app开发者平台在数字化时代的重要性与发展趋势解析
3152
2022-08-24
【学术】分享几种论文写作神器,提高你的写作效率
本人在写论文的时候,用到了很多工具,可用说这些工具可以大大提高写论文的效率,本文分享下我常用的论文神器。(作者:黄海广)
本文介绍以下几种工具:
论文管理神器ZoteroOCR神器(公式识别等)Latex工具语法校对工具论文绘图工具
论文管理神器Zotero
一、Zotero简介
Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件,如今已被广泛使用。此篇使用说明主要分享引用研究资源功能,其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。欢迎所有共同学习使用的朋友提供批评意见或补充使用经验。
-:apt-add-repository ppa:smathot/cogscinl # Say yes/press enter to accept any requests.$ sudo apt-get update# Wait for it to complete, then:$ sudo apt-get install zotero-standalone
二、新建分类
步骤:我的文库→右键→新建分类→输入名称→鼠标右键我的文库→出现新建文件夹
三、英文文献信息导入
步骤(非常简单):
在新建目录下→鼠标拖入英文文献→右键重新抓取PDF文件的元数据→获取文献基本信息
备注:一些时间久远的英文论文也不能直接抓取数据,具体信息抓取方法参照第四部分中文文献的信息导入。
四、中文文献信息导入
步骤(稍复杂):
1. 在Text目录下→鼠标拖入中文文献
3. 用记事本打开-好的.bib文件→复制全部内容
4. Zotero界面文件一栏→选择从剪贴板导入
5. 将PDF文件鼠标拖至刚导入文件成为其子文件→完成中文文献的信息抓取
五、插入文献
步骤:
六、寻找非默认引文格式
步骤:
七、使用坚果云同步文献
zotero只给了300m的空间,大概只能放80来篇文献的全文文件,如果文献较多就不能同步全文。注意:使用同步功能要先注册zotero账号。解决方法:使用坚果云:
坚果云官网:DOl Manager,它们可以自动-pdf,或者获取论文的DOI。
具体使用方法可以网上搜索获取。
OCR神器(公式识别等)
我发现了一个神奇的OCR工具:天若OCR,功能真的很好很强大。
免费版本可以识别图片文本,收费版本也不贵,59元一次性买个专业版,可以定义接口。
软件具有文本识别、翻译等功能,这些通用功能我就不展开说明了,我着重推荐两个功能:公式识别和表格识别。
公式识别
我之前推荐过公式的识别神器mathpix,真的很好用,但是免费的只有每个月50次,不够。
天若OCR可以设置mathpix的接口,mathpix接口一个月免费1000次识别,应该够了,注册的时候要绑定信用卡(注册过程要科学上网),识别效果:
原图片公式
识别后的公式,可以导出tex或者保存为word文件
表格识别
一般的OCR软件识别文字都问题不大,但是表格识别却是个问题,解决这个问题,这里推荐下腾讯优图的接口,目前每天200次识别免费。在天若OCR里配置好表格识别的接口为腾讯优图后,识别效果如下:
Period | #Node | #Edge | Diameter | #WCC | APL |
Over one week | 11653 | 92118 | 36 | 200 | 11 |
Over two weeks | 9904 | 40772 | 73 | 737 | 24 |
Over four weeks | 6900 | 14646 | 18 | 1433 | 4 |
原始表格图片
识别表格效果
识别后的表格,可以直接导入到word:
导入word效果
天若还可以对三线表添加网格后进行识别,非常方便。
在线的latex编辑和编译工具:overleaf
论文最终展现出来的就是一个PDF格式的文档。
当然可以使用word,但光排版这件事情,就能耗费你一半的精力。
正确的答案是,使用latex,它是一个专业的排版工具,按照latex的语法进行写作,执行编译就能够得到PDF文件。它的语法包含了如何排版,虽然相比word上手要慢,但在排版这件事情上,入门级别的latex语法,你要达到精通word的水平。
latex如何使用呢?当然,要安装编译器,再安装编辑器,本地一通配置,偶尔会遇到些问题,凭着强大的谷歌搜索,倒也不是什么难事。配置本地环境,不如直接使用在线编辑器。
overleaf.com
注册即用,免去本地latex环境安装的痛苦。多人合作,共同编辑。富文本编辑模式,比写latex源码舒服些。随时可以完成在线编译,查看PDF。
按照overleaf的开始流程,有选择模板的过程,模板怎么选,还是要看投稿的期刊或者会议的要求。以KDD为例,在它的KDD 2019 Call for Research Papers页面上,给出了模板格式,看看能不能在overleaf上找到,即使没有,一会提供-,自己上传到overleaf。
走过这一步,已经可以编译出模板PDF了,可以照猫画虎地写起来了。
grammarly:语法纠错神器
install scikit-plot
即可完成安装。
仓库地址:
sklearn.datasets import load_digitsfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes import GaussianNBX, y = load_digits(return_X_y=True)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)nb = GaussianNB()nb.fit(X_train, y_train)predicted_probas = nb.predict_proba(X_test)# The magic happens hereimport matplotlib.pyplot as pltimport scikitplot as skpltskplt.metrics.plot_roc(y_test, predicted_probas)plt.show()
效果如图(相当高大上!)
图:ROC曲线
P-R曲线就是精确率precision vs 召回率recall 曲线,以recall作为横坐标轴,precision作为纵坐标轴。首先解释一下精确率和召回率。
import matplotlib.pyplot as pltfrom sklearn.naive_bayes import GaussianNBfrom sklearn.datasets import load_digits as load_dataimport scikitplot as skplt# Load datasetX, y = load_data(return_X_y=True)# Create classifier instance then fitnb = GaussianNB()nb.fit(X,y)# Get predicted probabilitiesy_probas = nb.predict_proba(X)skplt.metrics.plot_precision_recall_curve(y, y_probas, cmap='nipy_spectral')plt.show()
图:P-R曲线
混淆矩阵是分类的重要评价标准,下面代码是用随机森林对鸢尾花数据集进行分类,分类结果画一个归一化的混淆矩阵。
from sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_digits as load_datafrom sklearn.model_selection import cross_val_predictimport matplotlib.pyplot as pltimport scikitplot as skpltX, y = load_data(return_X_y=True)# Create an instance of the RandomForestClassifierclassifier = RandomForestClassifier()# Perform predictionspredictions = cross_val_predict(classifier, X, y)plot = skplt.metrics.plot_confusion_matrix(y, predictions, normalize=True)plt.show()
图:归一化混淆矩阵
其他图如学习曲线、特征重要性、聚类的肘点等等,都可以用几行代码搞定。
图:学习曲线、特征重要性
本章对Scikit-plot做下简单介绍,这是一个机器学习的画图神器,几行代码就能画出高大上的机器学习图,作者当年的博士论文也是靠这个画图的。仓库地址:
https://github.com/reiinakano/scikit-plot
里面有使用说明和样例。
参考
[1]:知乎:九老师
[2]:https://zotero.org
[3]:https://github.com/reiinakano/scikit-plot
总结
本文分享下我常用的论文工具,希望对读者写论文有所帮助,祝各位读者都能写出高大上的论文。
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。
发表评论
暂时没有评论,来抢沙发吧~