在线课程推荐¶
公开课程和实验可以补充课堂学习，但网页上的教师名单、考核比例、作业数量、讨论入口和校外评测权限都可能随学期变化。本页只描述当前页面可确认的资源范围，不把历史课程页当作南京大学当期教学安排。
资源来源不等于学校官方发布
nju.edu.cn 之外的课程网站、GitHub Pages 和仓库可能由授课者、课程团队、研究组、学生或第三方社区维护。它们可以是一手教学资料，但不因此成为南京大学校级官方页面。当前课程要求始终以教务系统和课程团队当学期通知为准。
🏛️ 1. 南京大学相关一手教学资料¶
| 课程或主题 | 维护与来源性质 | 可确认的公开内容 | 使用边界 |
|---|---|---|---|
| 操作系统：设计与实现 | Yanyan's Wiki，个人课程站点 | 当前课程入口及往年课程存档 | 页面内容按学期更新；只把对应学期页面用于了解该学期安排。 |
| 计算机系统基础实验（PA） | PA 实验指导书，课程项目文档 | 多个学年的实验指导书入口 | 不据此推断所有教学班都采用同一实验、架构或考核方式。 |
| 离散数学讲义 | 公开讲义仓库，GitHub 课程资料仓库 | 讲义源码、阅读材料与历史周历 | 仓库是公开教学材料，不代表当前学期仍按历史周历授课。 |
| 编译原理讲义 | 公开讲义仓库，GitHub 课程资料仓库 | 历年讲义目录及配套资源 | 这是资料仓库而非已确认的当前课程主页；作业语言、工具和数量需另查当期通知。 |
| 软件分析 / Tai-e | Tai-e 教学与课程主页，课程项目站点 | 教学版项目、实验页面、公开代码及课程视频入口 | 公开页面不保证在线评测或讨论系统向所有校外用户开放，也不说明当前校内考核比例。 |
👥 2. 学生社区与第三方课程索引¶
以下页面不是南京大学官方课程页，也不是课程要求的权威来源：
| 资源 | 来源性质 | 建议用途 |
|---|---|---|
| ICS Wiki | 学生社区维护 | 可用于发现经验和资源入口；其中教师评价、班级差异、考核比例、考试与给分描述均需回到当期课程通知核验。 |
| CS 自学指南：NJU 操作系统 | 第三方社区自学指南 | 页面主要记录 2022 版课程及作者自学体验，其中“5 个 MiniLab、4 个 OSLab”等描述不是 2026 课程事实；用于理解课程思路时应同时打开对应年份的课程页。 |
| CS 自学指南：NJU 编译原理 | 第三方社区自学指南 | 可作为学习路线和外部资源索引，不据此判断当前作业、评测、讨论群或教师安排。 |
| CS 自学指南：NJU 软件分析 | 第三方社区自学指南 | 可辅助了解主题与先修建议；课程事实应回到 Tai-e 页面和当期通知。 |
2026-07-14 检查 CS 自学指南源仓库 文件树时，名称中含 NJU 的中文课程专页即上述操作系统、编译原理和软件分析三项；英文文件是对应页面的翻译，不另计课程。该结论只描述当日仓库目录，后续新增页面应在复核时补入。
🌍 3. 校外大学公开课程¶
下表链接课程所属大学或课程团队的页面。这里的“建议用途”是本指南给出的自学建议，不表示与南京大学课程一一对应。
| 课程 | 一手入口 | 建议用途与访问说明 |
|---|---|---|
| CMU 15-213: Introduction to Computer Systems | CMU 课程页 | 建议用于补充程序员视角的计算机系统知识。课程页会随学期更新，部分提交、讨论与评测服务只面向选课学生。 |
| MIT 6.1810: Operating System Engineering（原 6.S081） | MIT PDOS 2025 课程存档 | 建议结合 xv6 阅读实验说明和源码；存档可达不代表当前仍接受外部提交。 |
| Stanford CS144: Introduction to Computer Networking | 课程团队页面 | 建议通过网络协议与编程实验加深理解。公开讲义、代码和校内 Canvas 的访问范围不同。 |
| MIT 6.006: Introduction to Algorithms | MIT OpenCourseWare | 官方 OCW 存档包含讲义、视频与习题，适合补充算法设计、正确性与复杂度分析。 |
| Stanford CS231n: Deep Learning for Computer Vision | Stanford 课程页 | 建议已有 Python、微积分、线性代数和概率基础后使用。当前页面明确区分公开资料与仅选课学生可访问的课程视频。 |
商业第三方课程平台¶
Machine Learning Specialization 由 DeepLearning.AI 与 Stanford Online 合作并通过 Coursera 提供。它是商业第三方平台课程，不是南京大学课程；注册、免费旁听、付费、证书和作业访问范围以 Coursera 当前页面为准。本指南仅建议需要结构化机器学习入门路线的读者评估其内容是否合适。
🧠 4. 自学建议¶
- 先确认范围：阅读课程首页、先修要求、许可证和访问说明，再决定使用视频、讲义还是实验。
- 以产出安排节奏：可以按“读完一个主题并完成一个公开练习”制定计划，不必追求固定的每周视频数量。
- 不要假设评测可用：外部用户无法使用 Autograder、Canvas、Gradescope、讨论区或课程机器时，可依据公开测试、样例和自测脚本验证，但不要尝试绕过访问控制。
- 遵守学术诚信：先查看课程对协作、参考代码和公开答案的规则。不要复制仍在使用的作业答案，也不要把课程可访问等同于允许重新分发。
- 回到校内要求：校外课程适合补充概念和实验，不替代南京大学当期课程指定的环境、提交方式和考核要求。
来源与核验¶
- 表中一手入口均于 2026-07-14 打开核验；学生社区和第三方平台已单独标注。
- 原编译课程地址
docs.compilers.cpl.icu在本轮 HTTPS 核验中超时，且原链接使用明文 HTTP，因此不再保留；改用可访问的公开讲义仓库。 - 最后核验：2026-07-14
- 复核要求：每学期重新确认课程入口、公开范围、许可证和学术诚信规则