====== Рабочие документы ======
//См. также раздел [[/ml4gamma/restricted/main|"Ограниченный доступ"]]//

===== Общие руководства по МО =====

  * {{ :ml4gamma:wdocs:understandingdeeplearning_08_28_24_c.pdf |Understanding Deep Learning}}, Simon J.D. Prince \\ Хорошее введение в МО с математическими подробнотями.
===== Форматы данных =====

  * [[:ml4gamma:wdocs:data_format_feb|Формат данных TAIGA-optics (до моделирования триггера установок)]]
  * [[:ml4gamma:wdocs:data_format_iact|Формат данных IACT (после моделирования триггера)]]
  * [[:ml4gamma:wdocs:data_format_hiscore|Формат данных TAIGA-HiSCORE (после моделирования триггера)]]
  * [[:ml4gamma:wdocs:data_mc_stats|Статистика моделирования]]

===== Нормализующие потоки =====

  * {{ :ml4gamma:restricted:nf_pres_revised.pdf |Нормализующие потоки. Часть 1: Общее введение.}}
  * {{ :ml4gamma:wdocs:nf_pres-2.pdf|Нормализующие потоки. Часть 2: Детектирование аномальных и редких явлений.}}
  * См. также {{ :ml4gamma:wdocs:understandingdeeplearning_08_28_24_c.pdf |Understanding Deep Learning}}

===== Domain Adaptation =====

  * {{ :ml4gamma:wdocs:domainadaptation.pdf |Краткое содержание статьи: Ya.Ganin & V.Lempitsky Unsupervised Domain Adaptation by Backpropagation (arXiv:1409.7495), 2015 }}
  * [[https://habr.com/ru/companies/vk/articles/426803/|Обзор основных методов Deep Domain Adaptation (Часть 1)]]
  * [[https://openaccess.thecvf.com/content_CVPR_2019/papers/You_Universal_Domain_Adaptation_CVPR_2019_paper.pdf|Universal Domain Adaptation]] (PDF)

===== Стерео режим и мультимодальные данные =====

  * {{ :ml4gamma:wdocs:aug-stereo.pdf |Аугментация данных АЧТ в стерео режиме.}}

===== Восстановление энергии =====

  * [[:ml4gamma:wdocs:classic_reco_energy|Классическое восстановление энергии]]

===== Прочее =====

  * [[/ml4gamma/wdocs/m-folter|Медианный фильтр]]
  * [[/ml4gamma/wdocs/ae|Автоэнкодер]]
  * [[http://proceedings.mlr.press/v119/chen20j.html|Статья про контрастное обучение (SimCLR): Chen T., Kornblith S., Norouzi M., and Hinton G. (2020). A simple framework for contrastive learning of visual representations. In International conference on machine learning (pp. 1597--1607). PMLR.]]

===== ПО и другие вопросы =====

  * [[https://spec-zone.ru|Руководства]] по различным ПО
    * [[https://spec-zone.ru/git/|Git]]
  * [[git|Работа с git/Forgejo]]
  * [[jupyter_install|Установка Jupyter]] на Ubuntu
  * [[tf_install|Установка TensorFlow]] на Ubuntu

===== Благодарности =====

<code>
Исследование выполнено в рамках государственного задания Московского 
государственного университета имени М.В. Ломоносова с использованием 
оборудования, предоставленного по Программе развития МГУ, и данных, 
полученных на уникальной эксперментальной установке ТАЙГА.

Исследование выполнено за счет средств гранта Российского научного 
фонда № 24-11-00136, https://rscf.ru/project/24-11-00136/

-------------

The study was conducted under the state assignment of Lomonosov Moscow 
State University using equipment provided under the MSU Development 
Program and data obtained on the unique experimental setup TAIGA.

The study was carried out at the expense of the grant of the Russian 
Science Foundation No. 24-11-00136, https://rscf.ru/project/24-11-00136/
</code>