تفاوت تاریخ بروزرسانی در صورت داشتن اشتراک

نمایه آخرین بروز رسانی
Scopus فوریه ۲۰۲۲
ISI مارس ۲۰۲۳
SCImago ژانویه ۲۰۲۰
ISI Open Access Journals مارس ۲۰۲۴
لیست سیاه وزارت علوم فروردین ۱۴۰۲
لیست سیاه وزارت بهداشت فروردین ۱۴۰۲
لیست سیاه دانشگاه آزاد بهمن ۱۳۹۹
مجلات دارای زمان داوری ژانویه ۲۰۲۲
مجلات درجه بندی شده از نظر سختی پذیرش ژانویه ۲۰۲۲
فراخوانهای مقاله فوریه ۲۰۲۴
نمایه آخرین بروز رسانی
Scopus ژانویه ۲۰۲۴
ISI آپریل ۲۰۲۴
SCImago می ۲۰۲۴
ISI Open Access Journals مارس ۲۰۲۴
لیست سیاه وزارت علوم فروردین ۱۴۰۳
لیست سیاه وزارت بهداشت فروردین ۱۴۰۳
لیست سیاه دانشگاه آزاد آذر ۱۴۰۱
مجلات دارای زمان داوری ژانویه ۲۰۲۴
مجلات درجه بندی شده از نظر سختی پذیرش ژانویه ۲۰۲۴
فراخوانهای مقاله فوریه ۲۰۲۴

Journal Of Machine Learning Research


آمریکا
کشور
۳٫۶۵۴
Impact Factor
1532-4435
ISSN
1533-7928
e-ISSN
2001 تا کنون
مدت فعالیت
MIT Press
ناشر
www.jmlr.org
سایت مجله

ISI

آخرین بروز رسانی مارس ۲۰۲۳
این مجله در فهرست مجلات ISI وجود دارد و در نمایه استنادی SCIE ثبت شده است علاوه بر آن این مجله در پایگاه داده Current Contents (موضوع مقالات اخیر) مجلات ISI در دسته بندی Engineering, Computing & Technology نیز ثبت شده است یکی دیگر از پایگاه داده های مهم مجلات ISI، پایگاه داده ESI (لبه فناوری) است که این مجله در این پایگاه داده نیز ثبت شده است این مجله در لیست سالانه JCR ذکر شده است. بر اساس تقسیم بندی این بنیاد مقالات چاپ شده در این مجله در رشته های تخصصی زیر قرار دارند:

اهداف مجله

مجله تحقیقات یادگیری ماشین (JMLR) یک انجمن بین المللی برای انتشار الکترونیکی و کاغذی مقالات علمی با کیفیت بالا در تمام زمینه های یادگیری ماشین فراهم می کند. تمام مقالات منتشر شده به صورت رایگان در اینترنت در دسترس هستند.

JMLR متعهد به بررسی دقیق و در عین حال سریع است.
JMLR به دنبال مقالات منتشر نشده قبلی در مورد یادگیری ماشین است که حاوی:
الگوریتم‌های اصولی جدید با اعتبار تجربی صحیح و با توجیه ماهیت نظری، روان‌شناختی یا بیولوژیکی؛
مطالعات تجربی و/یا نظری که بینش جدیدی در مورد طراحی و رفتار یادگیری در سیستم‌های هوشمند به دست می‌دهد.
گزارشی از کاربردهای تکنیک های موجود که نقاط قوت و ضعف روش ها را روشن می کند.
رسمی کردن وظایف یادگیری جدید (به عنوان مثال، در زمینه برنامه های کاربردی جدید) و روش های ارزیابی عملکرد در آن وظایف؛
توسعه چارچوب های تحلیلی جدید که مطالعات نظری روش های یادگیری عملی را پیش می برد.
مدل‌های محاسباتی داده‌های سیستم‌های یادگیری طبیعی در سطح رفتاری یا عصبی؛ یا نظرسنجی های بسیار خوب نوشته شده از کارهای موجود.

برای فرستادن دیدگاه باید وارد شوید