《Machine Learning》雜志的收稿范圍和要求是什么？
來源：優(yōu)發(fā)表網(wǎng)整理 2024-09-18 10:51:02 702人看過
《Machine Learning》雜志收稿范圍涵蓋計算機科學(xué)全領(lǐng)域，此刊是該細(xì)分領(lǐng)域中屬于非常不錯的SCI期刊，在行業(yè)細(xì)分領(lǐng)域中學(xué)術(shù)影響力較大，專業(yè)度認(rèn)可很高，所以對原創(chuàng)文章要求創(chuàng)新性較高，如果您的文章質(zhì)量很高，可以嘗試。
平均審稿速度 較慢,6-12周 ，影響因子指數(shù)4.3。
該期刊近期沒有被列入國際期刊預(yù)警名單，廣大學(xué)者值得一試。
具體收稿要求需聯(lián)系雜志社或者咨詢本站客服，在線客服團隊會及時為您答疑解惑，提供針對性的建議和解決方案。
出版商聯(lián)系方式：SPRINGER, VAN GODEWIJCKSTRAAT 30, DORDRECHT, NETHERLANDS, 3311 GZ
其他數(shù)據(jù)
| 是否OA開放訪問： | h-index： | 年文章數(shù)： |
| 未開放 | 135 | 164 |
| Gold OA文章占比： | 2021-2022最新影響因子（數(shù)據(jù)來源于搜索引擎）: | 開源占比（OA被引用占比）： |
| 46.75% | 4.3 | 0.42... |
| 研究類文章占比：文章 ÷（文章 + 綜述） | 期刊收錄： | 中科院《國際期刊預(yù)警名單（試行）》名單： |
| 99.39% | SCIE | 否 |
歷年IF值(影響因子)：
歷年引文指標(biāo)和發(fā)文量：
歷年中科院JCR大類分區(qū)數(shù)據(jù)：
歷年自引數(shù)據(jù)：
發(fā)文統(tǒng)計
2023-2024國家/地區(qū)發(fā)文量統(tǒng)計：
| 國家/地區(qū) | 數(shù)量 |
| USA | 53 |
| England | 42 |
| GERMANY (FED REP GER) | 39 |
| CHINA MAINLAND | 31 |
| Japan | 28 |
| France | 25 |
| Australia | 17 |
| India | 16 |
| Italy | 12 |
| Netherlands | 12 |
2023-2024機構(gòu)發(fā)文量統(tǒng)計：
| 機構(gòu) | 數(shù)量 |
| UNIVERSITY OF LONDON | 13 |
| NANJING UNIVERSITY | 12 |
| RIKEN | 12 |
| UNIVERSITY OF TOKYO | 12 |
| SLOVENIAN ACADEMY OF SCIENCES & ... | 10 |
| IMPERIAL COLLEGE LONDON | 9 |
| INESC | 9 |
| UNIVERSITY OF OXFORD | 9 |
| CENTRE NATIONAL DE LA RECHERCHE ... | 8 |
| INSTITUT POLYTECHNIQUE DE PARIS | 8 |
近年引用統(tǒng)計：
| 期刊名稱 | 數(shù)量 |
| J MACH LEARN RES | 166 |
| MACH LEARN | 138 |
| IEEE T PATTERN ANAL | 47 |
| ANN STAT | 43 |
| IEEE T INFORM THEORY | 31 |
| J AM STAT ASSOC | 25 |
| PATTERN RECOGN | 25 |
| NEUROCOMPUTING | 23 |
| NEURAL COMPUT | 22 |
| IEEE T KNOWL DATA EN | 20 |
近年被引用統(tǒng)計：
| 期刊名稱 | 數(shù)量 |
| IEEE ACCESS | 881 |
| REMOTE SENS-BASEL | 361 |
| SENSORS-BASEL | 221 |
| EXPERT SYST APPL | 202 |
| APPL SCI-BASEL | 187 |
| SCI REP-UK | 186 |
| NEUROCOMPUTING | 168 |
| INFORM SCIENCES | 138 |
| MACH LEARN | 138 |
| ENTROPY-SWITZ | 133 |
近年文章引用統(tǒng)計：
| 文章名稱 | 數(shù)量 |
| Temporal pattern attention for m... | 18 |
| The online performance estimatio... | 17 |
| Manifold-based synthetic oversam... | 13 |
| Emotion in reinforcement learnin... | 12 |
| Meta-QSAR: a large-scale applica... | 11 |
| Analysis of classifiers' robustn... | 11 |
| Bootstrapping the out-of-sample ... | 10 |
| Similarity encoding for learning... | 10 |
| ML-Plan: Automated machine learn... | 10 |
| Instance spaces for machine lear... | 9 |
聲明：以上內(nèi)容來源于互聯(lián)網(wǎng)公開資料，如有不準(zhǔn)確之處，請聯(lián)系我們進行修改。
