研究领域英文

Proposal写好了，等于整个research就成功了一半，下面我讲下自己怎么写proposal的。通常无论是作为平时的练习作业还是毕业论文的研究计划，我都根据老师的建议习惯把一篇proposal分成这下面几个部分。Proposal Title(研究标题):在这里我会把自己即将进行的研究及时书面报告的完整标题呈现，表明我研究的主题和内容。Abstract(摘要):万字左右的论文，200词左右的摘要差不多了，简要介绍研究的目的，主题，方法，可能的研究发现等Introction(引言):和abstract有点类似，不过这部分通常交代一下研究topic的背景和本proposal的主要内容和目的。Research Significance(研究意义):这部分主要是表明即将开展的研究是有意义的，或是弥补了前人尚未研究完善或未研究彻底的课题，或是出现了新的问题需要本研究来解决等，总之不管在理论还是实践上都必须有价值，否则研究毫无意义。Research Background(研究背景):这里可以交代一下这个研究问题、目前学术界的研究进展，研究条件等。Research Objectives and Research Question(研究目标和研究问题):这部分尤为关键，是整个研究的核心，没有研究目标和亟待回答的研究问题，研究就会没了方向，好比一艘船没了掌舵的，这样的研究是难以进行的。Literature Review(文献综述): 这个部分的作用是对所研究领域或专业的课题，问题或研究专题搜集大量相关资料；通过分析，阅读，整理，提炼当前课题，问题或研究专题的最新进展，学术见解或建议，做出综合性介绍和阐述。自己的研究需要相对于前人的研究有所补充或发展。Methodology(方法论):这部分包括研究设计(research design)，具体研究方法(research methods)，数据收集(data collection)，抽样(sampling)和数据分析(data analysis)。methodology简单规划了研究是以何种方式进行的。Timescale(时间规划):这部分相当于是对研究的每个部分所花时间，每个时间段做什么，整体进度，整体截止日期等的一个计划。Budget(预算):一些研究步骤是需要花费一定金钱才能完成的，预算一般包含personnel services，travel expenses，technology cost等。另外，有些研究还需要做访谈，问卷调查等来获取数据，这个时候，proposal里面还需要以appendix(附录)形式附上访谈的问题或者问卷的items，加上这些，才能算是一份完整的研究计划。Contact:EssayBirdEssay/Assignment/Paper/Report/Dissertation/留学文书等辅导、写作

近日，中国科学院科技战略咨询研究院、文献情报中心与科睿唯安在北京联合举办“2020研究前沿发布暨研讨会”，面向全球发布《2020研究前沿》报告和《2020研究前沿热度指数》。2020年10月18日，四川农业大学的研究生在做土豆研究。（图片来源：新华社）China now ranks first in four major areas of scientific research in terms of academic activity and influence, trailing only the United States, which leads in seven, according to the report "Research Fronts 2020". 《2020研究前沿》报告显示，在学术活动及影响力层面，美国在七个领域排名第一，中国紧随其后，在四个领域全球领先。【单词讲解】这里的trail用作动词，表示“lag behind”，即“落后于...”，比如：After a kilometer, I trailed the other runners.（一公里以后，我落后于其他跑者）。此外，这个词还有“跟踪、追踪；拖、拉”等意思，比如：The police are trailing the robbers.（警方正在追踪抢劫犯）。The dog's leash was trailing along the ground.（狗绳一直拖着地）。由此，trail用作名词的时候经常表示“踪迹、痕迹；小路”之类的意思，比如：a trail of blood（一滩血迹）、winding trail on the mountain（山上蜿蜒的小径）等。《前沿报告》自2014年以来每年发布一次。《2020研究前沿》报告首次将以往的数学、计算机科学与工程学领域拆分成数学和信息科学两个领域，遴选展示了在农业科学（agricultural sciences）、植物学（botany）和动物学（zoology），生态与环境科学（ecological and environmental sciences），地球科学（geoscience），临床医学（clinical medicine），生物科学（bioscience），化学与材料科学（ chemistry & materials science），物理学（physics），天文学（astronomy）与天体物理学（astrophysics），数学（mathematics），信息科学（information science），经济学（economics）、心理学（psychology）及其他社会科学（social sciences）等11个大科学领域（11 broad research categories）的110个热点前沿（110 prominent frontier research topics）和38个新兴前沿（38 emerging subjects）。《2020研究前沿热度指数》在《2020研究前沿》基础上，评估了中、美、英、德、法、日等国家在上述研究前沿中的表现。This year, China leads the world in four major research categories: agricultural sciences, botany and zoology; chemistry and materials science; mathematics and information science. China also ranks second in ecology and environmental sciences; physics; social sciences including economics and psychology.今年，中国在“农业科学、植物学和动物学”“化学与材料科学”“数学”“信息科学”4个领域全球领先；在“生态与环境科学”“物理学”以及“经济学”和“心理学”等社会科学领域排名第二。However, China is notably behind other scientific powerhouses in clinical medicine and astronomy and astrophysics, ranking at 12th and 8th, respectively.不过，中国在临床医学以及天文学与天体物理学方面与其他科技强国差距明显，分别排名第12名和第8名。【相关词汇】世界科技前沿 global science frontiers基础研究 basic research科技创新能力 sci-tech innovation capability推动重要领域关键核心技术攻关 advance research on core technologies in important areas参考来源：中国日报、中国网（中国日报网英语点津 Helen）来源：中国日报网

导读：The Nobel Prize（诺贝尔奖）是我们熟悉的世界奖项，但你可能不知道，Fields Medal（菲尔兹奖）在数学领域、The Pritzker Architecture Prize（普里茨克建筑奖）在建筑领域，影响力可以媲美诺贝尔奖。今天，AAE（美国英文学院，American Academy of English，简称AAE）为您这11个英语名词，助你了解各个领域的顶级大奖：1、Nobel Prize（诺贝尔奖）在世界范围内，The Nobel Prize（诺贝尔奖）通常被认为是所颁奖领域内最重要的奖项。主要设置的奖项：化学奖、物理学奖、医学（生理学）奖、文学奖、和平奖、经济学奖。中国药学家屠呦呦获得了诺贝尔医学奖，成为国内第一个诺贝尔科学类奖项获得者。2、Abel Prize（阿贝尔奖）Abel Prize（阿贝尔奖），设立此奖的一个原因也是因为诺贝尔奖没有数学奖项。2001年挪威政府拨款2亿挪威克朗作为启动资金，扩大数学的影响，吸引年轻人从事数学研究，这是设立阿贝尔奖的主要目的。现在，它已经成为数学领域最有名望的奖项。3、Fields Medal（菲尔兹奖）Fields Medal（菲尔兹奖），常被视为数学界的诺贝尔奖（诺贝尔奖本身未设数学奖）。菲尔兹奖每四年颁奖一次，在由国际数学联盟（IMU）主办的四年一度的国际数学家大会（ICM）上举行颁奖仪式，每次颁给2至4名有卓越贡献的年轻数学家（获奖者必须在该年元旦前未满40岁）。4、Wolf Prize in Mathematics（沃尔夫数学奖）Wolf Prize in Mathematics（沃尔夫数学奖），是沃尔夫奖的奖项之一，它和菲尔兹奖被共同誉为数学界的最高荣誉。获得该奖项的华人有陈省身和丘成桐。菲尔兹奖和沃尔夫数学奖，这两个数学大奖的含金量、国际性，以及所享有的荣誉都不亚于诺贝尔奖，因此被世人誉为“数学中的诺贝尔奖”。5、Crafoord Prize（克拉福德奖）The Crafoord Prize（克拉福德奖），是一项几乎与诺贝尔奖齐名的世界性科学大奖。为了弥补数学、地球科学、天文学等一系列学科不在诺贝尔奖其列的缺陷，瑞典的一位富翁Holger Crafoord（克拉福德）决定设立该奖，它的授奖范围恰恰就是诺贝尔奖没有涵盖的科学领域。需要注意的是，它每年颁发的学科都不一样，是按照天文学&数学（astronomy & mathematics）；地球科学（geosciences）；生物科学（biosciences）这个顺序颁发。当针对多发性关节炎（polyarthritis）有重大突破时，会暂时打乱顺序，在当年颁发针对性的奖项，在下一年恢复学科顺序。备注：由于该奖创始人之一的Holger Crafoord（霍尔格·克拉福德）晚年患上了多发性关节炎方面的病，受尽煎熬，因此将它列入了关注重点。6、Polar Music Prize（极地音乐奖）Polar Music Prize（极地音乐奖），被称为“音乐届的诺贝尔奖”。该奖委员会接受来自公众和国际音乐理事会（International Music Council）的推荐提名。国际音乐理事会是联合国教科文组织资助的非政府组织，旨在促进地域和音乐的多样性。7、Ernst von Siemens Music Prize（恩斯特-冯-西门子音乐大奖）Ernst von Siemens Music Prize（恩斯特-冯-西门子音乐大奖），有音乐界“诺贝尔”奖之称。该奖用于表彰对音乐世界做出贡献的音乐家，约150个奖项，总奖金额高达300万欧元。8、Antoinette Perry Award for Excellence in Theatre（托尼奖）Antoinette Perry Award for Excellence in Theatre（托尼奖，全称为安东尼特·佩瑞奖），是由美国戏剧协会为纪念该协会创始人之一的安东尼特·佩瑞女士而设立的。托尼奖被视为美国话剧和音乐剧的最高奖，每年举行的颁奖仪式通过哥伦比亚广播公司播出。其中，《少林武魂》是首个入围托尼奖的中国剧目。9、Pritzker Architecture Prize（普里茨克建筑奖）The Pritzker Architecture Prize（普里茨克建筑奖），具有“建筑界的诺贝尔奖”之美名。其中，王澍是首位获得普利兹克建筑奖的中国建筑师。10、Turing Award（图灵奖）Turing Award（图灵奖），全称“A.M. 图灵奖（A.M Turing Award）”，由美国计算机协会（ACM）设立，它是计算机界最负盛名、最崇高的一个奖项，有“计算机界的诺贝尔奖”之称。目前，图灵奖由Google公司赞助。11、Pulitzer Prizes（普利策奖）The Pulitzer Prizes（普利策奖，也称为普利策新闻奖），现在，不断完善的评选制度已使普利策奖成为全球性的一个奖项，被称为“新闻界的诺贝尔奖”。约翰·肯尼迪（John Kennedy），是唯一获得这个奖项的美国总统。普利策奖包括新闻奖和艺术奖两大类，其中新闻奖，更是代表了美国报界的最高荣誉。

行业最前沿用英语怎么说？这涉及一个习惯用语。cutting edge在20世纪50年代流行起来，至今仍常用的一个英语习语，用来形容在创新方面特别先进（advanced），处于领先地位（leading position）或全新的东西：A few universities — including Harvard and the University of Washington — are at the cutting edge of the concept.一些大学的学说——包括哈佛大学和华盛顿大学——处于这一概念的前沿。I like that everything here is very cutting edge, everything here is at the highest levels.我很喜欢，这里的一切都很前沿，都是最高水平的。We are using cutting edge technology generally only used in hospitals and ambulances for sanitizing.我们正在使用一般只用于医院和救护车消毒的先进技术。The cutting edge, new instries shy away from Pennsylvania because of its high taxes.由于宾夕法尼亚州的高税收，尖端的新兴产业它避而远之。She was on the cutting edge of research and won the respect of fellow scientists.她的研究处于最前沿，赢得了同行们的尊敬。cutting edge的字面意思是像用来耕田的犁这类工具最锋利的那面刃。短语和它所表达的意义与构成它们的词的字面定义稍有不同的，我们称为习语。这类习语为我们提供了口语化、丰富多彩的表达。cutting edge也可以用leading edge代替：To survive, companies must stay on the leading edge of technology.为了生存，公司必须保持技术的领先优势。Especially in the field of electric vehicles, BYD has the world's leading edge technology and car battery proction platform.特别是在电动车领域，比亚迪拥有世界领先的技术和汽车电池生产平台。bleeding edge也表示：(设备、技术)最先进的，尖端的；(某一活动领域的)最前沿，最令人兴奋的发展阶段。In 1969, internet networking was a bleeding edge technology.1969年，互联网网络是一项最前沿的技术。bleeding edge比cutting edge或leading edge更新、更极端，风险更大。图片来自网络，版权为原作者所有！

#人工智能#不仅是指寻求如何替代人类的机器人或人类寻求自我挑战的游戏，更是指运用复杂的程序化数学，其结果与高质量的训练数据相结合，推动了我们在日常生活中所看到的技术进步。从无人驾驶汽车到寻找癌症的治疗方法，人工智能正在逐渐渗透我们的生活之中。人工智能与机器学习以下是内容由“澳鹏 | AI与机器学习干货大本营”编辑，希望能帮助对人工智能领域感兴趣的学者或是专业人士，如果有任何遗漏也请随时回复我们，我们将及时更新！AA/B Testing（A/B 测试）一种受控的真实实验，用于比较系统或模型的两个变体 A 和 B。Activation Function（激活函数）在人工神经网络的情境中，接受来自上一层的所有输入的加权和并生成输出值来激活下一层的函数。Active Learning (Active Learning Strategy)（主动学习（主动学习策略））半监督机器学习的一种特殊情况，在这种情况下，学习代理能够以交互的方式查询数据库（通常是人工标注员），以获取新数据点的标签。Algorithm（算法）一种关于如何解决某一类问题的过程的明确规范，它能够执行计算、处理数据并进行自动推理。Annotation（标注）附加到一条数据之上的元数据，通常由人工标注员提供。Area Under the Curve (AUC)（曲线下面积 (AUC)）机器学习中用于确定在多个使用的模型中哪个模型具有最高性能的一种方法。Artificial Intelligence（人工智能）机器学习中用于确定在多个使用的模型中哪个模型具有最高性能的一种方法。Artificial Neural Networks（人工神经网络）由简单互联单元（称作神经元）的连续层所构成的一种架构，这些单元与非线性激活函数交织在一起，会让人模糊地联想到动物大脑中的神经元。Association Rule Learning（关联规则学习）一种基于规则的机器学习方法，用于发现大型数据集中变量之间的关系。Autoencoder（自动解码器）一种人工神经网络，用于以无监督、非线性的方式生成高效的数据表示，通常用于降低维度。Automated Speech Recognition（自动语音识别）计算语言学的一个子领域，主要是关于通过计算机识别和翻译口语的方法。BBackpropagation (Backpropagation Through Time)（反向传播（基于时间的反向传播））用于训练人工神经网络，进而计算网络权重计算所需梯度的一种方法。Batch（批量）在模型训练的单个梯度更新中使用的示例集。Bayes’s Theorem（贝叶斯定理）统计学家根据可能与某个存在相关的先验条件知识描述某个事件的概率时所用的一个著名定理。Bias (Inctive Bias, Confirmation Bias)（偏差（归纳偏差、确认偏差））归纳偏差：学习者在给定输入条件下预测尚未遇到的输出时所用的假设事项集。确认偏差：以确认自己的信念或假设的方式搜索、解释、赞成和回想信息，而较少关注与之相矛盾的信息的趋势。Bias-Variance Tradeoff（偏差与方差权衡）当数据科学家尝试同时最大程度地减小偏差和方差时所产生的冲突，该冲突不利于监督算法推广到他们的训练集范围之外。Boosting（提升）主要用于减少监督学习中的偏差和方差的一种机器学习集成元算法，以及将弱学习者转化为强学习者的一系列机器学习算法。Bounding Box（边界框）完全包含一组点或一个对象的最小（矩形）框。CChatbot（聊天机器人）一种旨在通过对话与人类用户进行交互的计算机程序或 AI。Classification（分类）对映射函数进行从输入变量到离散输出变量的近似处理的任务，或者从广义上来说，是指用于确定特定实例所属的类的某一类机器学习算法。Clustering（聚类）在机器学习中，是指对一组对象进行分组，使得同一组（即集群）中的对象彼此之间的“相似性”高于与其他组中的对象“相似性”的无监督任务。Cold-Start（冷启动）由于系统无法针对尚未收集到足够信息的用户或项目推断出任何信息而引起的潜在问题。Collaborative Filtering（协作过滤）在推荐系统中使用的一种方法，用于通过收集来自较大用户组的偏好来预测用户的兴趣。Computer Vision（计算机视觉）机器学习的领域之一，主要研究如何获得对图像或视频的高级理解。Confidence Interval（置信区间）一种区间估计，可能包含未知总体参数的真实值。该区间与置信水平相关，而置信水平用于量化参数在区间中的置信度。Contributor（贡献者）在 Figure Eight 上提供标注服务的人工标注员。Convolutional Neural Network (CNN)（卷积神经网络 (CNN)）一种深层、前馈人工神经网络类别，通常用于计算机视觉。Central Processing Unit (CPU)（中央处理单元 (CPU)）计算机中通过执行指令指定的基本算术、逻辑、控制和输入/输出操作来执行计算机程序的指令的电子电路。Cross-Validation (k-fold Cross-Validation, Leave-p-out Cross-Validation)（交叉验证（k 折交叉验证、留 p 法交叉验证））旨在评估如何将预测模型的结果推广到新数据集的一组流程。– k 折交叉验证– 留 p 法交叉验证DData (Structured Data, Unstructured Data, Data augmentation)（数据（结构化数据、非结构化数据、数据增强））所有机器学习和人工智能项目的最基本要素。非结构化数据：未经处理的原始数据。文本数据是非结构化数据的完美示例，因为它没有格式化为特定功能。结构化数据：以机器学习算法可摄取的方式处理的数据；如果是监督机器学习，则为已标记数据、在 Figure Eight 平台上处理后的数据。数据增强：将内外部来源衍生的新信息添加到数据集的过程（一般通过标注来实现）Decision Tree（决策树）监督机器学习算法的一个类别，在此类算法中，数据会根据给定参数或条件进行迭代拆分。Deep Blue（深蓝 (Deep Blue)）由 IBM 开发的国际象棋游戏计算机，作为全球首个在常规时限内同时战胜了国际象棋游戏和国际象棋比赛卫冕世界冠军的计算机国际象棋游戏系统而闻名。Deep Learning (Deep Reinforcement Learning)（深度学习（深度强化学习））与特定任务的算法相反，基于学习数据表示的更广泛的机器学习方法系列。深度学习包括监督学习、半监督学习或无监督学习。维度（降维、维度灾难）降维：通过获取一组主变量来减少所考虑的随机变量数量的过程。另请参见特征选择。维度灾难：由于维数越多，可用数据量越稀疏这一事实，在高维空间中分析和组织数据时出现的一种现象。EEmbedding (Word Embedding)（嵌入（词嵌入））某个实例中所含的某个数学结构的另一个实例，例如作为另一个组的子组的组。Ensemble Methods（集成方法）在统计和机器学习中，集成方法使用多种学习算法来获得更好的预测性能，而这种性能可以单独从任何组合式学习算法中获得。与统计力学中通常是无限的统计集成不同，机器学习集成仅由一组有限的替代模型组成，但通常允许在这些替代模型之间存在更灵活的结构。Entropy（熵）随机数据源传达的平均信息量。Epoch（时期）在深度学习模型训练场景中，完整训练数据集的一次训练循环。FFeature (Feature Selection, Feature Learning)（特征（特征选择、特征学习））用作模型输入的变量。Feature Learning（特征学习）旨在自动从原始数据中发现特征检测或分类所需的表示的一组技术。False Positive（误报）由于结果在虚无假设原本不应该存在的情况下拒绝虚无假设而导致的误差。False Negative（漏报）由于结果在虚无假设应该存在的情况下未拒绝虚无假设而导致的误差。Feed-Forward (Neural) Networks（前馈（神经）网络）一种人工神经网络，其中神经元之间的连接不会向后移动或形成循环。F-Score（F 得分）衡量模型准确性的一个指标，它会考量准确率和召回率来计算得分。更具体地说，F 得分是准确率和召回率的调和平均值，该平均值的最大值为 1（完美的准确率和召回率），最小值为 0。GGarbage In, Garbage Out（垃圾进垃圾出）一项原则，具体说的是：只要输入数据存在缺陷，就会导致误导性的结果并产生无意义的输出，也就是“垃圾”。General Data Protection Regulation (GDPR)（通用数据保护条例 (GDPR)）欧盟颁布的一部针对欧盟内所有个体的数据保护和隐私法规，旨在控制公民和居民对其个人数据的控制。Genetic Algorithm（遗传算法）基于进化论的一种启发式搜索算法，进化论反映了自然选择的过程，在这个过程中，最能适应环境的个体会被选出生产下一代。Generative Adversarial Networks (GANs)（生成对抗网络 (GAN)）无监督机器学习中使用的一种人工智能算法类别，作为零和游戏框架中相互竞争的两个神经网络的组合予以实施。Graphic Processing Unit (GPU)（图形处理单元 (GPU)）一种专用的电子电路，它采用并行处理架构，旨在快速操作和更改内存，以加速图像渲染，从而使其可以同时执行多个计算。Ground Truth（事实真相）通过直接观察（而非推论）获得的一条信息。HHuman-in-the-Loop（人机协同）人机协同 (HITL) 是人工智能的一个分支，它同时利用人类智能和机器智能来构建机器学习模型。在传统的“人机协同”方法中，人们会参与到一个良性循环，在其中训练、调整和测试特定算法。Hyperparameter (Hyperparameter Tuning)（超参数（超参数优化））模型外部的一种配置，其值无法从数据中估算出来，数据科学家会在模型训练过程中不断对其进行调整。手动确定训练特定模型最佳配置的过程。IImageNet一个庞大的视觉数据集，由 1400 万个手工标注图像的 URL 组成，并以两万 (20,000) 个不同类别进行组织，旨在用于视觉对象识别研究。Image Recognition（图像识别）计算机视觉中用于确定图像是否包含某些特定对象、特征或活动的问题。Inference（推理）通过将经训练的模型运用到新的未标记实例来进行预测的过程。Information Retrieval（信息检索）计算机科学的一个领域，旨在研究在文档中搜索信息、搜索文档本身、搜索描述数据的元数据以及搜索文本、图像或声音数据库的过程。LLayer (Hidden Layer)（层（隐藏层））人工神经网络中的一系列神经元，旨在处理一组输入特征，或者从广义上来说，处理这些神经元的输出。隐藏层：神经元的一层，其输出连接到其他神经元的输入，因此不能作为网络输出直接实现可视化。Learning-to-Learn（元学习）机器学习领域的一个新方向，主要是研究算法如何通过分析自己的学习过程并对其加以改进来改变其归纳方式。Learning-to-Rank（排序学习）运用机器学习构建信息检索系统的排名模型。Learning Rate（学习率）梯度下降算法在人工神经网络训练阶段的每次迭代中所用的标量值，与梯度相乘得出结果。Logit Function（Logit 函数）在数学中（尤其是在统计学中）使用的 S 型“逻辑”函数的逆函数。Long Short-Term Memory Networks（长短期记忆网络）递归神经网络的一种变体，可用作梯度消失问题的一种解决方案。MMachine Learning（机器学习）人工智能的一个子领域，通常使用统计技术来赋予计算机“学习”能力，即借助数据来逐步提高特定任务的性能，而无需进行显式编程。Machine Learning Lifecycle Management（机器学习生命周期管理）机器学习系统的 DevOps。Machine Translation（机器翻译）计算语言学的一个子领域，主要是研究如何使用软件将文本或语音从一种语言翻译成另一种语言。Model（模型）模型是机器学习系统通过训练过程从训练数据中所学到内容的抽象表示。Monte Carlo（蒙特卡洛方法）一种使用重复随机采样生成合成模拟数据的近似方法。Multi-Modal Learning（多模式学习）机器学习的一个子领域，旨在将多模式信号合并到一起进行解释，并构建模型来处理和关联来自多种数据类型的信息。Multi-Task Learning（多任务学习）机器学习的一个子领域，同时利用多个任务之间的异同来解决多个任务。NNaive Bayes（朴素贝叶斯）基于贝叶斯定理并在特征之间具有很强的独立性假设的一系列简单概率分类器。Named Entity Recognition（命名实体识别）信息提取的一个子任务，旨在将文本中的命名实体识别和分类为预定类别，例如名称、位置、词性等。Natural Language Processing (NLP)（自然语言处理 ）人工智能领域之一，主要是研究计算机语言与人类语言之间的交互，尤其是如何处理和分析大量自然语言数据。Neural Networks（神经网络）参见人工神经网络Neuron（神经元）人工神经网络中的一个单元，用以处理多个输入值，以生成单个输出值。Node（节点）参见神经元OOptical Character Recognition（光学字符识别）将打印、手写或键入文本的图像转换为机器友好的文本格式。Optimization（优化）从可用替代方案中（基于某些标准）选择最佳方案。Overfitting（过度拟合）模型在不知情的情况下识别出噪声中的模式并假设这些模式代表了底层结构；模型的生成结果与特定数据集过于接近，因此无法很好地归纳到不可见的观察结果。PPattern Recognition（模式识别）机器学习的领域之一，主要专注于数据模式的（监督或无监督）识别。Pooling (Max Pooling)（轮询（最大轮询））将卷积层生成的矩阵缩减为较小矩阵的过程。Personally Identifiable Information（个人可识别信息）可以单独使用或与某些其他信息结合使用，以识别特定个人的任何信息。Precision（准确率）正确的阳性结果数除以分类器返回的所有样阳性结果数。Prediction（预测）带有输入实例的训练模型的推断输出。Preprocessing（预处理）将原始数据转换为更易理解格式的过程。Pre-trained Model（预训练模型）通常已使用另一个数据集进行了初步训练的模型或模型的组成部分。另请参见：转移学习。Principal Component Analysis（主组件分析）使用正交变换将一组可能相关变量的观测值转换为一组线性不相关变量（称为主组件）的过程。Prior（先前技术）在考虑新证据之前，代表特定数量的先前存在信念的概率分布。RRandom Forest（随机森林）一种集成学习方法，其工作原理是在训练时构造大量决策树并输出每个单独树的结果的组合版本（例如均值或众数）。Recall（召回率）所有相关样本中被正确分类为阳性的样本数所占百分比。Rectified Linear Unit（整流线性单元）使用整流函数作为激活函数的单元。Recurrent Neural Networks（递归神经网络）人工神经网络的类别之一，其中神经元之间的连接沿着序列形成有向图，使其表现出时序动态时间行为并使用其内部状态（内存）来处理顺序信号。Regression (Linear Regression, Logistic Regression)（回归（线性回归、逻辑回归））一组用于估计变量间关系的统计过程。线性回归：一种简单的回归类型，以特征的线性组合作为输入，并输出连续值。逻辑回归：一种回归类型，通过将 S 型函数运用到线性预测对分类问题中每个可能的离散标签值生成概率。Regressor（回归器）一种特征，即用作模型输入的解释性变量。Regularization（正则化）引入额外信息以防过度拟合的过程。Reinforcement Learning（强化学习）机器学习的子领域之一，主要是受人类行为的启发，研究代理应如何在给定的环境中采取行动，以实现累积奖励概念的最大化。Reprocibility (crisis of)（可再现性（危机））科学领域的一种方法论危机，即学者们发现：许多科学研究的结果很难或不可能在独立研究人员或最初研究人员自己的后续研究中复制或再现。Restricted Boltzmann Machines（受限玻尔兹曼机）受限玻尔兹曼机 (RBM) 是一种生成型随机人工神经网络，可以学习其输入集上的概率分布。SSemi-Supervised Learning（半监督学习）监督学习技术的一个类别，它还可以利用可用的未标记数据进行训练，通常结合使用少量的已标记实例与大量的未标记行。另请参见监督学习和无监督学习。情绪分析使用自然语言处理、文本分析、计算语言学和生物特征识别等功能系统地识别、提取、量化和研究受影响的状态和主观信息。Speech Recognition（语音识别）参见自动语音识别Statistical Distribution（统计分布）在统计学中，经验分布函数是指与样本的经验指标相关的分布函数。该累积分布函数是一个阶跃函数，在 n 个数据点中的每个数据点上都跳了 1/n 次。它在测量变量的任何指定值处的值都是小于或等于对应指定值的测量变量观察值的分数。Supervised Learning（监督学习）一种机器学习任务，主要是指基于示例输入/输出对学习将输入映射到输出的函数。Support Vector Machines (SVM)（支持向量机(SVM)）由一个单独的超平面正式定义的一种判别分类器类别，对于每个提供的带标记训练数据点，算法都会输出一个对新示例进行分类的最佳超平面。Synthetic Data（合成数据）当无法收集足够的实际数据或原始数据不满足特定要求时人工生成的数据。TTensorFlow一种开源代码库，在机器学习社区中非常流行，用于跨一系列任务的数据流编程。它是一个符号数学库，还可用于神经网络等机器学习应用。Time Series (Time Series Data)（时序（时序数据））在特定时间记录并根据它们的出现顺序进行索引处理的一系列数据点。Testing (Testing Data)（测试（测试数据））测试是指在监督机器学习情境中，使用保留数据评估模型最终性能的过程。测试数据：数据科学家针对模型开发的测试阶段而选择的可用数据的子集。Topic Modeling（主题建模）无监督机器学习算法的一种类别，它使用聚类功能在文本数据中查找隐藏的结构并作为一个主题对其进行解释。Training Data（训练数据）在监督机器学习情境中，构建可从数据中学习并根据数据进行预测的算法。训练数据：数据科学家针对模型开发的训练阶段而选择的可用数据的子集。Transfer Learning（转移学习）机器学习的一个领域，其重点在于使用获得的知识来解决特定问题，并将此类知识运用到其他相关问题。Turing Test（图灵测试）由艾伦·图灵开发的一种测试，用于评估机器表现出与人类相同的智能行为的能力。该测试包括人机聊天。如果在测试房间之外见证对话的评估人员不能可靠地区分人类与受测机器，则可以认定该机器已经通过了图灵测试。Type I Error（I 类误差）参见误报Type II Error（II 类误差）参见漏报UUncertainty（不确定性）可能包含真实值的一系列值。Underfitting（拟合不足)机器学习算法无法正确捕获数据的底层结构，通常是因为模型不够高级或不适用于当前任务；与过度拟合的涵义相反。Unsupervised Learning（无监督学习）机器学习的领域之一，包括对用于描述未标记数据结构的函数进行推断。VValidation（验证）使用保留数据评估训练模型性能的过程；与模型性能最终评估的测试阶段相反，验证阶段旨在确定是否需要对模型进行任何迭代修改。Vanishing/Exploding Gradients（消失/爆炸梯度）数据科学家在采用基于梯度的学习方法和反向传播对人工神经网络进行训练时，由于神经网络中接收与误差函数偏导数成比例的更新的权重（考虑到每个训练迭代中的当前权重）而面临的可怕困难和主要障碍。Variance（方差）由于对训练集中小波动的敏感性而引起的误差，该误差按照针对随机变量与其平均值的平方偏差的期望值进行计算。

近日，中国科学院计算技术研究所大数据研究院、益普索中国(咨询)有限公司以及南方周末三大机构联合发布《2021中国K12在线英语发展蓝皮书》。报告显示，有36%的受访家长对“英语发音”和“英语口音”两个概念分不清楚。具体来说，受访家长对英语发音是否存在统一的标准存在较大分歧；有27%的受访者认为英语发音和口音是一样的，而9%的家长持不确定的态度。在《2021中国K12在线英语发展蓝皮书》发布会现场，来自中外知名学府的专家与教授也对此问题进行剖析，一致认为“英语发音和口音是两个概念。英语学习不应该过份纠结英语口音，用英语流利进行对话和表达对语言学习者来说更为重要”。口音并不等于发音，英语学习者不必纠结前英国利兹大学教育学院国际教育学科负责人Martin Wedell在会上表示，“发音指的是理解不同音代表的意义，并且知道如何用嘴、舌、唇来清晰地发出这些音。口音指的是人们用不一样的方式发出、组合一门语言的音，这是两个截然不同的概念。”“英语学习，没有所谓的唯一正确口音这一说。长期来看，如果在线英语学习者了解英语发音规则，但仍然带有汉语口音，也几乎不会妨碍其与其他说英语者的交流，” Martin Wedell教授补充道，“真正阻碍我们开口说英语的不是纯正的口音，也不是有限的词汇量，而是能够脱口而出的“英语语流”——由节奏、语调、句重音与弱式、音变和语感共同组成。”前英国利兹大学教育学院国际教育学科负责人Martin Wedell 在传统的语言学研究领域，英语口音涉及到两个层面：一是个人层面。因为每个人因为发音器官不同，说话习惯不同啊，可能会有不同的发音习惯，所以有口音肯定是难免的。另一个是群体层面，因为地域、人群或者因为阶层等等成的一些口音的变化，人们会去关注它。在语言学习方面，过去人们比较多的强调标准的口音，因为人们认为说一种标准的语言是没有口音的，但现在更主流的观点是“任何口音都是可以接受的，只要不影响沟通就可以。”达特茅斯学院的语言学专家Roberto Rey Agudo曾在《纽约时报》发表题为《人人都有口音》的观点评论文。在他看来，口音不过是一种受到地理、社会阶层、教育和第一语言等因素合力影响的说话方式。我有口音，你也有口音，人人都有口音。没有完美的、中立的、不带任何口音的英语或者任何一种语言。说某人没有口音就像说某人没有五官一样不可信。Roberto Rey Agudo也表示，“英语是一种全球语言，有许多母语和非母语变种。在世界范围内，非母语的英语使用者人数是英语母语者的三倍。即使在拥有最多英语母语人口的美国，根据一项估计，也有近5000万人将英语作为第二语言……口音本身就是衡量语言能力的浅层标准，在语言的世界里，就相当于通过外表来评判他人。相反，我们应该警惕我们的语言偏见，在形成判断之前学会更深入的倾听。”英语学习贵在习得英语思维，准确流利表达在中国主流问答平台知乎上有人提问，“中国人说英语最大的障碍是什么？”一位在美国出生的华人博主Larry Wang这么回答：“中国人说英语最大的障碍是说的时候想太多。许多人在与外国人交流时，往往会担心太多，太紧张，觉得自己词汇量不够大，会犯语法错误，口音太重等等。英语发音和口音的标准，说到底不过是国外的标准。发音和口音，可以在不断的开口练习中不断完善。而且除了发音和口音，言之有物的表达更加重要。”（上海外国语大学语言研究院副院长,国家语委科研基地中国外语战略研究中心副主任朱晔） 上海外国语大学语言研究院副院长,国家语委科研基地中国外语战略研究中心副主任朱晔认为，“在我们当今世界，其实说到英语也不是一个相同的发音，我们有各种各样的发音，包括我们中国人说英语，有一些中国特色的发音我们也是可以接受的。”“目前，我们可能在一些特殊人群当中，比如说是一些专门的播音员、高级翻译方面，我们会比较多地强调语音的准确性。但是对于一般的人学英语，我们不强调口音或者说发音，而是说只要能够流利地表达能够准确地表达自己的观点，人家听的时候不会造成误解就可以。”来源：中国日报网

近日，中国科学院计算技术研究所大数据研究院、益普索中国(咨询)有限公司以及南方周末三大机构联合发布《2021中国K12在线英语发展蓝皮书》。报告显示，有36%的受访家长对“英语发音”和“英语口音”两个概念分不清楚。具体来说，受访家长对英语发音是否存在统一的标准存在较大分歧；有27%的受访者认为英语发音和口音是一样的，而9%的家长持不确定的态度。在《2021中国K12在线英语发展蓝皮书》发布会现场，来自中外知名学府的专家与教授也对此问题进行剖析，一致认为“英语发音和口音是两个概念。英语学习不应该过份纠结英语口音，用英语流利进行对话和表达对语言学习者来说更为重要”。口音并不等于发音，英语学习者不必纠结前英国利兹大学教育学院国际教育学科负责人Martin Wedell在会上表示，“发音指的是理解不同音代表的意义，并且知道如何用嘴、舌、唇来清晰地发出这些音。口音指的是人们用不一样的方式发出、组合一门语言的音，这是两个截然不同的概念。”“英语学习，没有所谓的唯一正确口音这一说。长期来看，如果在线英语学习者了解英语发音规则，但仍然带有汉语口音，也几乎不会妨碍其与其他说英语者的交流，” Martin Wedell教授补充道，“真正阻碍我们开口说英语的不是纯正的口音，也不是有限的词汇量，而是能够脱口而出的“英语语流”——由节奏、语调、句重音与弱式、音变和语感共同组成。”在传统的语言学研究领域，英语口音涉及到两个层面：一是个人层面。因为每个人因为发音器官不同，说话习惯不同啊，可能会有不同的发音习惯，所以有口音肯定是难免的。另一个是群体层面，因为地域、人群或者因为阶层等等成的一些口音的变化，人们会去关注它。在语言学习方面，过去人们比较多的强调标准的口音，因为人们认为说一种标准的语言是没有口音的，但现在更主流的观点是“任何口音都是可以接受的，只要不影响沟通就可以。”达特茅斯学院的语言学专家Roberto Rey Agudo曾在《纽约时报》发表题为《人人都有口音》的观点评论文。在他看来，口音不过是一种受到地理、社会阶层、教育和第一语言等因素合力影响的说话方式。我有口音，你也有口音，人人都有口音。没有完美的、中立的、不带任何口音的英语或者任何一种语言。说某人没有口音就像说某人没有五官一样不可信。Roberto Rey Agudo也表示，“英语是一种全球语言，有许多母语和非母语变种。在世界范围内，非母语的英语使用者人数是英语母语者的三倍。即使在拥有最多英语母语人口的美国，根据一项估计，也有近5000万人将英语作为第二语言……口音本身就是衡量语言能力的浅层标准，在语言的世界里，就相当于通过外表来评判他人。相反，我们应该警惕我们的语言偏见，在形成判断之前学会更深入的倾听。”英语学习贵在习得英语思维，准确流利表达在中国主流问答平台知乎上有人提问，“中国人说英语最大的障碍是什么？”一位在美国出生的华人博主Larry Wang这么回答：“中国人说英语最大的障碍是说的时候想太多。许多人在与外国人交流时，往往会担心太多，太紧张，觉得自己词汇量不够大，会犯语法错误，口音太重等等。英语发音和口音的标准，说到底不过是国外的标准。发音和口音，可以在不断的开口练习中不断完善。而且除了发音和口音，言之有物的表达更加重要。”上海外国语大学语言研究院副院长,国家语委科研基地中国外语战略研究中心副主任朱晔认为，“在我们当今世界，其实说到英语也不是一个相同的发音，我们有各种各样的发音，包括我们中国人说英语，有一些中国特色的发音我们也是可以接受的。”“目前，我们可能在一些特殊人群当中，比如说是一些专门的播音员、高级翻译方面，我们会比较多地强调语音的准确性。但是对于一般的人学英语，我们不强调口音或者说发音，而是说只要能够流利地表达能够准确地表达自己的观点，人家听的时候不会造成误解就可以。”本文来源：中国日报网

研究生与本科生最大的区别，就在于“研究”二字，虽然说不是所有学校都要求研究生必须发表论文，但如果读研期间没有发表论文，可能会有点“难堪”。一名研究生导师在科研论坛分享了自己对于研究生的看法，从一名老师的角度分享了自己的经验心得，从学会阅读英文文献到学习研究的方式方法，不一而足。在这其中，这名导师特意强调了研读英文文献的重要性，并提到：阅读一篇自己研究方向的英文文献，在字典帮助下，能否在3小时内完全读懂和理解？阅读一篇本领域的文献时，能否自然地联想起3篇以上相关的文献？如果还做不到，那就还没有跨入科研的门槛，还需加油。学会阅读英文文献下面这个方法值得一试，可以逐渐提高英文文献的阅读能力。先找一本中文经典的研究书籍，仅看某一节感兴趣或与自身研究领域相关的内容，这样对本领域的研究内容有个大致的印象。然后再找一两篇该领域对应的英文综述认真阅读一下，不会的单词可用电子词典查一查，也许读第一篇文章需要花两天，过两天再读第2遍时，也许只要一天，然后再读第2篇时也许只要半天！初始的中文阅读积累了初始的研究印象，后面的英文文献基本八九不离十，会有一种似曾相似的感觉，从而建立起读英文文献的信心。最后一定会真正发现读英文文献的快乐。好的文章分析真的透彻，内容丰富，当需要重点研究时，一般先通览一下近期研究的文献的摘要，有选择地读几篇好文。如果平时读得多了，自然会有感觉，最后再找更高级别杂志的文章读。国外著名的科学家一般都有一个习惯，即每周都认真读1到2篇 Science、Nature、Cell等高级别文章。这些杂志大部分内容都是免费的，也能得到大量有用的信息。学习与研究需注意方式方法注意利用好学长资源，可能节省大量的时间和精力。作为低年级研究生，无论学长们的工作做得是不是特别出色，最好真诚地与他们交流、沟通，向他们请教，将他们掌握或领悟到的核心技术和关键步骤学到手，这非常重要。一般来说，由于毕业有诸如发表文章等硬性要求，实验室内部也存在隐形竞争，有的学长不大可能在平时将所掌握的东西全部告诉你，也不可能毫无保留地向老板汇报，而这些恰好是你需要的。也许他们教你，只需一句话，指点一个实验步骤，但对你来说可以节约几个月的摸索时间。多看文献，多看高档次杂志的最新文献，即使所在的学校或研究所没有某种资源，也可以通过网络交流，文献传递等来获取你要的资料，文献是用来学习的，不是用来收藏或向他人炫耀的。而且要学会看文献，只有少数文献才需要精读或反复读，反复领会。读研的其它忠告一口吃不成大胖子。将要解决的难题分步骤逐渐解决，虽然全局很重要，但可以将一个大问题分成多个小问题，逐个解决，不要急于三下两下就解决而弄得自己焦躁不安，这无助于问题的解决，否则，研究生就不必几年才能毕业了。每个人考虑问题的角度不同，留意同领域人员的不同意见，虽然他们的意见未必正确，他们“不经意”的一句话，很可能对解决问题很有帮助。研究生第一年上课，第三年找工作，写毕业论文，答辩，很快就过去了。因此，做事一定要有计划，头脑要清楚，要主动，确定导师以后就该主动多与导师联系，多与课题组的学长联系，早着手准备，不要总是等导师催。做完实验，尽早处理结果，这对后续实验设计非常重要，很多东西不是自己想象的结果，要分析，调整实验方案，不要等到毕业再来处理，到时候有问题已经来不及了。若有可能，在研究生期间尽早投一篇文章给好一点的杂志，即使不能发表，也会很有收获，因为好杂志往往会请相关领域的专家进行评审，会给出很详细的评审意见，这对研究生小白来说，是非常重要的指导。最后，不要抱怨！无论遇到什么问题，导师、课题组成员等，正确处理，努力学习，与人为善，开心生活。

一说到综述的写作，许多人都觉得迷茫，困难，不知道从何下手，更别说英文综述的写作了。所以，下面为大家总结了写SCI英文综述四部曲。希望能给有需要的朋友们提供一些帮助。一．选题怎么选英文综述的选题的重要性决定了你文章接收的机率有多少。一篇好的综述，能够让人耳目一新，即使对这个领域不甚了解的学者，看完之后也能有大致的轮廓。选题重在新颖，而选题恰恰是最困扰我们的一个难题，选题的来源可以是在临床工作中遇到的待解决的问题，或者实验过程中所涉及的领域。比如，在临床工作中，我们遇到有某些临床病理特征比较特殊的，对我们以后的临床工作有较大的提示作用，我们完全可以通过查阅文献把该病种的相关特征及发生机理补充完善，这也是很有意义的一件事情。即使你觉得综述可能写起来比较繁琐，你也可以把它总结成简单的case report，这对我们以后的临床工作都有着重要的意义。另外，我们在实验过程中，自然而然会查阅众多本领域的文章，而在查阅过程中，可能会发现有一些角度可以作为我们综述的内容。综述不在于内容有多宽泛，重点在于精，把一个微小的内容说得清清楚楚、明明白白就赢了。二．选题的可行性选题可行性的确定，需要我们查阅大量文献。如果，我们的立题在最近几年比较少人涉及，而且有一定篇幅文章发表，那么相对来说比较好写。如果最近几年有比较多的类似文章发表，那我们应该看看能不能从别的角度去看看。另外，研究存在争议的内容也是可以作为研究对象的，但是要把存在争议的原因解释清楚了。三．结构要清晰，框架要完整一旦确定了你的立题并其依据可行，接下来就是写作了。写作的时候，每个人都有不同的习惯，比如进行列提纲，把每部分要写的内容先做一个简单的罗列，如果没有问题，接下来就按提纲来写。这样，写一部分查阅一部分的文献，比较有条理性。查阅文献时要做好笔记，方便后面引用参考文献时用。四．要有个人的观点综述并不是简单的文献罗列，重要的是要在文章中阐述自己的观点，这一点很重要。要把自己对该领域理解的内容以文献的形式告诉大家，好让大家有个宏观的概念。在文章写完后，可以找同行审阅下，多修改几遍。其实，英文SCI综述并非遥不可及，在我们查阅大量文献的前提下，自然会对这个领域有个系统的了解，找一个切入点也就不是难题了。以上就是总结的写SCI英文论文四部曲了，做好这四步，相信你的写作也能事半功倍！希望对大家能有所帮助！意格编辑，您的学术服务专家！