得分方向，计算机很多方向是相对容易发SCI的，如光通信等，但对于某些方向就难了，更别说顶级了。发一篇可能说刚刚起步～顶级的就另当别论了哈～
对于新手来说，不容易，论文有一点创新，工作够多，投个三区sci一般投稿花的时间是三个月到半年，新手在此基础上加三个月一般；二区2-3个创新点，论文写作要好，一般三个月到八个月；投一区sci上述充分条件必须满足，然后就是看运气啦，时间不固定。
好发。比较热门。
非常不容易 可以先选择普刊或者学报
据学术堂了解,SCI一共收录3700多本期刊,所有的期刊根据学科领域来划分的话,一篇文章能够找到几十个适合投稿的刊物如果文章是跨学科论文的话,适合投稿的期刊的数量就更多了 sci发表一篇论文难度需要根据学科领域来分情况讨论,某些学科领域自身就具有容易发表的优势,更容易做出成果对于sci某些学科来说,能够很容易的作出成绩,这样想要发表一篇论文并不是什么难事,因为这个学科领域的行业现状和评审规则本身要求就比较低 至于发表一篇sci论文难度有多大,需要根据期刊每年最新的影响因子来探讨,因为期刊的影响因子每年都会更新,但每年更新的数值相差不会太多大多数国内单位都会以期刊的影响因子来判断期刊的学术价值,所以说不同期刊发表一篇sci论文的难度自然也根据影响因子的大小不同而不同
一、专业扎实 专业书籍一般讲的是广泛接受、陈旧的知识。必须了解这些知识，并且对一些数据、公式或专业知识非常熟练。很多人不喜欢读专业书籍，只是把它们作为参考书籍，认为它们对激发自己的研究灵感价值不大。杂志文章，要经常看，多看。对于自己的专业杂志，至少有一些好杂志，每期出版都会及时翻翻。 二、英语扎实 现在年轻一代的英语比以前好。平时就多看看文献，多注意作者用词(最好是英语)、句子的展开、段落的发展。英语比汉语更丰富，用法更灵活。目前很多朋友喜欢用英汉字典或者金山词霸。但是，我发现它们不是很好。小编个人喜欢使用英语字典，这有利于准确理解英语单词。 三、科研工具扎实 包括室内野外，实验技能和写文章所需的主要软件工具。不同的专业对实验有不同的要求。这里我想说的是，在从原始数据到文章稿件的过程中，你可能会使用的软件工具:文字、图形、数据分析统计、数据模拟，不仅写文章效率快，而且有一定的深度。
发SCI论文挺难的，就得看你专业知识基础不扎实，文献读的不够深入透彻，课题没有研究价值，实验数据不够真实精准。自己当初是找赛迪特帮忙编译的，见刊速度挺快。
没有想象中的那么难。在还没有发英文的文章前，总觉得写一篇英文的文章是艰难万分，再加上道听途说，听那些有经验的人说审稿周期多长啦，审稿意见多难回答啊，整个过程多么复杂啊，所以对发英文SCI文章总是有一种恐惧感。有一段时间都心里安慰自己，这辈子就发发中文的文章吧，只要研究结果好，中文的照样可以引起别人的关注。再后来，身在国外，不得不用英文写文章，一段时间下来才发现，其实发英文文章不难，完全没有想象中的那么难。以下是在下的分析: 首先，大部分的英文期刊（在英国、美国出版的）都是被SCI收录的，这个要比入选SCI的中文期刊占所有中文期刊的比例大很多，所以在投稿的时候，基本上是不用考虑所选的英文期刊是不是被SCI收录的。只要是经常看的文献所在的期刊，基本上都是的。在国内，有中文核心期刊跟科技核心期刊，中文核心要比科技核心层次上高一点。中文核心有一部分是SCI收录的，而科技核心的期刊给收录的非常少。那么换成英文期刊，就成了高影响因子的SCI期刊跟低影响因子的SCI期刊，只存在期刊水平的差别，不存在SCI跟非SCI的差别。 SCI一共收录3700多种期刊，所以按照研究领域划分的话，一篇文章可以找到几十个个可供投稿的期刊。如果是跨领域的文章，适合投稿的期刊的数量更多。反观中文的期刊，每一个领域一流的期刊的期刊也就是4-5个的样子。每期刊登的文章的数量受限，于与此同时，国内很多单位都有发文章的要求。在这种科研人员数量众多，一流期刊数量有限的僧多粥少的局面下，文章录用率是大大降低的。因此还不如主动出击，直接投英文的期刊。写英文的文章刚开始的时候是苦了一些，但是换来的将是更宽广的道路。在审稿周期上，综合上看英文期刊的审稿周期反而是要比中文的短。当然，这里比较的是普通的SCI期刊跟国内一二流期刊的比较。国内的一些二三流的期刊的以收版面费为生。对文章的质量控制不严格，编辑觉得差不多的文章就录用了，文章的修改主要靠作者完成，这样的审稿周期确实很短。但是国内一流期刊的审稿周期都比较长，主要也是因为学术能力强的学者通常都兼带一些行政职务，平时都比较忙，审稿的事情自然是拖得比较久一点。在审稿意见上，国外的审稿意见的确是要更加专业一些，要更难回答一些。但是从另外一个角度，这何尝不是一个提高自己能力的一个好机会。一个一针见血的意见要比那种笼统的审稿意见好多了。而且国外期刊的审稿意见基本上是不会出现同行相轻的恶意评价。
得分方向，计算机很多方向是相对容易发SCI的，如光通信等，但对于某些方向就难了，更别说顶级了。发一篇可能说刚刚起步～顶级的就另当别论了哈～
翻译的话还是得找相关的人进行操作的，索尔编译有sci这个翻译的
ISSHP1、SCI:科学引文索引(Science Citation Index)美国科技信息研究所(ISI--Institute for Scientific Information)挑选了3300 种核心期刊，为其编制索引并收入 SCI。SCI 所涵盖的学科超过 100个，主要涉及以下领域:农业、生物及环境科学;工程技术及应用科学;医学与生命科学;物理学及化学;行为科学。所收资料每年以60万条新记录及 900 万条以上引文参照的速度增长。2、EI:工程索引(Engineering Index)是工程技术领域的综合性检索工具，由美国工程信息中心编辑出版，它囊括世界范围内工程的各个分支学科，如:土木工程、能源、环境、地理和生物工程;电气、电子和控制工程;化学、矿业、金属和燃料工程;机械、自动化、核能和航空工程;计算机、人工智能和工业机器人。3、ISTP:国际会议录索引(Index to Scientific & Technical Proceedings) 是由ISI公司出版的重要数据库之一，它专门收录世界各种重要的自然科学及技术方面的会议，包括一般性会议、座谈会、研究会、讨论会、发表会等的会议文献，所收会议达1100多种，涉及学科基本与SCI相同。以上是著名的三大检索工具，下面是与三大检索工具相关的其它数据库:1、A&HCI:艺术与人文科学索引( Arts & Humanities Citation Index)完整地收录了艺术与人文科学25个学科的1100多种期刊，还包括ISI各个数据库中有关艺术与人文科学方面的其它7000种期刊中的内容，其内容涉及各个艺术领域，如视觉、音乐、表演、文学、工艺、历史、宗教等等，还有人文科学的。
要根据自己兴趣和能力慎重选择专业，院校和导师。首先，是专业。相关专业:计算机类+数学类+自动化类+软件类+电子类+信息科学类（信息管理和图书情报），学院与之对应其次，对应专业的院校。考量指标:院校级别和排名+正教授人数及学者头衔数量+基金类目、级别及数量+博士后流动站有无和数量+国家重点实验室有无和数量+科研成果产出质量数量。
SCI：科学引文索引（Science Citation Index）； EI：工程索引(Engineering Index)；ISTP：国际会议录索引（Index to Scientific & Technical Proceedings）；SSCI：社会科学引文索引（Social Science Citation Index）；A&HCI：艺术与人文科学索引( Arts & Humanities Citation Index)； ISSHP：《社会科学和人文会议录索引》。工程索引工程索引(EI)是由美国工程师学会联合会于1884年创办的历史上最悠久的一部大型综合性检索工具。EI在全球的学术界、工程界、信息界中享有盛誉，是科技界共同认可的重要检索工具。
Scikit-learnScikit-learn 是基于Scipy为机器学习建造的的一个Python模块，他的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，Gradient Boosting，聚类算法和DBSCAN。而且也设计出了Python numerical和scientific libraries Numpy and SPylearn2Pylearn是一个让机器学习研究简单化的基于Theano的库程序。NuPICNuPIC是一个以HTM学习算法为工具的机器智能。HTM是皮层的精确计算方法。HTM的核心是基于时间的持续学习算法和储存和撤销的时空模式。NuPIC适合于各种各样的问题,尤其是检测异常和预测的流数据来源。 NilearnNilearn 是一个能够快速统计学习神经影像数据的Python模块。它利用Python语言中的scikit-learn 工具箱和一些进行预测建模，分类，解码，连通性分析的应用程序来进行多元的统计。PyBrainPybrain是基于Python语言强化学习，人工智能，神经网络库的简称。 它的目标是提供灵活、容易使用并且强大的机器学习算法和进行各种各样的预定义的环境中测试来比较你的算法。PatternPattern 是Python语言下的一个网络挖掘模块。它为数据挖掘，自然语言处理，网络分析和机器学习提供工具。它支持向量空间模型、聚类、支持向量机和感知机并且用KNN分类法进行分类。FuelFuel为你的机器学习模型提供数据。他有一个共享如MNIST, CIFAR-10 (图片数据集), Google’s One Billion Words (文字)这类数据集的接口。你使用他来通过很多种的方式来替代自己的数据。BobBob是一个的信号处理和机器学习的工具。它的工具箱是用Python和C++语言共同编写的，它的设计目的是变得更加高效并且减少开发时间，它是由处理图像工具,音频和处理、机器学习和模式识别的大量包构成的。SkdataSkdata是机器学习和统计的数据集的库程序。这个模块对于玩具问题，流行的计算机视觉和自然语言的数据集提供标准的Python语言的使用。MILKMILK是Python语言下的机器学习工具包。它主要是在很多可得到的分类比如SVMS,K-NN,随机森林，决策树中使用监督分类法。 它还执行特征选择。 这些分类器在许多方面相结合,可以形成不同的例如无监督学习、密切关系金传播和由MILK支持的K-means聚类等分类系统。IEPYIEPY是一个专注于关系抽取的开源性信息抽取工具。它主要针对的是需要对大型数据集进行信息提取的用户和想要尝试新的算法的科学家。QuepyQuepy是通过改变自然语言问题从而在数据库查询语言中进行查询的一个Python框架。他可以简单的被定义为在自然语言和数据库查询中不同类型的问题。所以，你不用编码就可以建立你自己的一个用自然语言进入你的数据库的系统。现在Quepy提供对于Sparql和MQL查询语言的支持。并且计划将它延伸到其他的数据库查询语言。HebelHebel是在Python语言中对于神经网络的深度学习的一个库程序，它使用的是通过PyCUDA来进行GPU和CUDA的加速。它是最重要的神经网络模型的类型的工具而且能提供一些不同的活动函数的激活功能，例如动力，涅斯捷罗夫动力，信号丢失和停止法。lxtend它是一个由有用的工具和日常数据科学任务的扩展组成的一个库程序。learn这个程序包容纳了大量能对你完成机器学习任务有帮助的实用程序模块。其中大量的模块和scikit-learn一起工作，其它的通常更有用。RampRamp是一个在Python语言下制定机器学习中加快原型设计的解决方案的库程序。他是一个轻型的pandas-based机器学习中可插入的框架，它现存的Python语言下的机器学习和统计工具（比如scikit-learn,rpy2等）Ramp提供了一个简单的声明性语法探索功能从而能够快速有效地实施算法和转换。Feature Forge这一系列工具通过与scikit-learn兼容的API，来创建和测试机器学习功能。这个库程序提供了一组工具，它会让你在许多机器学习程序使用中很受用。当你使用scikit-learn这个工具时，你会感觉到受到了很大的帮助。（虽然这只能在你有不同的算法时起作用。）REPREP是以一种和谐、可再生的方式为指挥数据移动驱动所提供的一种环境。它有一个统一的分类器包装来提供各种各样的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。并且它可以在一个群体以平行的方式训练分类器。同时它也提供了一个交互式的情节。Python 学习机器样品用的机器学习建造的简单收集。Python-ELM这是一个在Python语言下基于scikit-learn的极端学习机器的实现。
人工智能哪一个方向比较好写的话，我觉得应该是说它的应用方面比较好写吧，因为对于专业知识可能不太了解，但是它的使用的话应该比较简单。
这是完全有可能的，因为AI技术正在高度发展，AI最强大的就是其处理信息的能力和学习能力，这是人类远远不能比拟的，只要给AI一定的学习时间，写出来的文章可能比大文豪写出的还好，而且速度也会更快。
随着社会的发展，我们的科技越来越先进，现在我们有人工智能数字人，首个人工智能数字人挑战高考作文，而且写的还很好，用了很多的成语，一个北京阅卷组的组长也给予了好评，在未来会有很多文章由人工智能生成，但是并不是所有文章都需要人工智能，接下来跟大家具体说明。1、人工智能写的作文比很多人写的都要好。我们现在有很多人工智能应用的案例，例如之前人工智能跟人类中的高手下围棋，想不到竟然赢了，而且不仅仅如此，现在人工智能也可以写高考作文，在这篇作文中，总共没有多少字，但是用了很多的成语，也有很多的名言名句，关于他的作文，曾经担任北京高考语文阅卷组的组长，一个老师说作文紧扣主题，立意明确，结构完整，语言流畅而且还善于引用，使用修辞手法，满分是60分，他可以给到48分，这样的成绩大部分学生都拿不到，现在的人工智能已经非常厉害了。2、在未来，会有很多的文章由人工智能写成。因为现在的人工智能相对来说已经比较成熟了，可以写一些简单的作文，像之前的人工智能新闻机器人，可以写一些简单的新闻，因此像这些简单的东西，可以由人工智能来做，但是并不是所有的文章都会让人工智能来做，毕竟这只是机器人，像关于一些哲理方面的东西，或者是有关于现实生活的，这些人工智能，可能就没办法写。总而言之，首个人工智能机器人挑战高考作文，写得非常好，不但有各种名言名句，而且还紧扣主题，甚至之前的阅卷老师给予了高分，这是很多人做不到的，相信在未来，会有越来越多的文章由人工智能来写。
人工智能就当下而言确实是个热门话题，选择这个很不错，但是这对个人能力有很高的要求，因为越是热门就会有很多人选择，要想在众多相近类型中脱颖而出就越需要个人能力特别优秀。