这里简单推荐一些我看过的（有些看完了，有些看了部分）适合自学的学习资料，以供参考。因为我太懒了，所以覆盖的内容不全面，自学CS的同学也可以参考MIT的课表看看要学哪些内容。再次强调，上课不做题，等于白上课。
数学
MIT 18.06：线性代数
Harvard Stat110：概率论。印象深刻的有一句话，“Random variable is a function”。
MIT 6.042J：Mathematics for Computer Science. 在我看来最有趣的数学课，如果TA能少上几节课就好了:(
CS导论
MIT 6.001：Introduction to Computer Science and Programming in Python
数据结构与算法
MIT 6.006：Introduction to Algorithms，教材是CLRS。
MIT 6.046：Design and Analysis of Algorithms. 进阶版，但其实前面那门课就已经内容不少了。
算法笔记：胡凡著。一位浙大学长写的使用c++实现基础数据结构与算法的书，写得挺清晰的，里面的代码也很实用。我现在面试之前还会翻一下这本书上一些算法的实现。
操作系统
CMU 15-213：教材是CSAPP。
MIT 6.824：分布式系统。不久前终于感人地放出视频了。
MIT 6.828：其实还没看，小伙伴都说好。
MIT 6.004：Computer Structure。偏硬件，老师讲得很好。
Modern Operating System
机器学习
浙大的同学来蹭蔡登老师的课>_<
Coursera Andrew NG的Machine Learning：机器学习之路从这里开始。
Stanford CS229：Machine Learning. Youtube上有视频。
CMU 15-701：Intro to Machine Learning. 就找到这么一年有视频的。
Coursera PGM：知名课程。
CMU 15-708：Probabilistic Graphical Model 我只看过两个Lecture。
下面有几本书，不过还是推荐和课程一起看。
Pattern Classification (PC)：比较老的书了，但是内容还是很有意义。
Elements of Statistical Learning：insight很多。
Pattern Recognition and Machine Learning (PRML)
Machine Learning: a Probabilistic Approach (MLAPP)
Information Theory, Inference, and Learning：可惜David J. C. MacKay英年早逝。
深度学习
Stanford CS231n：Deep learning for CV. 推荐深度学习从这里开始
Stanford CS224n：Deep learning for NLP.
Berkeley CS285：Deep RL. 我只挑着看了几个Lecture，小伙伴说好。