注意力和 Transformer，到预训练、后训练和大模型评测。作业用 PyTorch 完成，最后做一个项目。
课程讲在网络数据上做机器学习：节点嵌入、图神经网络、知识图谱、推荐系统和图生成模型。练习使用 PyTorch Geometric。
课程按建模、推断、学习的框架讲人工智能：搜索、马尔可夫决策过程、博弈、约束满足、贝叶斯网络和逻辑。每个主题配 Python 编程作业。
课程从马尔可夫决策过程和表格方法讲到策略梯度、深度强化学习、离线强化学习、探索和人类反馈强化学习。作业覆盖基础方法、深度方法和 RLHF。
课程系统讲生成模型：自回归模型、变分自编码器、标准化流、GAN、能量模型、分数模型和扩散模型。课程网站提供讲义笔记。
这是一门研讨课。每次请一位前沿实验室或高校的研究者讲一场 Transformer 相关报告，主题包括大模型、多模态、智能体、机器人和神经科学。
学生亲手实现大模型的每个环节：分词器、Transformer、优化器、GPU 内核、并行训练、规模定律、数据过滤和对齐。作业代码量大，偏系统工程。
课程讲模型怎样在多个任务间共享知识、怎样快速适应新任务。内容包括多任务学习、迁移与微调、元学习、小样本学习、无监督预训练和领域自适应。
课程以文字讲义为主，讲大模型的能力、危害、数据、安全、法律、建模、训练、规模定律和适配方法。学生要读论文、写评述并做项目。
课程讲机器学习上线后的工程问题：数据管道、特征工程、模型部署、监控、分布漂移和持续学习。课程网站公开了详细讲义和幻灯片。
课程讲怎样从人的比较和选择中学习：偏好模型、奖励学习、RLHF、直接偏好优化、主动采集偏好，以及偏好聚合的经济学和伦理问题。
3 门课的入门序列：回归与分类、神经网络与决策树、聚类、异常检测、推荐系统和强化学习。每周配 Python 实验。
3 门课讲贝叶斯网络和马尔可夫网络：表示、精确推断与近似推断、参数学习与结构学习。课程有编程作业和测验。
课程按免费教材《统计学习导论》（ISL）讲回归、分类、重采样、正则化、树模型、支持向量机、深度学习和生存分析。每章配 Python 实验。
课程讲机械臂的数学基础：空间描述、正逆运动学、雅可比矩阵、动力学、轨迹规划和控制。配 6 套习题和全部字幕稿。
这门课覆盖经典 AI 的主干：搜索、规则推理、约束传播、博弈和早期机器学习。课程有讲座视频、习题大课视频、Python 实验和历年测验。
这门课从神经网络基础讲起，讲到序列模型、视觉、生成模型、强化学习和大模型。每年发布讲座视频、幻灯片和 GitHub 上的实验代码。
这是 MIT 本科机器学习核心课。内容包括线性分类、回归、梯度下降、神经网络、CNN、RNN、聚类和强化学习入门。全部材料放在 MIT Open Learning Library，有讲义、练习、实验和作业。
这是研究生机器学习课，偏统计视角。内容包括回归、分类、SVM、核方法、Boosting、混合模型、EM、隐马尔可夫模型和图模型。课程只有讲义，另有作业和考试及答案。
这门课用正则化的视角讲学习理论。内容包括核方法、正则化最小二乘、SVM、随机梯度方法、稀疏性和深度网络的泛化理论。讲义是 Rosasco 和 Poggio 的书稿，课堂录像在 CBMM 的 YouTube 频道。
Strang 用线性代数解决数据问题。内容包括 SVD、低秩近似、PCA、最小二乘、随机算法、梯度下降和深度网络的结构。课程配套他的书 Linear Algebra and Learning from Data。
这是研究生深度学习课，讲网络为什么有效。内容包括网络结构、优化、泛化、表示学习、Transformer、生成模型和规模化。课程有讲座视频、讲义、作业和期末项目指南。
这门课讲生成模型的主要流派：VAE、自回归模型、GAN、能量模型、分数匹配和扩散模型。课程官网公开幻灯片和作业，另有 2 场客座讲座。
这门短课从随机微分方程出发，推导流匹配和扩散模型，最后做出一个图像生成器。课程以讲义为主线（讲义也在 arXiv 上），另有幻灯片和 3 个 Colab 实验。
这门课讲怎样让神经网络变小、变快。内容包括剪枝、量化、神经架构搜索、蒸馏、单片机部署、大模型和扩散模型的高效推理、分布式训练和端侧训练。实验带你压缩一个大模型并在笔记本上运行。
这门课讲无法直接控制每个自由度的机器人怎样控制，例如步行、游泳和飞行机器人。内容包括非线性动力学、最优控制、轨迹优化、李雅普诺夫分析和强化学习。在线教材每章都有可运行的 Drake 代码。
这门课讲机器人抓取和移动物体时怎样感知、规划和行动。内容包括运动学、几何与深度感知、抓取规划、运动规划、力控制和学习型视觉运动策略。在线讲义每章都能在 Drake 仿真里运行。
这门课从物理和几何推导计算机视觉。内容包括成像原理、光流、光度立体、明暗恢复形状、边缘检测、位姿估计和三维重建。课程有讲座视频、讲义、作业和考试。
这门课讲机器学习怎样用在临床数据上。内容包括风险分层、疾病进展建模、临床 NLP、医学影像、因果推断、治疗决策的强化学习、公平性和可解释性。OCW 有讲座视频和讲义，部分讲座请临床医生讲。
这是第二门编程课，用 Python 给问题建模。内容包括优化、图、随机游走、蒙特卡洛模拟、统计、曲线拟合，以及聚类和分类入门。课程有讲座视频、幻灯片、代码和作业。
这是 MIT 斯隆商学院的深度学习课，以写代码为主。学员用 Keras 处理表格、图像和文本数据，再学 Transformer 和大语言模型。课程有讲座视频、讲义、作业和代码。
这门短课讲怎样通过改进数据来改进模型。内容包括用置信学习找标注错误、处理类别不平衡、离群点和分布偏移、数据集整理、评估方法和大模型的数据处理。每讲有讲义和一个 Jupyter 实验。
这是面向工程师的伦理讨论课。学员读经典和现代文本，再结合 AI 案例，讨论 AI 开发者要承担什么责任。材料是阅读和观看清单、写作作业和小组项目。
这门课是耶鲁本科 AI 主干课，教材是 Russell 与 Norvig 的《人工智能：一种现代方法》第 4 版。内容从智能体和搜索讲起，再讲逻辑、规划、不确定性推理、机器学习、强化学习和自然语言处理。每讲有公开的讲义摘要页，作业用 Python 和 Jupyter 完成。
这门课研究怎样让计算机模拟人的决策。内容结合决策论、行为经济学和经典 AI 方法，例如专家系统、案例推理和基于目标的决策模型。学生用 Python 实现决策系统，讲义页和 Jupyter 笔记本公开。
这门课讲图神经网络（GNN）：图学习任务、GNN 设计与表达能力、可扩展架构、图注意力与图 Transformer、自监督学习、知识图谱嵌入、图生成模型、LLM 与图。课程网站提供每讲幻灯片、书面作业和 Colab 编程作业。
这门研讨式研究生课讲怎样让深度模型可信。内容包括可解释性、LLM 机制可解释性、对抗攻击与防御、形式验证、隐私、机器遗忘、联邦学习、公平性和模型效率。网站可下载 16 份幻灯片、4 次书面作业和 3 次编程作业。
这门课用游戏做 AI 实验场。内容包括组合博弈与经典博弈论、逆向归纳与值迭代、蒙特卡洛树搜索、进化计算、神经网络、通用博弈和程序化内容生成。网站提供讲师自编讲义 PDF、示例代码和编程作业。
这门研究生研讨课按论文梳理第一代大语言模型。内容从 BERT、T5、GPT-3 讲到提示、上下文学习、缩放规律、RLHF 和多模态模型。课程官网公开完整阅读清单和大部分幻灯片，没有录像。
这门课是 COS 597G 的 2024 年升级版。内容覆盖架构、预训练数据、缩放与涌现、后训练与偏好学习、推理和测试时计算。官网公开每讲阅读清单和大部分幻灯片。
这是普林斯顿的本科 NLP 课。内容从 n-gram 语言模型和词向量讲到 Transformer、预训练、后训练和语言智能体。官网公开讲义幻灯片、习题课幻灯片和 4 次作业。
这是为普林斯顿机器学习入门课写的免费讲义，共 20 章。内容从线性回归和梯度下降讲到神经网络、强化学习和机器学习伦理，书末附数学基础。提供整本 PDF 和分章 PDF。
这门课讲机器学习要用的数学：线性代数与矩阵分解、向量微积分、概率与蒙特卡洛、优化。2020 版官网公开幻灯片、Colab 笔记本和作业。部分单元有短视频讲解。
这门研究生研讨课问一个问题：深度学习为什么有效。内容包括非凸优化、神经正切核、过参数化网络的泛化、隐式正则化和对抗样本。官网公开讲义和书稿。
这门研究生理论课讲统计学习理论、对抗环境下的在线学习、机器学习中的优化、控制与强化学习。教材全部免费，包括 Hazan 自己写的《在线凸优化导论》和《在线控制导论》。
这门研讨课围绕一份 AI 风险阅读清单展开。主题包括能力与缩放、奖励设定错误、宪法式 AI、红队测试、可解释性和 AGI 的经济影响。官网公开每个主题的必读和选读材料。
一位计算机学者和一位社会学者一起追问：数据够多、算法够好，是否一切都能预测？每个单元配一个领域和一组论文，包括地缘政治、天气、疾病、广告推荐和人生轨迹。官网公开日程和大部分阅读材料。
这是普林斯顿的本科计算机视觉课。内容从滤波、边缘检测和图像分割讲到光流、跟踪、识别、三维重建和深度学习方法。存档页面保留讲义、4 次作业和带答案的期中模拟题。
这是哈佛的计算机入门课，每年更新。课程从 Scratch 开始，再用 C 语言讲内存和算法，然后学 Python、SQL、HTML、CSS、JavaScript、Flask。最后自选题目做 1 个期末项目。
这门课只讲 Python，面向零基础。内容有函数、条件、循环、异常、单元测试、第三方库、文件读写、正则表达式、面向对象。每周有自动评分练习，最后做 1 个项目。
桑德尔在大礼堂里用道德难题引导学生辩论。课程借此讲解功利主义、自由至上主义、康德、罗尔斯、亚里士多德。后半部分把这些理论用到市场、平权行动、同性婚姻上。
这是一门完整的本科概率论。内容有计数、条件概率、随机变量、期望、常见离散与连续分布、联合分布、极限定理、马尔可夫链。讲师用“故事证明”和大量例题讲解。
普鸣把孔子、孟子、老子、庄子、荀子当作生活指南来读。课程讨论礼、修身、日常习惯怎样改变一个人。形式是视频讲座加讨论与练习。
系列共 10 部分，从青铜时代讲到当代的中华人民共和国、台湾、香港。每部分由短讲座、博物馆文物、原始文献、学者对谈组成。
这门短课围绕鬼魂细读《哈姆雷特》。内容有伊丽莎白时代人怎样看亡灵、剧本怎样表现怀疑与记忆、演员怎样处理鬼魂一场。形式是视频讲解加原文细读。
哈佛设计研究生院的教师把古今重要建筑当作文化文本来解读。课程同时带学习者做基础的绘图和建模练习。
物理学家和化学家用软物质科学解释烹饪。内容有传热、相变、乳化、凝胶、酶。课程有居家小实验，还有名厨现场演示。
课程用美国著名演讲和辩论做案例，从林肯、马丁·路德·金讲到当代政治人物。学习者学古典修辞工具，并分析和写作自己的论证。
这是哈佛法学院的美国合同法入门。课程从“承诺”的道德含义讲起，再讲要约与承诺、对价、合同解释、违约与救济。全程用经典判例讲解。
斯坦福的第一门编程课（Java 版）。课程从 Karel 机器人讲起，再讲对象、图形、事件、数组和数据结构。7 个作业多是小游戏，例如打砖块和快艇骰子。
第二门编程课，用 C++ 讲抽象数据类型、递归与回溯、算法分析、排序、链表、树、哈希和图。作业包括 Boggle 拼字和寻路程序。
课程讲程序在底层怎样运行：C 指针与内存布局、简化汇编模型、线程与信号量并发，再讲 Scheme 函数式编程和 Python。
课程讲傅里叶级数与傅里叶变换、卷积、广义函数与 δ 函数、采样与混叠、DFT 与 FFT、线性系统和高维变换。配 Osgood 编写的完整讲义书。
课程讲工程用的线性代数：最小二乘、QR 分解、特征值、Jordan 标准形、奇异值分解，再讲线性动态系统、能控性和能观性。作业用 MATLAB。
课程教你识别和求解凸优化问题：凸集与凸函数、LP、QP、SOCP、SDP、对偶理论和内点法，并讲信号处理、统计和控制中的应用。教材是 Boyd 与 Vandenberghe 的《凸优化》。
4 门课依次讲分治与随机算法、图搜索与最短路径与数据结构、贪心与动态规划、NP 完全问题及应对方法。每门课有编程作业和测验。
课程讲现代密码原语怎样工作、又怎样被攻破：流密码、分组密码、消息完整性、认证加密、密钥交换和公钥加密。可选编程项目要求攻击有漏洞的实现。
课程讲词法分析、语法分析、语义分析与类型检查、运行时组织、代码生成、优化和垃圾回收。可选项目是为教学语言 COOL 写一个完整编译器。
课程讲关系模型、关系代数和 SQL，从基础查询讲到子查询、聚合、连接和数据修改。形式是短视频加现场演示，配大量查询练习。
课程把进化、遗传、动物行为学、神经科学和内分泌学结合起来解释人类行为。后半段讲攻击、性、语言、宗教和精神疾病。全部是课堂录像。
Y Combinator 在斯坦福开的系列讲座。每讲由创始人或投资人讲一个主题：创意、产品、增长、招聘、融资、文化和运营。
这是线性代数核心课。内容包括线性方程组、向量空间和四个基本子空间、正交与最小二乘、行列式、特征值、对称正定矩阵和 SVD。课程有讲座视频、作业和考试及答案。
这门课把编程当成控制复杂度的方法，用 Scheme 语言讲。内容包括高阶函数、数据抽象、状态与赋值、流、元语言抽象，以及自己写解释器和编译器。1986 年录像按 SICP 教材顺序讲。
这是 MIT 大一物理的自学版。内容包括运动学、牛顿定律、圆周运动、动量、功和能、碰撞、转动和角动量。课程把短的概念视频和例题讲解交替排列，另有作业和考试。
这是标准的算法入门课。内容包括复杂度分析、排序、哈希、二叉搜索树、堆、图搜索、最短路径和动态规划。每讲有讲义，另有作业和考试及答案。
这是 6.006 的后续课。内容包括分治、均摊分析、随机算法、网络流、线性规划、NP 完全、近似算法、分布式算法和密码学算法。课程有讲座和习题课视频、讲义、作业和考试。
这是给计算机学生的离散数学课。内容包括证明与归纳、数论与 RSA、图论、计数、生成函数、概率和随机变量。课程配套同名免费教材（Lehman、Leighton、Meyer 著）。
这门课以读论文为主线，讲怎样构建容错的分布式系统。内容包括 MapReduce、GFS、Raft、主备复制、一致性、事务和 Spanner。学员用 Go 实现 Raft 和分片键值存储。
这门课用 xv6 讲操作系统。xv6 是一个运行在 RISC-V 上的小型类 Unix 教学内核。内容包括系统调用、页表、陷入、写时复制、锁、调度、文件系统和网卡驱动，每个主题都有一个改内核的实验。
这是给工科学生的概率入门课。内容包括概率模型、条件概率与贝叶斯公式、离散和连续随机变量、极限定理、伯努利过程与泊松过程、马尔可夫链和统计推断入门。课程有讲座视频、作业和考试及答案。
这是大一第一学期的微积分。内容包括导数及应用、近似、积分与微积分基本定理、积分技巧和无穷级数。课程有讲座视频、讲义、作业和考试。
这门短课讲程序员天天用、学校却不教的工具。内容包括 Shell、命令行环境、编辑器、调试与性能分析、Git、打包发布，2026 年版加入 AI 辅助编程和代码质量。每讲有讲义和视频。
这是微观经济学入门课。内容包括供给与需求、消费者与生产者理论、市场结构、福利、市场失灵、税收、不平等和行为经济学。讲课常联系现实政策。
这是耶鲁史上选课人数最多的课 PSYC 157「心理学与美好生活」的网络版。课程讲人们对幸福的误判、误判背后的认知偏差，以及有证据支持的幸福习惯。学员先测自己的幸福度，再用几周练习 1 个新习惯。
这门课概览心理学的主要领域：知觉、语言、记忆、学习、情绪、道德、性、睡眠、精神疾病和幸福，也讲这些能力怎样在儿童期发展。Open Yale 提供完整视频、文字稿、教学大纲和考试页。
这门哲学课追问死亡是什么、为什么重要：灵魂是否存在，人格同一性由什么构成，死亡对死者是否是坏事，永生是否值得，自杀在什么情况下合理。卡根逐步论证自己的立场，阅读材料包括柏拉图《斐多篇》和托尔斯泰。
这门课教策略思维：占优策略、纳什均衡、混合策略、逆向归纳、承诺、重复博弈、信号和拍卖。波拉克在课堂上带学生现场玩博弈，再把结论用到经济、政治和电影案例。
这门课讲金融怎样帮助社会管理风险。内容包括风险与分散、有效市场与行为金融、保险、银行、债券、股票、房地产、衍生品和监管，并有业界嘉宾讲座。希勒也讨论金融怎样服务美好社会。
这门课从一般均衡理论出发搭建金融学。内容包括现值、债券定价、房贷与提前还款、社会保障、不确定性、CAPM，以及讲师本人提出的「杠杆周期」理论如何解释 2008 年金融危机。习题用 Excel 完成，与对冲基金的建模方式一致。
这门课梳理美国内战的起因、过程和后果，时间从 1840 年代的南北分裂到重建时期结束。重点是奴隶制与解放、总体战，以及后人怎样记忆这场战争。阅读材料是原始文献选集，另有电影作业。
这门课概览 20 世纪文学理论：阐释学、俄国形式主义、新批评、结构主义、解构主义、精神分析与马克思主义批评、新历史主义、女性主义、酷儿理论和后殖民理论。弗莱用每个流派的代表文本讲解，再拿具体段落做演示。
这门课按时间顺序精读西方政治思想经典：柏拉图、亚里士多德、马基雅维利、霍布斯、洛克、卢梭和托克维尔。课程围绕 4 种政体观念展开：城邦、主权国家、宪政政府和民主。
这门课以进化论为主线入门生物学。内容包括自然选择、遗传漂变、物种形成、生活史进化、有性生殖、种群与群落生态，以及合作与配偶系统这类行为生态问题。课程附加拉帕戈斯群岛影像网站和 2 次期中考试。
这门课是用微积分讲授的大学物理第 1 学期。内容包括牛顿力学、能量与动量、刚体转动、引力、狭义相对论、振动、波、流体和热力学，重点训练解题。续课 PHYS 201 讲电磁学、光学和量子力学。
这门课集中讲 3 个研究热点：系外行星、黑洞、暗能量与宇宙膨胀。每部分先讲必需的物理知识，再讲天文学家怎样检验相互竞争的假说。课程提供习题集和 1 篇可选论文作业。
这是普林斯顿数据结构与算法课的前半部分。内容包括并查集、栈与队列、归并排序、快速排序、二叉搜索树和散列表。所有算法用 Java 实现，编程作业自动评分。
后半部分讲图算法和字符串算法。内容包括深度优先与广度优先搜索、最小生成树、最短路径、最大流、字典树、子串查找和数据压缩。同样用 Java 实现，配编程作业。
这是普林斯顿计算机入门课 COS 126 的前半部分。课程用 Java 和科学计算例子讲编程：数据类型、循环、数组、函数、递归、性能分析和面向对象。共 10 个单元。
这是 COS 126 的后半部分。内容先讲排序、查找和符号表，再讲图灵机、可计算性和难解性，最后讲机器语言、逻辑电路，并搭出一个完整 CPU。
课程讲如何用符号方法把组合结构写成生成函数，再用复分析求出系数的精确渐近估计。8 个单元从普通生成函数讲到奇点分析和鞍点法。
课程讲如何用数学精确预测算法的性能。内容包括递推关系、生成函数和渐近分析，再用到树、排列、字符串和字典树上。
课程从技术上讲比特币如何运作。内容包括哈希与签名、去中心化共识、工作量证明、交易脚本、钱包、挖矿、匿名性和监管。3 个单元配编程作业。
课程讲现代处理器如何设计。内容包括指令集、流水线、缓存、超标量与乱序执行、分支预测、虚拟内存、GPU、多处理器和缓存一致性。配习题、期中和期末考试。
彼得·辛格主张，道德的生活就是尽自己所能做最多的好事。课程讲伦理理论、富裕者对极端贫困者的义务、如何评估慈善机构和如何选择职业。GiveWell 等机构的人作为嘉宾参与。
一位社会学家把战争看作人性的产物，也看作社会建构。课程结合军事史和社会学，讲战争的起因、军队与战术、征服与种族灭绝，以及战争与国家、民族主义的关系。最后讲叛乱和恐怖主义。
一位天体物理学家结合天文学、生物学和行星科学，追问地球之外是否有生命。内容包括宜居带、金星和火星的大气、系外行星探测、极端微生物和费米悖论。
课程讨论美国宪法解释中最难的问题。内容包括几种对立的宪法解释理论、司法审查的历史发展，以及法院如何保护宗教自由、言论自由和财产权。
没有符合条件的课。换个筛选条件试试。
课程视频、讲义、作业和学校商标的版权归各校及授课教师所有。部分课程采用知识共享许可（例如 MIT OpenCourseWare 采用 CC BY-NC-SA 4.0），允许非商业再分享；其余课程保留全部权利。每门课的许可证写在课程介绍页上。
本栏目只做两件事：写原创中文介绍，链接到官方页面。我们没有转载课程视频或讲义。发现链接失效或信息有误，请在社群里告诉我们。