什么是SCI，SSCI CSSCI 目前，在国际科学界，如何正确评价基础科学研究成果已引起越来越广泛的关注。而被SCI、SSCI收录的科技论文的多寡则被看作衡量一个国家的基础科学研究水平、科技实力和科技论文水平高低的重要评价指标。那么，究竟什么是SCI和SSCI呢？一、SCI SCI即《科学引文索引》(Science Citation Index），是由美国科学信息研究所（Institute for Scientific Information 简称ISI）创建的，收录文献的作者、题目、源期刊、摘要、关键词，不仅可以从文献引证的角度评估文章的学术价值，还可以迅速方便地组建研究课题的参考文献网络。SCI创刊于1961年。经过40年的发展完善，已从开始时单一的印刷型发展成为功能强大的电子化、集成化、网络化的大型多学科、综合性检索系统。 SCI从来源期刊数量划分为SCI和SCI-E。SCI指来源刊为3500多种的SCI印刷版和SCI光盘版（SCI Compact Disc Edition, 简称SCI CDE），SCI-E（SCI Expanded）是SCI的扩展库，收录了5600多种来源期刊，可通过国际联机或因特网进行检索。SCI涵盖学科超过100个，主要涉及农业、生物及环境科学；工程技术及应用科学；医学与生命科学；物理及化学；行为科学。二、SSCI SSCI即社会科学引文索引（Social Sciences Citation Index），为SCI的姊妹篇，亦由美国科学信息研究所创建，是目前世界上可以用来对不同国家和地区的社会科学论文的数量进行统计分析的大型检索工具。1999年SSCI全文收录1809种世界最重要的社会科学期刊，内容覆盖包括人类学、法律、经济、历史、地理、心理学等55个领域。收录文献类型包括：研究论文，书评，专题讨论，社论，人物自传，书信等。选择收录(Selectively Covered)期刊为1300多种。三、CSSCI 科学引文索引是从文献之间的引证关系上，揭示科学文献之间的内在联系。通过引文的统计与分析，可以从一个重要侧面揭示学科研究与发展的基本走向，评价科学研究质量，为人文社会科学事业发展与研究提供第一手资料。由南京大学研制成功的“中文社会科学引文索引”（CSSCI）是国家、教育部重点研究项目。2000年该项目完成了CSSCI引文数据库的构建工作，相继研制成功了CSSCI数据库网络版和光盘版。经过数年的努力，现已开发的CSSCI（1998—2004年）7年数据并在国际互联网上和国内电讯网上向社会各界提供多种形式的查询服务，取得了明显的社会效益。该项成果填补了我国社会科学引文索引的空白，达到了国内领先水平。 目前，教育部已将CSSCI数据作为全国高校机构与基地评估、成果评奖、项目立项、人才培养等方面的重要考核指标。CSSCI数据库已被北京大学、清华大学、中国人民大学、武汉大学、吉林大学、山东大学、南京大学等100多个单位购买使用，并将CSSCI作为地区、机构、学术、学科、职称、项目、成果评价与评审的重要依据。 作为我国社会科学主要文献信息统计查询与评价的重要工具， CSSCI提供多种信息查询、检索途径，可以为社会科学研究者提供国内社会科学研究前沿信息和学科发展的历史轨迹；为社会科学管理者提供地区、机构、学科、学者等多种类型的统计分析数据，从而为制定科学研究发展规划、科研政策提供科学合理的决策参考。目前南京大学CSSCI数据库已向社会开展服务，服务项目有网上包库（包库机构在限定的IP地址范围内的任何一台计算机上、任意时间段使用CSSCI数据库）、网上查询（非包库用户通过网络查询CSSCI数据库）；委托查询（用户委托南京大学代为查询CSSCI数据库，出具查询报告）、手机查询（中国移动手机用户通过发送手机短信形式查询CSSCI数据库），详情可登录南京大学中国社会科学研究评价中心网站（）查询。
是SCI，2015年最新IF：11是13年后进入SCI核心库，16年第一次公布IF（2015的IF 和近5年的IF）。
SCI是科学检索，理工科一般看重这个，SSCI是经济等社会科学。前面两个被看做是国际最顶级的检索数据库，全文一般是用英文书写。CSSCI是属于国内的，是中国社会科学类的数据库，重要程度一般认为低于SSCI。
SCI：(Science Citation Index)是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。SCI(科学引文索引)、EI(工程索引 )、ISTP(科技会议录索引) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要。优助医学补充SCI 是由美国科学信息研究所创建的，收录文献的作者、题目、源期刊、摘要、关键词，不仅可以从文献引证的角度评估文章的学术价值，还可以迅速方便地组建研究课题的参考文献网络。经过40年的发展完善，已从开始时单一的印刷型发展成为功能强大的电子化、集成化、网络化的大型多学科、综合性检索系统。SCI-E(SCI Expanded)是SCI的扩展库，收录了8000多种来源期刊，可通过国际联机或因特网进行检索。SSCI指社会科学引文索引。社会科学引文索引为SCI的姊妹篇，亦由美国科学信息研究所创建，是目前世界上可以用来对不同国家和地区的社会科学论文的数量进行统计分析的大型检索工具。CSSCI中文社会科学引文索引英文全称为“Chinese Social Sciences Citation Index”，缩写为CSSCI。用来检索中文社会科学领域的论文收录和文献被引用情况。
无论是哪一类分区，SCI期刊都是划分为四个区，都是按照影响因子高低进行的划分，影响因子由一区至四区递减，一区最高，四区最低，所以，sci期刊中一区期刊学术价值和影响力是最大的，四区期刊在sci期刊中就是综合实力最弱的期刊。 对于作者来说，期刊分区越高，期刊的发表难度越大，一区期刊必然比四区期刊难以发表，一般普通作者很难发表一区期刊，能发表二区期刊对于国内作者来说就已经实属不易了，三区四区相对容易一些，但也只是相对于一区二区期刊，即便是四区期刊，也比国内核心期刊的发表难度高出不少。
你好，关于SCI分区，主要有两个，一个是中科院分区，一个是汤森路透分区，他们都有四个区，你是的一区和二区，我分别给你说一下你就明白了。中科院分区：前5%为该类的1区，6%-20%为2区，21%-50%为3区，其余的为4区，该分区1-4区呈金字塔状分布，越往上杂志质量越高；汤森路透分区（简称ICR）：前25%（含25%）为Q1区，前25%-50%（含50%）为Q2区，前50%-75%（含75%）为Q3区，75%之后为Q4区，JCR的每个学科分类按照期刊的影响因子高低，平均分为Q1、Q2、Q3、和Q4这四个区的。拓展资料：中科院分区和JCR分区图中科院分区汤森路透（JCR）分区图片来源：百度
中科院自己划的。先是按学科，再按影响因子排列划分。SCI是美国《科学引文索引》的英文简称，[1]其全称为：Science Citation Index,，创刊于1961年，它是根据现代情报学家加菲尔德(Engene Garfield) 1953年提出的引文思想而创立的。时至今日加菲尔德仍是SCI主编之一。SCI是由ISI( Institute for Scientific Information I)美国科学情报所出版。现为双月刊。ISI除了出版SCI外，还有联机型据SCISEARCH。ISTP(Index to Scientific &Technical Proceeding)也由其出版。SCI是一部国际性索引，包括有：自然科学、生物、医学、农业、技术和行为科学等，主要侧重基础科学。所选用的刊物来源于94个类、40多个国家、50多种文字，这些国家主要有美国、英国、荷兰、德国、俄罗斯、法国、日本、加拿大等，也收录一定数量的中国刊物。SCI索引对科技工作者查阅最新文献、跟踪国际学术前沿、科研立项以及在具体的课题研究时及时了解国际动态都有很大帮助。
将所有SCI期刊按影响因子排序，前5%是一区，前20%是二区一般SCI论文分四个区，一区都是国际顶级期刊，二区次之，
Ning Zhou, William K Cheung, Guoping Qiu, and Xiangyang Xue, A Hybrid Probabilistic Model for Unified Collaborative and Content-based Image Tagging, to be published in IEEE Transaction on Pattern Analysis and Machine Intellgence, Wei Li, Yaduo Liu, Xiangyang Xue, Robust Audio Identification for MP3 Popular Music, ACM SIGIR 2010, Pages 627- Shile Zhang, Bin Li, and Xiangyang Xue, Semi-automatic dynamic auxiliary-tag-aided image annotation, Pattern Recognition, Vol 43, Iss 2, Feb 2010, Pages 470- Zhenfeng Zhu, Yue-Fei Guo, Xingquan Zhu, and Xiangyang Xue, Normalized Dimensionality Reduction using Nonnegative Matrix Factorization, Neurocomputing, Vol 73, Iss 10-12, June 2010, Pages 1783- Bin Li, Qiang Yang, and Xiangyang Xue, Can Movies and Books Collaborate? Cross-Domain Collaborative Filtering for Sparsity Reduction, in P International Joint Conferences on Artificial Intelligence (IJCAI 2009), California, USA Bin Li, Qiang Yang, and Xiangyang Xue, Transfer Learning for Collaborative Filtering via a Rating-Matrix Generative Model, in P 26th International Conference on Machine Learning (ICML 2009), Montreal, C Wei Zhang, Xiangyang Xue, Zichen Sun, Hong Lu, and Yue-Fei Guo, Metric learning by discriminant neighborhood embedding, Pattern Recognition, 41, 6, Page(s):2086-2096, Hangzai Luo, Yuli Gao, Xiangyang Xue, Jinye Peng, and Jianping Fan, Incorporating feature hierarchy and boosting to achieve more effective classifier training and concept-oriented video summarization and skimming, ACM Transactions on Multimedia Computing, Communications, and Applications, vol 4, issue 1, Jan Juyang Weng, Tianyu Luwang, Hong Lu, and Xiangyang Xue, Multilayer In-place Learning Networks for Modeling Functional Layers in the Laminar Cortex, Neural Networks, 2008 Special Issue, Advances in Neural Networks Research: IJCNN’07, 21, 2-3, Page(s):150-159, Juyang Weng, Tianyu Luwang, Hong Lu, and Xiangyang Xue, Multilayer In-Place Learning Network for Development of General Invariances, International Journal of Humanoid Robotics, 4, 2, Page(s):281-320, Bin Li, Xiangyang Xue, and Jianping Fan, A robust incremental learning framework for accurate skin region segmentation in color images, Pattern Recognition, V 40, Iss 12, Dec 2007, Page(s): 3621- Wei Zhang, Xiangyang Xue, Yue-Fei Guo, Zichen Sun, Mingmin Chi, and Hong Lu, Efficient Feature Extraction for Image Classification, Eleventh IEEE International Conference on Computer Vision, ICCV2007, Rio de Janeiro, Brazil, October 14-20, Bin Li, Mingmin Chi, Jianping Fan, and Xiangyang Xue, Support Cluster Machine, The 24th International Conference on Machine Learning, ICML 2007, Corvallis, OR, USA, June 20-24, 2007, Oregon, USA Wei Zhang, Xiangyang Xue, Zichen Sun, Yue-Fei Guo, and Hong Lu, Optimal Dimensionality of Metric Space for Classification, The 24th International Conference on Machine Learning, ICML 2007, Corvallis, OR, USA, June 20-24, Yue-Fei Guo, LideWu, Hong Lu, Zhe Feng, and Xiangyang Xue, Null Foley–Sammon Transform, Pattern Recognition , 2006, 39 11, Page(s):2248 – Hong Lu, Beng Chin Ooi, Heng Tao Shen, and Xiangyang Xue, Hierarchical Indexing Structure for Efficient Similarity Search in Video Retrieval, IEEE Transactions on Knowledge and Data Engineering, 18, 11, N 2006, Page(s): 1544- Wei Zhang, Xiangyang Xue, Hong Lu, and Yue-Fei Guo, Discriminant Neighborhood Embedding for Classification, Pattern Recognition, 39, Page(s): 2240- Wei Li, Xiangyang Xue, and Peizhong Lu, Localized audio watermarking technique robust against time-scale modification, IEEE Transactions on Multimedia, V 8, N 1, Feb 2006, Page(s):60- Yuli Gao, Jianping Fan, H Luo, Xiangyang Xue, and Ramesh Jain, Automatic Image Annotation by Incorporating Feature Hierarchy and Boosting to Scale up SVM Classifiers, Proceedings of the 14th annual ACM international conference on Multimedia, Santa Barbara, CA, Page(s): 901- Xingquan Zhu, Elmagarmid, AK, Xiangyang Xue, Lide Wu, and Catlin, AC, InsightVideo: toward hierarchical video content organization for efficient browsing, summarization and retrieval, IEEE Transactions on Multimedia, Vol 7, Iss 4, A 2005, pp 648- Wei Li, Xiangyang Xue, and Peizhong Lu, Robust Audio Watermarking Based on Rhythm Region Detection, IEE Electronics Letters 2005 vol 41(4), Page(s): 75- Linjun Yang, Hong Lu, Bei Wang, Xiangyang Xue, and Yap-Peng Tan, Shot boundary classification by temporal pattern discovery from Laplacian eigenmap, IEE Electronics Letters, 41, 17, A 2005, Page(s): 958-
我想帮你,不会操作,楼下的来吧
深度学习和机器学习的区别是，深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经中国络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经中国络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信中国（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。 深度学习的概念源于人工神经中国络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 深度学习的概念由Hinton等人于二00陆年提出。基于深度置信中国络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经中国络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。 比如，Langley（一99陆) 定义的机器学习是“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。（Machine learning is a science of the The field's main objects of study are artifacts, specifically algorithms that improve their performance with '） Tom Mitchell的机器学习(一99漆)对信息论中的一些概念有详细的解释,其中定义机器学习时提到，“机器学习是对能通过经验自动改进的计算机算法的研究”。（Machine Learning is the study of computer algorithms that improve automatically through ） Alpaydin（二00四）同时提出自己对机器学习的定义，“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”（Machine learning is programming computers to optimize a performance criterion using example data or past ） 尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机，电子计算机，中子计算机、光子计算机或神经计算机等等。 机器能否象人类一样能具有学习能力呢？一959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。四年后，这个程序战胜了设计者本人。又过了三年，这个程序战胜了美国一个保持吧年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。 机器学习有下面几种定义： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。” 一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E 机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用
深度学习和机器学习的区别是，深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经中国络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经中国络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信中国（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。 深度学习的概念源于人工神经中国络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 深度学习的概念由Hinton等人于二00陆年提出。基于深度置信中国络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经中国络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。 比如，Langley（一99陆) 定义的机器学习是“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。（Machine learning is a science of the The field's main objects of study are artifacts, specifically algorithms that improve their performance with '） Tom Mitchell的机器学习(一99漆)对信息论中的一些概念有详细的解释,其中定义机器学习时提到，“机器学习是对能通过经验自动改进的计算机算法的研究”。（Machine Learning is the study of computer algorithms that improve automatically through ） Alpaydin（二00四）同时提出自己对机器学习的定义，“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”（Machine learning is programming computers to optimize a performance criterion using example data or past ） 尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机，电子计算机，中子计算机、光子计算机或神经计算机等等。 机器能否象人类一样能具有学习能力呢？一959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。四年后，这个程序战胜了设计者本人。又过了三年，这个程序战胜了美国一个保持吧年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。 机器学习有下面几种定义： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。” 一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E 机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用
夜归鹿门山歌(孟浩然)
SCI是个期刊数据库，CASE REPORT是病例报告。病例报告发到被SCI收录的期刊上，就算是SCI了。 美国《科学引文索引》（Science Citation Index, 简称 SCI ）于1957 年由美国科学信息研究所（Institute for Scientific Information, 简称 ISI）在美国费城创办，是由美国科学信息研究所(ISI)1961年创办出版的引文数据库。SCI(科学引文索引 )、EI(工程索引 )、ISTP(科技会议录索引 ) 是世界著名的三大科技文献检索系统，是国际公认的进行科学统计与科学评价的主要检索工具，其中以SCI最为重要，创办人为尤金·加菲尔德（Eugene Garfield, September 16,1925～）。
您查询的是:范围:-scie(2013版)-包含:bmjcasereports对不起，未找到任何期刊。
没有!可以在这里查
查了一下，似乎不是SCI收录