科学

科学引文索引 编辑 锁定 同义词 SCI（科学引文索引）一般指科学引文索引 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。SCI创办人为 尤金·加菲尔德 （Eugene Garfield, September 16,1925～2017）。 中文名 科学 引文索引 外文名 Science Citation Index, 创办时间 1957年 创办地点 美国费城 创办人 加菲尔德 属 性 引文数据库 科技文献检索系统 作 用 进行科学统计与科学评价 收录类型 正刊;特刊;增刊;会议集;编辑文章 目录 1 影响 2 SCI报道 3 引文索引 4 收录类型 科学引文索引影响 编辑 科学引文索引以 布拉德福 (S. C. Bradford)文献离散律理论、以 加菲尔德 (E. Garfield)引文分析理论为主要基础，通过论文的被引用频次等的统计

　　1 　　元素周期表的最后一列是一类“扫兴”的元素，它们被统称为<strong>惰性气体</strong>。大多数元素的原子会和其他原子共享电子，形成化学键，从而构成分子，而<strong>惰性气体原子的最外层的电子本身已经达到“满”的状态，因此它们自身就极其稳定，很少发生化学反应，很难与其他原子结合形成分子</strong>。 　　在地球上，还没有发现天然形成的惰性气体化合物。从上个世纪开始，科学家就在实验室中尝试将惰性气体的原子合成分子。1925 年，科学家在实验室中设法让氦（He）与氢离子（H?）共享一个电子，合成了第一个<strong>氦合氢离子</strong>（HeH?）。天文学家将氦合氢离子称为“分子”，但由于它并不是电中性的，化学家更愿意称之为“分子离子”。 　　1962 年，化学家<strong>尼尔·巴特利特</strong>（Neil Bartlett）诱导氙（Xe）、氟和铂结合，得到了一个芥黄色的化合物——<strong>六氟合铂酸氙</strong>，这是一个电中性分子，也是第一个电中性的惰性气体化合物分子。 　　但在宇宙中，情况可能大不一样。太空是一个寻找惰性气体化合物分子的绝佳场所。惰性气体元素在宇宙中十分丰富。氦是仅次于氢的宇宙中第二丰富的元素，氖（Ne）的丰度大约排在第五或第六名。在星际空间中，温度和密度时常达到极端情况

数据科学 Part II 1.一维数组 （1） 定义和基本操作 part 1 import numpy as np names = np.array(['王伟', '小小', '祝福语', '方起问', '刘少胡']) names array(['王伟', '小小', '祝福语', '方起问', '刘少胡'], dtype='<U3') part 2 print(names.ndim) #数据维度 print(names.size) #数据元素个数 print(names.dtype) #数组元素类型 1 5 <U3 （2）选取元素操作 part 3 print(names[2], names[-1]) 祝福语 刘少胡 （3）截取操作 part 4 names[[1, 2, 4]] #抽取元素 array(['小小', '祝福语', '刘少胡'], dtype='<U3') part 5 names[1:4] #截断数组 array(['小小', '祝福语', '方起问'], dtype='<U3') part 6 names[1:4:2] #设定步长 array(['小小', '方起问'], dtype='<U3') （4）条件选取操作 part 7 names[ (names == '王伟') | (names == '小小') ] #设定筛选条件, 不知道为什么不能用or??

统计数据显示，排名前40％的公司，多数业务决策（约70％）是由数据驱动的，即推动业务驱动决策的组织比本能驱动的组织更有经验。 精准数据统计对企业意义重大 在公司的运营活动中，每天都会产生很多数据，这些看似毫不相关的数据，却也是具有深层次的价值，对公司的运营和发展都具有十分重要的作用和意义。要知道企业的很多重大决策都来源于对数据的分析，每一个重大决策都有可能决定企业以后发展的命运。数据是决策的基础，也是改进工作的指导建议。只有充分利用好数据，才能得出适合公司的、具有针对性的意见和发展计划，从而可以有用的协助管理者对公司的发展和管理作出改善。 精准的数据统计就像为企业提供了一双明目，让管理者不是依靠感觉，而是精确的分析来做出科学的决策，不断的规范、优化企业管理体系，从而提高竞争力。 CRM系统让数据统计分析更简单 在这个大数据时代，信息获取容易，但是管理数据并筛选出有价值的信息却变得越来越困难。对于企业人员来说最头疼的就是如何快速整理数据，每当月末、季度末、年度末，企业就需要汇总各种数据、制作各种报表来进行总结。 CRM系统则是数据统计分析的高手。CRM是建立在“海量”的数据库之上的，可以让企业轻松的自定义各种类型的表单和报表格式，实现对整个工作流中数据的提取、汇总，实时生成各种报表和视图。所以，引进一款CRM，对企业价值巨大： ◆多端数据同步更新，随时随地查看数据报表；

Feynman，DaVinci和特斯拉是我最佩服的天才。 --------------------------------------------------- 中篇科普传记—— 《特斯拉》【俄】Velimir Abramovich著 尼古拉 特斯拉 特斯拉（一） Velimir Abramovich 江立军[译] 　　“事物总是创造于天才的头脑，而非自然。即天才总是在事物真实存在之前就已在头脑中形成关于它们清晰图象。” — Augustine Blessed 　　“我将不再为眼前工作，而是为将来。”在七十年前的纽约特斯拉这样对记者说。“未来将是我的！”—交流电，多相电机，可逆磁场，无线通信，遥控自动学……的发明者。特斯拉是个发明家，他的专利奠定了二十世纪力能学的基础，他独自奋斗数十载研究宇宙形成过程，他还希望就如在他的实际发明中完成对物质和精神的结合那样在理论上完成这一课题。 现在提起尼古拉·特斯拉的名字，人们肯定会把他和所谓的特斯拉线圈，感应电机，还有衡量磁场力的国际单位符号联系起来，而遗忘了他的许多生活逸事和非凡的创造天赋。 特斯拉最多产的创造时期是在美国度过的。他在不同的国家有超过300项的专利发明。其中很大一部分直到今天仍无法重复。例如：辐射能量接收器。除了知道这是一个关于宇宙线能量的转换器外我们对它的工作原理一无所知。1899到1900年间

假设检验 假设检验的基本问题 原假设 H0:原假设或零假设，需要去验证的假设；一般先认定原假设是正确的，然后根据显著性水平选择接受还是拒绝原假设 备择假设 H1: 原假设不成立，就需要拒绝原假设。默认选择备择假设 两类错误 接受或拒绝都可能犯错误 I类错误——弃真错误，发生的概率为α II类错误——取伪错误，发生的概率为β P值 P值是在原假设为真的添加下某一统计量以其观察值为最小值或最大值的事件的小概率。 单侧检验 总体的相应指标不可能更高于/更低于假定总体值。 参考资料：贾俊平《统计学》第七版第八章 来源： CSDN 作者： yxjwhhhh 链接： https://blog.csdn.net/yxjwhhhh/article/details/103844206

　　<strong>大爆炸</strong>后，宇宙中还没有形成恒星、星系和生命，而是充满了辐射和物质。大约在 40 万年后，宇宙进入了所谓的”<strong>黑暗时期</strong>“。这个时期中的宇宙缺乏光亮，遍布着中性的氢原子、氦原子，以及无法看见的<strong>暗物质</strong>。 　　多年来，天文学家一直渴望知道，照亮黑暗时期的<strong>第一批恒星</strong>和<strong>星系</strong>是何时以及如何形成的。 　　在一项新的研究中，天文学家对一个<strong>星系团</strong>的观测表明，<strong>恒星的形成发生在大爆炸后的 3.7 亿年</strong>。新的结果于 2020 年 1 月 1 日发表在《自然》杂志上，为宇宙中第一批恒星和星系的出现时间和地点提供了关键细节。 　　一个<strong>星系团</strong>是由成千上万个星系组成的，这些星系会以大约每秒 1000 公里的速度相互环绕。除了可以看见的物质外，暗物质在星系团中也扮演着重要角色。早在上个世纪 30 年代时，天文学家就发现，星系团中应当包含着大量看不见的暗物质提供了额外的引力，否则星系团应该早就分崩离析了。天文学家会通过研究这些星系团来进行许多天体物理学中的实验，例如测量宇宙的成分，检验广义相对论和其他的引力理论，以及确定星系是如何形成的。 　

如果已知向量 和向量 ，以及他们之间的夹角 ，那么按照定义它们之间的矢量积数值大小为： ，其方向根据右手定则指向屏幕的内部。 这个结果的数值大小等于平行四边形的面积，理由如下： 如果已知向量a和向量b的坐标分别为 和 ，那结果如下： 另一方面从作图法研究一遍，看看怎么直接求平行四边形的面积： 将红色区域用蓝色替换 继续将红色区域用蓝色替换 继续将红色区域用蓝色替换 于是最后的结果如下 来源： CSDN 作者： YDY5659150 链接： https://blog.csdn.net/YDY5659150/article/details/103832739

用“machine learning genomics”在 biorxiv 中检索（限定一下Bioinformatics领域），查看最新文章的标题和摘要，看看机器学习都能做些什么实际的项目。 1. Machine-learning annotation of human splicing branchpoints （RNA剪切体位点预测） 使用机器学习来注释人类剪切体的分支点 需要有 RNA splicing 的知识，首先得搞懂 branchpoint、lariat formation的概念 2. The value of prior knowledge in machine learning of complex network systems （贝叶斯） 生物信息中复杂网络系统中先验知识的价值 预测病人在指定药物或治疗方案下的反应 3. Systematic assessment of multi-gene predictors of pan-cancer cell line sensitivity to drugs exploiting gene expression data （随机森林在药物学上的预测） 通过基因表达数据系统评估泛癌细胞系的多基因预测器对药物的敏感性 指定的基因突变通常用于指导肿瘤病人的用药，大规模的药物基因组数据被用来发现这些对药物敏感的单基因标记

http://www.onlinevideolecture.com/computer-science/nptel-iit-delhi/data-structures-and-algorithms/?course_id=163 http://nptel.ac.in/video.php?subjectId=106102064 http://www.youtube.com/watch?v=s-CYnVz-uh4 mit open course http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/ http://v.163.com/special/opencourse/algorithms.html http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-042j-mathematics-for-computer-science-spring-2010/ Mathematics for Computer Science http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-042j-mathematics-for