| نمایه | آخرین بروز رسانی |
|---|---|
| Scopus | فوریه ۲۰۲۲ |
| ISI | اکتبر ۲۰۲۳ |
| SCImago | ژانویه ۲۰۲۰ |
| ISI Open Access Journals | می ۲۰۲۵ |
| لیست سیاه وزارت علوم | آبان ۱۴۰۲ |
| لیست سیاه وزارت بهداشت | آبان 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 | مارس ۲۰۲۵ |
| آمار دانلود مقالات هر مجله | ژانویه ۲۰۲۲ |
| نمایه | آخرین بروز رسانی |
|---|---|
| Scopus | نوامبر ۲۰۲۵ |
| ISI | نوامبر ۲۰۲۵ |
| SCImago | می ۲۰۲۵ |
| ISI Open Access Journals | می ۲۰۲۵ |
| لیست سیاه وزارت علوم | آذر ۱۴۰۴ |
| لیست سیاه وزارت بهداشت | فروردین ۱۴۰۳ |
| لیست سیاه دانشگاه آزاد | دی ۱۴۰۳ |
| مجلات دارای زمان داوری | می ۲۰۲۵ |
| مجلات درجه بندی شده از نظر سختی پذیرش | می ۲۰۲۵ |
| فراخوانهای مقاله | مارس ۲۰۲۵ |
| آمار دانلود مقالات هر مجله | می ۲۰۲۵ |
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
Scopus این مجله در فهرست مجلات Scopus قرار دارد و با نام Journal of Machine Learning Research ثبت شده است. بر اساس تقسیم بندی این بنیاد مقالات چاپ شده در این مجله در رشته های تخصصی زیر قرار دارند:
SCImago بر اساس دسته بندی این بنیاد این مجله در دسته Q1 قرار دارد
رشته تخصصی و رتبه مجله در آن رشته:
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.