1.想发表一篇机器学习方面的论文，中文的。想发在EI期刊上，哪个EI期刊最好中？要求是中文EI期刊哦。
我对算法进行了改进，但没有理论分析，所以水平不高。但是还想发EI中文期刊，有没有好中的期刊呀。
发EI可以找发表吧作一下了解
好滴，亲
你好，我能完成
写好文章，选择自己适合的期刊，投稿就行了
2.机器学习算法一栏
如何研究学习一个机器学习算法
1. 还记得我刚来算法组的时候，我不懂TFIDF是什么，更不要说什么SVD,LDA了听都没听过，不懂user-based和item-based的区别，甚至连贝叶斯公式都写不全。在最初的一段时间，我看别人的代码，半懂不懂地听组会分享，然后实现一个又一个现在看来很幼稚的算法，感觉进步是飞速的。接过来一个算法需求，我就去网上找篇paper，然后把算法给实现了就丢给产品线用。
这个时候，同事A对我讲，“算法工程师不是懂一些数学，会写些算法就行了，算法工程师最重要的技能，在于如何定义问题，然后接下来才是如何解决这个问题。”从那以后，当面临一个需求时，我更愿意分析这个需求的关键点在哪，然后从大脑里搜索已有的东西能不能解决这个问题，比如FM的算法缺乏多样性，那么我想一下我看过的解决多样性的paper都有什么？能不能用在这个上面。如果不能，我再对应去搜问题的关键字，而不是算法的关键字。
2. 转眼间一年过去了，虽说看过的paper不够多，但是可以应付大部分的需求了。但是我开始迷茫起来，我觉得自己在实现一个又一个的算法trick，知道一个算法可以用，我就去网上down一个对应的算法包，然后把数据丢进去。没了那么我的出路到底在哪？我的核心竞争力在哪？在于知道这么个东西，然后变成跑准备数据的么？
这个时候，同事B给我讲了到底博士是如何完成一个毕业设计的，几百篇论文作为基础。那是不是把几百篇论文全都和我以前一样一字不差的看完？PHD为什么很容易进入到一个他之前所未知的领域，在于在研究领域所积累的一套方法论。言归正传：
当接触到一个新的算法时要怎么去入手？用SVM举例吧：
第一，去找SVM的Survey，每一个成熟的算法分支必定有着survey这样的汇总性paper，通过这个paper，我们大致可以了解这个算法为什么出现，最基本的算法原型是什么样的，接下来后人对他做了什么样的改进，他到底还有什么问题。
第二，弄懂这个算法的来龙去脉，为什么出现，出现是因为改进了前面算法所不能做的什么事情？例如我们为什么不用基本的线性分类器？和用传统的分类算法找到一个超平面区别在于哪？
第三，知道了来龙去脉，我们还要知道这个算法的缺点在哪？不能适用于什么？我们怎么知道？这个就涉及到如何来快速地过一遍一篇paper。
第四，Abstract是最重要的，他告诉了我们这篇paper发的目的是什么？他想解决什么问题？然后是Future Work，之所以有着FutureWork是因为这个算法还有一些问题没有解决，这个就告诉了我们当前算法还有什么缺点？
第五，递归再去看这个缺点是否有其他的研究者已经解决掉了。
那么我们为什么看paper，为什么实现某算法，我归结为两点：
1. 学习目的，扩展思路，如果处于这种目的，理解paper的精髓是最重要的。
2. 解决实际问题。那么应该丢弃的观点是我最初那样拿过来一篇paper也没理解透彻也不知道能不能解决问题，也不知道到底是不是可行，就先实现了再说。劳民伤财~
3. 我自认为自己还算努力，看了很多书，看了很多算法，但是其实有时候说起来，比如用PCA还是SVD，他们到底有什么区别，我们如何选择，我其实还是不明白。
这时，同事C对我说，理解一个算法，最重要的是要理解这个算法的世界观，这个算法背后的哲学基础是什么？只有理解了这个，才算理解一个算法。
用Boosting来举例，他背后的世界观是PAC原则。那么Boosting为什么不能引入一个强分类器，因为这个做个类比就相当于Boosting原本是美国的民主政治，一旦引入了一个强势的领导，就一下子变成了当年毛爷爷时候的政治了。Boosting的世界观就崩塌掉了。至于说Boosting最终是如何调整数据集的权重，这些就都属于了细节的层面。
最后，补充一个同事D，无意间的话让我发觉自己要变得更优秀才行：
同事D在搜Resys，有一个快照上面写着：本科生Resys十佳论文。同事扭头对我说，靠，现在本科生都可以发Resys paper了。让我意识到了自己其实在原本上差距有多大，我要付出更大的努力才能弥补这些也许别人觉得无法跨越的鸿沟。
3.现在有没有用机器学习、深度学习里面的算法做声音替换的？
突发奇想，简单查了一下暂时没查到，可能要到国外的网站上查，也不知道关键词要用什么比较好，就在百度上先问问。现在有没有做出这样的程序或者算法，类似于那个名画特征的操作，让机器学习一个人的声音（比如歌声），然后把其他人唱的歌里面的人声都换成学习到的这个人的声音？如果有的话请带上相关论文的名称、作者，或者github网址等来源，谢谢PS.新手，对python里的声音处理库只知道导入和画图，了解不多
有重新
看好你
TensorFlow应该可以做到对采样切片后的声音进行学习，但Python单独对声音的各种操作，目前还没有类似的项目，声音特征处理目前C++还是主流，建议搜索TTS，或许你的要求是TTS+NLP+TensorFlow
4.看机器学习论文时，看不懂数学公式怎么办
你如果要搞研究，或者想实现论文里的算法，就必须要看懂。
加油吧。机器学习这条路不容易。
不懂的话，补一些数学知识，比如贝叶斯概率论，微积分，概率图模型等等。
5.机器学习的算法和普通《算法导论》里的算法有什么本质上的异同
作者：董可人
链接：
机器学习的算法在使用之前需要训练，而普通算法不需要，而训练需要大量的样本数据，比如说同样一个正弦sin()函数，如果用如果用机器学习算法来实现的话就需要很多这样的样本数据：
0=sin(0)
.......
1=sin(90)
从本质上来说，机器学习算法是总结已知的训练数据中的“规律”，然后用这个“规律”去计算未知的数据，而普通算不具有总结规律这个特性