icdm 水平怎么样，山西师范大学里的计算机科学与应用技术专业咋样
来源：整理 编辑：本来科技 2024-08-04 17:20:00
本文目录一览
1，山西师范大学里的计算机科学与应用技术专业咋样
山西师范大学数学与计算机科学学院的前身是山西师范大学数学系，始建于1958年。1996年原山西师范大学计算机中心并入数学系组建成数学与计算机科学系，在此基础上2002年成立了数学与计算机科学学院。数学与计算机科学学院是山西师范大学乃至省高校中师资力量强、科研成果突出的学院之一广西师范大学计算机科学与技术专业很好 广西师范大学“信息智能和数据处理”实验室创建于1997年，2001年升格为广西高校重点实验室，在广西的计算机教育和信息产业发展中起着十分重要作用。经过“十.五”期间建设，取得了一系列具有国际先进水平的研究成果，培养和造就了大量的计算机科学技术专业高级人才。 为配合计算机软件与理论学科点的建设，广西师范大学为该实验室投入建设经费130万元，实验室建设已初具规模，占地面积218平方米，拥有6台工作站（dell aw-precision）、2台服务器（as-pe6600-dell power 6600 serv）、2台交换机（dcs-10160）、5台笔记本电脑和一批高档微机，为人才培养、科学研究等提供了较好的实验条件。 “信息智能和数据处理”实验室设有三个主要研究方向：数据挖掘、统计机器学习理论与技术、网络数据处理。分布在这三个研究方向上的兼职教师8人，其中教授3人、副教授2人；具有硕士及以上学位的为8人，其中博士4人、在读博士生2人；特别是，有1人获“人事部高层次留学人才回国资助人选（首批，全国共20人）”和“广西十百千人才工程人选”称号、有2人获得校级“拔尖人才”称号。 实验室的研究实力雄厚，在一些领域中的科研成果达到国际领先水平：springer出版学术专著2部、发表国际杂志论文40多篇、国际一流会议发表论文7篇；获得广西科技进步二等奖和三等奖共2项；主持过7项国家级科研项目；在数据挖掘方面提出的局部模式分析和负关联规则挖掘理论开辟了两个新的研究方向。 该实验室的兼职教师指导的硕士研究生有30余人、毕业的硕士研究生有8人获得国外大学攻读博士学位奖学金、5人在国际顶级会议aaai、kdd、icdm发表论文，7人在重要的sci国际杂志发表了论文。为国家培养了一大批从事计算机科学教学、研究、应用与开发的高级人才。
2，icdm什么水平会议
ICDM（IEEEInternationalConferenceonDataMining，简称ICDM）是数据挖掘领域的国际顶级会议。
3，数据挖掘类的国际顶尖会议有哪些
顶级：SIGKDD二流：ICDM，SDM ，EDBT等上面是专门的数据挖掘会议，其他像SIGMOD,VLDB,ICDE等数据库类会议都会有专门的数据挖掘session ，下面是有人专门总结的，引用一下：一流的：数据库三大顶级会议SIGMOD，VLDB，ICDE，数据挖掘KDD，实际相关的还有机器学习ICML,还有信息检索的SIGIR；数据库的理论会议PODS，但它是理论的会议所以和咱们就不大相关了二流的：EDBT，ICDT，CIKM，SDM，ICDM，PKDD，还有ECML欧洲的机器学习会议（这个应该是1.5档的，比一般的二流好）SIGMOD：97分，数据库的最高会议，涉及范围广泛，稍偏应用（因为理论文章有PODS）。没说的，景仰如滔滔江水。这个会议不仅是double-blind review，而且有rebuttal procedure，可谓独树一帜，与众不同。VLDB：95分，非常好的数据库会议。与SIGMOD类似，涉及范围广泛，稍偏应用。从文章的质量来说，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎一样。不少牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难做到每一篇都公平公正。很多rebuttal没人看。double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿，有的还真进去了。反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper。一般来说，我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章，也有这样的感觉。不过这个并不重要了，有差别也是那么一点。PODS：95分。是“数据库理论的最好会议,也是一个很好的理论会议”。每年总是co-located with SIGMOD。感觉其中算法背景的人占主流（你可以数数PODS文章中有多少来自Motwani group），也有一部分AI背景的人（毕竟SIGART也是主办者之一）。它的影响力远不及SIGMOD，然而其中文章的质量比较整齐，variance小于SIGMOD（以及其他任何数据库会议）。有一位牛人说：“PODS never had a really bad paper，”这是它值得骄傲的地方。KDD:：full paper 95分，poster/short paper 90分。数据挖掘的最高会议。由于历史积累不足以及领域圈子较小，勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类比：KDD:SIGMOD=CRYPTO:STOC。回顾密码学的历史，真正最牛的文章一般发在STOC/FOCS而非CRYPTO/EUROCRYPT，这和今天的数据挖掘何等类似！然而你看看今天的密码学文章，已经有顶级的密码学家（恕我不便写出名字）不再往STOC/FOCS投稿。我觉得同样的事情在不久的将来也会发生在数据挖掘中，让我们拭目以待。这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很少，审稿标准不一定能掌握得很好。这几年好几篇SIGMOD/VLDB的数据挖掘paper都follow一些KDD的paper。而在KDD，要拿一篇full paper真难。去年复旦拿了一篇，实属难能可贵。今年他们又拿了一个SIGMOD demo，说明工作的确很扎实。听说在很多地方，如果能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不错的工作。“革命尚未成功，同志仍需努力！”ICDE：92分。很好的数据库会议，也是一个大杂烩。好处是覆盖面广、包容性强，坏处是文章水平参差不齐。EDBT：88分，不错的数据库会议，录取率很低然而历史积累不足，影响还明显不及ICDE。ICDT：88分，PODS的欧洲版，数据库理论第二会议。和SIGMOD/VLDB一样，ICDE和EDBT在质量和影响上都不相上下。其它的如CIKM，ICDM，SDM，SSDBM，PKDD等等都比以上的会议差一截。CIKM：85分。SDM：full paper 90分，poster/short paper 85分。SIAM的数据挖掘会议，与ICDM并列为数据挖掘领域的第二位，比KDD有明显差距。好像其中统计背景的人比较多，也有一部分机器学习背景的人，比较iversified。ICDM：full paper 90分，poster/short paper 85分。IEEE的数据挖掘会议，与SDM并列为数据挖掘领域的第二位，比KDD有明显差距。PKDD：83分（因为poster/short paper数量很少，所以不予区分）。好像是KDD的欧洲版，但与KDD差距很大。
4，顶会的workshop什么水平
高水平。workshop是由IEEE举办的计算机视觉和模式识别领域的顶级会议，是IEEE一年一度的学术性会议，会议的主要内容是计算机视觉与模式识别技术。
5，怎样通过洛伦茨变换推导出光速不变
呵呵 ！洛仑兹变换是由狭义相对论导出 。 而狭义相对论的假设是光速不变。所以，不存在什么洛伦茨变换推导出光速不变。这样问是本末倒置的！光速不变不是洛仑兹变换导出的,洛仑兹变换是由洛仑兹本人在狭义相对论之前就推出的,只不过后来狭义相对论里面也涉及到了洛仑兹变换.
狭义相对论的两个基本原理:(1)相对性原理：所有惯性系都是等价的。
(2)光速不变原理：真空中的光速是与惯性系无关的常数。
这两个基本原理都只是爱因斯坦的猜想,狭义相对论整个原理都是基于这两条原理推出来的.据说推导狭义相对论只用了爱因斯坦高中的数学知识.
狭义相对论力学：(注：γ=1/sqr(1-u^2/c^2),β=u/c,u为惯性系速度。)
(一)基本原理：(1)相对性原理：所有惯性系都是等价的。
(2)光速不变原理：真空中的光速是与惯性系无关的常数。
(此处先给出公式再给出证明)
(二)洛仑兹坐标变换：
X=γ(x-ut)
Y=y
Z=z
T=γ(t-ux/c^2)
(三)速度变换：
V(x)=(v(x)-u)/(1-v(x)u/c^2)
V(y)=v(y)/(γ(1-v(x)u/c^2))
V(z)=v(z)/(γ(1-v(x)u/c^2))
(四)尺缩效应：△L=△l/γ或dL=dl/γ
(五)钟慢效应：△t=γ△τ或dt=dτ/γ
(六)光的多普勒效应：ν(a)=sqr((1-β)/(1+β))ν(b)
(光源与探测器在一条直线上运动。)
(七)动量表达式：P=Mv=γmv,即M=γm.
(八)相对论力学基本方程：F=dP/dt
(九)质能方程：E=Mc^2
(十)能量动量关系：E^2=(E0)^2+P^2c^2
(注：在此用两种方法证明，一种在三维空间内进行，一种在四维时空中证明，实际上他们是等价的。)
三：
三维证明：
(二)洛仑兹变换：
设(x, y,z,t)所在坐标系(A系)静止，(X,Y,Z,T)所在坐标系(B系)速度为u,且沿x轴正向。在A系原点处，x=0,B系中A原点的坐标为X=- uT,即X+uT=0。可令x=k(X+uT),(1).又因在惯性系内的各点位置是等价的，因此k是与u有关的常数(广义相对论中，由于时空弯曲，各点 不再等价，因此k不再是常数。)同理，B系中的原点处有X=K(x-ut),由相对性原理知，两个惯性系等价，除速度反向外，两式应取相同的形式，即k= K.故有X=k(x-ut),(2).对于y,z,Y,Z皆与速度无关，可得Y=y,(3).Z=z(4).将(2)代入(1)可得：x=k^2(x- ut)+kuT,即T=kt+((1-k^2)/(ku))x,(5).(1)(2)(3)(4)(5)满足相对性原理，要确定k需用光速不变原理。当两 系的原点重合时，由重合点发出一光信号，则对两系分别有x=ct,X=cT.代入(1)(2)式得：ct=kT(c+u),cT=kt(c-u).两式相 乘消去t和T得：k=1/sqr(1-u^2/c^2)=γ.将γ反代入(2)(5)式得坐标变换：
X=γ(x-ut)
Y=y
Z=z
T=γ(t-ux/c^2)
(三)速度变换：
V(x)=dX/dT=γ(dx-ut)/(γ(dt-udx/c^2))
=(dx/dt-u)/(1-(dx/dt)u/c^2)
=(v(x)-u)/(1-v(x)u/c^2)
同理可得V(y),V(z)的表达式。
(四)尺缩效应：
B系中有一与x轴平行长l的细杆，则由X=γ(x-ut)得：△X=γ(△x-u△t),又△t=0(要同时测量两端的坐标)，则△X=γ△x,即：△l=γ△L,△L=△l/γ
(五)钟慢效应：
由坐标变换的逆变换可知，t=γ(T+Xu/c^2),故△t=γ(△T+△Xu/c^2),又△X=0,(要在同地测量)，故△t=γ△T.
(注：与坐标系相对静止的物体的长度、质量和时间间隔称固有长度、静止质量和固有时，是不随坐标变换而变的客观量。)
(六)光的多普勒效应：(注：声音的多普勒效应是：ν(a)=((u+v1)/(u-v2))ν(b).)
B 系原点处一光源发出光信号，A系原点有一探测器，两系中分别有两个钟，当两系原点重合时，校准时钟开始计时。B系中光源频率为ν(b),波数为N，B系的 钟测得的时间是△t(b),由钟慢效应可知，A△系中的钟测得的时间为△t(a)=γ△t(b),(1).探测器开始接收时刻为t1+x/c,最终时刻为 t2+(x+v△t(a))/c,则△t(N)=(1+β)△t(a),(2).相对运动不影响光信号的波数，故光源发出的波数与探测器接收的波数相同， 即ν(b)△t(b)=ν(a)△t(N),(3).由以上三式可得：ν(a)=sqr((1-β)/(1+β))ν(b).
(七)动量表达式:(注：dt=γdτ,此时，γ=1/sqr(1-v^2/c^2)因为对于动力学质点可选自身为参考系，β=v/c)
牛二在伽利略变换下，保持形势不变，即无论在那个惯性系内，牛二都成立，但在洛伦兹变换下，原本简洁的形式变得乱七八糟，因此有必要对牛顿定律进行修正，要求是在坐标变换下仍保持原有的简洁形式。
牛 顿力学中，v=dr/dt,r在坐标变换下形式不变，（旧坐标系中为（x,y,z）新坐标系中为(X,Y,Z)）只要将分母替换为一个不变量（当然非固有 时dτ莫属）就可以修正速度的概念了。即令V=dr/dτ=γdr/dt=γv为相对论速度。牛顿动量为p=mv,将v替换为V，可修正动量，即p=mV =γmv。定义M=γm(相对论质量)则p=Mv.这就是相对论力学的基本量：相对论动量。（注：我们一般不用相对论速度而是用牛顿速度来参与计算）
(八)相对论力学基本方程：
由相对论动量表达式可知：F=dp/dt,这是力的定义式，虽与牛二的形式完全一样，但内涵不一样。（相对论中质量是变量）
(九)质能方程：
Ek=∫Fdr=∫(dp/dt)*dr=∫dp*dr/dt=∫vdp=pv-∫pdv
=Mv^2-∫mv/sqr(1-v^2/c^2)dv=Mv^2+mc^2*sqr(1-v^2/c^2)-mc^2
=Mv^2+Mc^2(1-v^2/c^2)-mc^2
=Mc^2-mc^2
即E=Mc^2=Ek+mc^2
(十)能量动量关系：
E=Mc^2,p=Mv,γ=1/sqr(1-v^2/c^2),E0=mc^2,可得：E^2=(E0)^2+p^2c^2
四：
四维证明：
(一)公理，无法证明。
(二) 坐标变换：由光速不变原理：dl=cdt,即dx^2+dy^2+dz^2+(icdt)^2=0在任意惯性系内都成立。定义dS为四维间隔，dS^2= dx^2+dy^2+dz^2+(icdt)^2,(1).则对光信号dS恒等于0，而对于任意两时空点的dS一般不为0。dS^2〉0称类空间隔， dS^2<0称类时间隔，dS^2=0称类光间隔。相对论原理要求（1）式在坐标变换下形式不变，因此（1）式中存在与坐标变换无关的不变量， dS^2dS^2光速不变原理要求光信号在坐标变换下dS是不变量。因此在两个原理的共同制约下，可得出一个重要的结论：dS是坐标变换下的不变量。
由数学的旋转变换公式有：（保持y,z轴不动，旋转x和ict轴）
X=xcosφ+(ict)sinφ
icT=-xsinφ+(ict)cosφ
Y=y
Z=z
当X=0时，x=ut,则0=utcosφ+ictsinφ
得：tanφ=iu/c,则cosφ=γ,sinφ=iuγ/c反代入上式得：
X=γ(x-ut)
Y=y
Z=z
T=γ(t-ux/c^2)
(三)(四)(五)(六)(八)(十)略。
(七)动量表达式及四维矢量：(注：γ=1/sqr(1-v^2/c^2),下式中dt=γdτ)
令r=(x,y,z,ict)则将v=dr/dt中的dt替换为dτ，V=dr/dτ称四维速度。
则V=(γv,icγ)γv为三维分量，v为三维速度，icγ为第四维分量。（以下同理）
四维动量：P=mV=(γmv,icγm)=(Mv,icM)
四维力：f=dP/dτ=γdP/dt=(γF,γicdM/dt)(F为三维力)
四维加速度：ω=/dτ=(γ^4a,γ^4iva/c)
则f=mdV/dτ=mω
(九)质能方程：
fV=mωV=m(γ^5va+i^2γ^5va)=0
故四维力与四维速度永远“垂直”，（类似于洛伦兹磁场力）
由fV=0得：γ^2mFv+γic(dM/dt)(icγm)=0(F,v为三维矢量，且Fv=dEk/dt(功率表达式))
故dEk/dt=c^2dM/dt即∫dEk=c^2∫dM,即:Ek=Mc^2-mc^2
故E=Mc^2=Ek+mc^2
洛伦兹变换公式被认为是相对论理论的核心公式。
下面分析洛伦兹变换公式的推导过程，并指出其自相矛盾之处。
爱氏洛伦兹变换的推导过程可见P.G. 柏格曼著 周奇 郝苹译《相对论引论》人民教育出版社1961年12月第一版第34至37页，由于篇幅太长又鉴于大家都很熟悉，这里就不重抄。
推导洛伦兹变换的主要前提条件有：1、承认相对性原理，2、承认空间是均匀的时间是均匀的，3、假设光速不变。至于牛顿的绝对时空观（即同时是绝对的与参考系无关）书中没说承认也没说不承认；
光速不变假设的含义用数学语言表述是：某点光源的光波的波前（有人叫光子）在两个相互作匀速直线运动的参考系中的运动方程分别是xx+yy+zz=cctt……（1）和x`x`+y`y`+z`z`=cct`t`……（2）。
关于（1）、（2）两式成立的条件（这个问题容易被人勿略，也有人可能是有意勿略）。
因为（1）、（2）两式是在牛顿质点运动公式r=ut的基础上推出的〔上式两边平方得rr=uutt，当速度在坐标系的三个方向上都有分量时变为xx+yy+zz=uutt，当u为特定值c时就得（1）式〕，而公式r=ut成立的条件是当坐标原点的钟指向零时刻时坐标原点以外所有的钟全指向零时刻，所以（1）式只有在S系原点时钟指向零时刻时原点之外的所有时钟也指向零时刻的情况下才成。同理（2）式只有在S`系原点时钟指向零时刻时原点之外的所有时钟也指向零时刻的情况下才成立。
因为具体进行洛伦兹变换的推导工作是由某个具体的人完成的（这个人不可能同时静止在两个参考系中而只能静止在一个参考系中，假设静止在S系中），他为了推导洛伦兹变换必须同时以（1）、（2）两式为前提条件。因此，他必须承认两式同时成立〔即，S系静止的人承认光子Q在S系中适合式（1）同时也承认同一个光子Q在S`系中适合式（2）〕，也就是既承认S系原点的钟同时指向零的时刻原点以外所有的钟都指向零，叉承认S`系原点的钟同时指向零的时刻原点以外所有的钟都指向零。根据对绝对同时的约定（若在一个参考系异地同时发生的两件事在另一系看也是同时发生的就称同时是绝对的），承认两式同时成立等于承认了同时是绝对的。也就是说推导洛伦兹变换的前提条件中应再加一条同时是绝对的，我们把它编为第4个前提条件。
因为用洛伦兹变换公式的时间变换式可以直接推导出同时是相对的，而推导洛伦兹变换公式的前提条件之一是同时是绝对的，这就是说，洛伦兹变换公式的直接推论与推导洛伦兹变换公式的前提条件之间有矛盾。
6，数据挖掘类的国际顶尖会议有哪些
顶级：SIGKDD二流：ICDM，SDM ，EDBT等上面是专门的数据挖掘会议，其他像SIGMOD,VLDB,ICDE等数据库类会议都会有专门的数据挖掘session ，下面是有人专门总结的，引用一下： 一流的：数据库三大顶级会议SIGMOD，VLDB，ICDE，数据挖掘KDD，实际相关的还有机器学习ICML,还有信息检索的SIGIR；数据库的理论会议PODS，但它是理论的会议所以和咱们就不大相关了二流的：EDBT，ICDT，CIKM，SDM，ICDM，PKDD，还有ECML欧洲的机器学习会议（这个应该是1.5档的，比一般的二流好）SIGMOD：97分，数据库的最高会议，涉及范围广泛，稍偏应用（因为理论文章有PODS）。没说的，景仰如滔滔江水。这个会议不仅是double-blind review，而且有rebuttal procedure，可谓独树一帜，与众不同。 VLDB：95分，非常好的数据库会议。与SIGMOD类似，涉及范围广泛，稍偏应用。 从文章的质量来说，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎一样。不少牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难做到每一篇都公平公正。很多rebuttal没人看。 double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿，有的还真进去了。反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper。 一般来说，我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章，也有这样的感觉。不过这个并不重要了，有差别也是那么一点。 PODS：95分。是“数据库理论的最好会议,也是一个很好的理论会议”。每年总是co-located with SIGMOD。感觉其中算法背景的人占主流（你可以数数PODS文章中有多少来自Motwani group），也有一部分AI背景的人（毕竟SIGART也是主办者之一）。它的影响力远不及SIGMOD，然而其中文章的质量比较整齐，variance小于SIGMOD（以及其他任何数据库会议）。有一位牛人说：“PODS never had a really bad paper，”这是它值得骄傲的地方。 KDD:：full paper 95分，poster/short paper 90分。数据挖掘的最高会议。由于历史积累不足以及领域圈子较小，勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类比：KDD:SIGMOD=CRYPTO:STOC。回顾密码学的历史，真正最牛的文章一般发在STOC/FOCS而非CRYPTO/EUROCRYPT，这和今天的数据挖掘何等类似！然而你看看今天的密码学文章，已经有顶级的密码学家（恕我不便写出名字）不再往STOC/FOCS投稿。我觉得同样的事情在不久的将来也会发生在数据挖掘中，让我们拭目以待。 这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很少，审稿标准不一定能掌握得很好。这几年好几篇SIGMOD/VLDB的数据挖掘paper都follow一些KDD的paper。而在KDD，要拿一篇full paper真难。去年复旦拿了一篇，实属难能可贵。今年他们又拿了一个SIGMOD demo，说明工作的确很扎实。 听说在很多地方，如果能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不错的工作。“革命尚未成功，同志仍需努力！” ICDE：92分。很好的数据库会议，也是一个大杂烩。好处是覆盖面广、包容性强，坏处是文章水平参差不齐。 EDBT：88分，不错的数据库会议，录取率很低然而历史积累不足，影响还明显不及ICDE。 ICDT：88分，PODS的欧洲版，数据库理论第二会议。 和SIGMOD/VLDB一样，ICDE和EDBT在质量和影响上都不相上下。其它的如CIKM，ICDM，SDM，SSDBM，PKDD等等都比以上的会议差一截。 CIKM：85分。 SDM：full paper 90分，poster/short paper 85分。SIAM的数据挖掘会议，与ICDM并列为数据挖掘领域的第二位，比KDD有明显差距。好像其中统计背景的人比较多，也有一部分机器学习背景的人，比较iversified。 ICDM：full paper 90分，poster/short paper 85分。IEEE的数据挖掘会议，与SDM并列为数据挖掘领域的第二位，比KDD有明显差距。 PKDD：83分（因为poster/short paper数量很少，所以不予区分）。好像是KDD的欧洲版，但与KDD差距很大。
7，做好论文导师也不容易
因为要做独立研究，首先要避开所有重器材的方向，比如做深度学习你作为个人是刷不过集团军的--你没有那么多计算资源。大部分教科书都是分章节介绍内容，而章节在一定程度上前后独立。跨领域交叉往往比在特定领域创新要容易，这个思路特别适合独立研究者。还有一点就是新手独立发文，在单盲的情况下更容易被拒稿，增加1-2个共同作者有助于减轻这种偏见，原因非常明显就不赘述了。论文被拒稿是很常见的事情，作为独立新手就更无法避免了。独立研究最大的成就感来自于「独立」，在这个过程中，你会不断的怀疑自己甚至否定自己，这也是为什么我建议大家能有人一起同行。 做好论文导师也不容易究竟是怎么一回事，跟随我一起看看吧。 看这篇就够了！ 我特别能理解提问者的感受，因为很多同学都可能有以下几个需求 1、毕业有论文要求，但老板帮助不大 2、虽然毕业无论文要求，但希望通过发表论文来提升自己的职场竞争力 3、希望通过做研究和发表来争取国外的博士机会 在明确了主题后，我们就可以把问题继续分解为三个子问题： 1.如何选题2.如何研究3.如何投稿 1、如何选题 第一点选择适合的研究方向是成功的一半，不要单纯因为兴趣而选定研究方向。因为要做独立研究，首先要避开所有重器材的方向，比如做深度学习你作为个人是刷不过集团军的--你没有那么多计算资源。 第二点就是选择适合自己的方向。大部分基础学科如数学、物理等都需要多年的知识积累以及导师指导，因为导师的轻轻一点就可以省掉了数天甚至数个月的瞎想。 选题的第三点就是要读几篇该领域的经典文章，试试水深。换句话说，就是看看自己能不能大概读懂，知识的空缺有多大，离能够独立成文还有多远。 如果某一领域的文章都有大量的公式推导且你的数学功底有限，那么就不建议选择这类方向。读综述文章一般也是个很好的思路，这样可以快速看到领域的边界，也有助于缩小选题范围。 当然，兴趣依然是一切的源头，也是能不断激励你的后盾。 总结来看，选题是一个平衡过程，是硬件资源+知识背景+个人兴趣的综合后的产物。其中任意一项如果是绝对短板的话，就很容易影响最后的产出。 综合要选择一个自己有兴趣，有一定的相关知识，资源要求不高，且写作水平和领域论文不会相差太远的方向。 2、如何研究 当我们有了一个适当的选题后，应该先读该领域的经典教科书或者综述文章。 我个人的经验是：一边读一边记下自己天马行空的点子，先不用想是否成熟，记下来再说。一边读一边看能不能和其他领域结合，比如用集成学习或是graph mining做推荐系统。 一边读一边缩小自己的选题范围，通过阅读了解自己更擅长在哪个（章节）主题上发力。 大部分教科书都是分章节介绍内容，而章节在一定程度上前后独立。因此你可以着重挑自己读着有趣的内容深入了解。 假设我们现在确定了一个小主题：如何利用「集成学习」来提升「推荐系统」的「鲁棒性」。 那么找到新的方向其实并不难，你需要：找到该领域常用的数据集(benchmark datasets)，找到其他基线算法的实现(baseline algorithm implementation),一般在GitHub上搜索算法名就可以。可以找最近的相关论文的related works:来追踪领域进展。 找一本集成学习的教科书。第一步就是重现基准算法在常用数据集上的表现，这个将会是进行研究的重要参照物。如果某些基准算法没有现成的实现，你可以尝试着动手写一个--实现算法的过程往往就是找灵感改进的过程。 等以上步骤做完后，你就可以考虑如何用集成学习来改进推荐系统。这个时候就可以参考集成学习教科书，分析不同算法的优劣，找到哪些方法有助于提高鲁棒性，再应用到推荐系统上去。跨领域交叉往往比在特定领域创新要容易，这个思路特别适合独立研究者。 3、如何投稿 首先一般投稿有期刊和会议，期刊一般内容更加完善，但会议一般更加前沿，不同领域在意的不同。 期刊一般是单盲（即审稿人知道你的身份，而你不知道谁是审稿人）。会议可能是单盲、双盲甚至三盲（比如ICDM)。考虑到独立研究没有老板的背书，那么尽量避开单盲的投稿，因为你可能会从中吃亏。 第二点就是考虑审稿周期，大部分会议的审稿都在1-3个月内，而大部分期刊的第一轮意见都需要3个月以上才会出现。所以时间敏感的话，建议优先投会议，而非期刊。 另一个常见的操作是会议论文在发表后经过扩展(>30%)的新内容再重投期刊，可以同时兼顾时效性和完整性。 选择投稿渠道也是对于新手非常不友好的环节，建议多问问周围的资深人士。 这一切的前提都是你的英文足够好，这点是一切的前提。最佳情况还是要和别人合作，即使他们和你一样是新手也没关系，毕竟是人多力量大，心理上有个依靠。还有一点就是新手独立发文，在单盲的情况下更容易被拒稿，增加1-2个共同作者有助于减轻这种偏见，原因非常明显就不赘述了。 论文被拒稿是很常见的事情，作为独立新手就更无法避免了。 4、总结 理论上只要你方向选的合适，自身条件尚可，在坚持不懈的实验、写作、投稿、被拒、修改、重投后，总能慢慢走上正轨。如果幸运的话说不定还能在你的研究小领域打开一点局面，有一点知名度。 独立研究最大的成就感来自于「独立」，在这个过程中，你会不断的怀疑自己甚至否定自己，这也是为什么我建议大家能有人一起同行。 但当你有所推进时，比如发出了第一篇不错的文章，你会非常激动。 因为你完成了自己的博士入门训练，避开了民科式科研，在艰苦的环境中打开了一片局面，甚至还微微推动了科学发展。这比发表论文本身更有意义，你应该为自己感到自豪。 我是皇家学术大佬，会持续分享考研干货与科研知识与论文写作技巧等，欢迎大家多多专注！！！
8，权威的数据库会议由哪些
SIGMOD(Special Interest Group on Management Of Data）：97分，数据库的最高会议，每年一次，涉及范围广泛，稍偏应用（因为理论文章有PODS(Symposium on Principles of Database Systems）。没说的，景仰如滔滔江水。这个会议不仅是double-blind review，而且有rebuttal procedure，可谓独树一帜，与众不同。网址：http://www.sigmod.org/VLDB( Very Large Data Base)：95分，非常好的数据库会议，每年一次。与SIGMOD类似，涉及范围广泛，稍偏应用。网址：http://www.vldb.org/SIGMOD与VLDB比较：1、从文章的质量来说，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎一样。不少牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难做到每一篇都公平公正。很多rebuttal没人看。2、double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿，有的还真进去了。反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper。3、一般来说，我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章，也有这样的感觉。不过这个并不重要了，有差别也是那么一点。PODS（Symposium on Principles of Database Systems）：95分。是“数据库理论的最好会议,也是一个很好的理论会议”。每年总是co-located with SIGMOD。感觉其中算法背景的人占主流（你可以数数PODS文章中有多少来自Motwani group），也有一部分AI背景的人（毕竟SIGART（Special Interest Group on Artificial Intelligence）也是主办者之一）。它的影响力远不及SIGMOD，然而其中文章的质量比较整齐，variance小于SIGMOD（以及其他任何数据库会议）。有一位牛人说：“PODS never had a really bad paper，”这是它值得骄傲的地方。KDD（Knowledge Discovery and Data Mining）：full paper 95分，poster/short paper 90分。数据挖掘的最高会议。由于历史积累不足以及领域圈子较小，勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类比：KDD:SIGMOD=CRYPTO:STOC（Symposium on Theory of Computing）。回顾密码学的历史，真正最牛的文章一般发在STOC/FOCS而非CRYPTO/EUROCRYPT，这和今天的数据挖掘何等类似！然而你看看今天的密码学文章，已经有顶级的密码学家（恕我不便写出名字）不再往STOC/FOCS投稿。我觉得同样的事情在不久的将来也会发生在数据挖掘中，让我们拭目以待。网址：http://www.sigkdd.org/这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很少，审稿标准不一定能掌握得很好。这几年好几篇SIGMOD/VLDB的数据挖掘paper都follow一些KDD的paper。而在KDD，要拿一篇full paper真难。去年复旦拿了一篇，实属难能可贵。今年他们又拿了一个SIGMOD demo，说明工作的确很扎实。听说在很多地方，如果能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不错的工作。“革命尚未成功，同志仍需努力！”ICDE（International Conference on Data Engineering）：92分。很好的数据库会议，也是一个大杂烩。好处是覆盖面广、包容性强，坏处是文章水平参差不齐。网址：http://www.icde.org/EDBT（Extending Database Technology）：88分，不错的数据库会议，双数年开一次，录取率很低然而历史积累不足，影响还明显不及ICDE。ICDT（International Conference on Database Theory）：88分，PODS的欧洲版，数据库理论第二会议。参考网址：http://www.informatik.uni-trier.de/~ley/db/conf/icdt/http://www.math.spbu.ru/edbticdt/index.html -----DBT/ICDT 2009 joint conference两个会议2009一起在俄罗斯举行和SIGMOD/VLDB一样，ICDE和EDBT在质量和影响上都不相上下。其它的如CIKM，ICDM，SDM，SSDBM，PKDD等等都比以上的会议差一截。CIKM(Conference on Information and Knowledge Management)：85分。SDM：full paper 90分，poster/short paper 85分。SIAM(http://www.siam.org/)的数据挖掘会议，与ICDM并列为数据挖掘领域的第二位，比KDD有明显差距。好像其中统计背景的人比较多，也有一部分机器学习背景的人，比较diversified。ICDM(International Conference on Data Mining)：full paper 90分，poster/short paper 85分。IEEE的数据挖掘会议，与SDM并列为数据挖掘领域的第二位，比KDD有明显差距。参考：http://www.cs.uvm.edu/~icdm/PKDD(Practice of Knowledge Discovery in Databases)：83分（因为poster/short paper数量很少，所以不予区分）。好像是KDD的欧洲版，但与KDD差距很大。参考：http://www.ecmlpkdd2008.org/ACM（Association for Computing Machinery）旗下的数据库会议(SIGMOD、VLDB、PODS、KDD)；IEEE(Institute of Electrical and Electronics Engineers)旗下的数据库会议（ICDE、ICDM）。
文章TAG：
水平 怎么 怎么样 山西 icdm 山西师范大学里的计算机科学与应用技术专业咋样
