Рабочие документы

См. также раздел "Ограниченный доступ"

• Understanding Deep Learning, Simon J.D. Prince
  Хорошее введение в МО с математическими подробнотями.

• Формат данных TAIGA-optics (до моделирования триггера установок)
• Формат данных IACT (после моделирования триггера)
• Формат данных TAIGA-HiSCORE (после моделирования триггера)
• Статистика моделирования

• Нормализующие потоки. Часть 1: Общее введение.
• Нормализующие потоки. Часть 2: Детектирование аномальных и редких явлений.
• См. также Understanding Deep Learning

• Краткое содержание статьи: Ya.Ganin & V.Lempitsky Unsupervised Domain Adaptation by Backpropagation (arXiv:1409.7495), 2015
• Обзор основных методов Deep Domain Adaptation (Часть 1)
• Universal Domain Adaptation (PDF)

• Аугментация данных АЧТ в стерео режиме.

• Классическое восстановление энергии

• Медианный фильтр
• Автоэнкодер
• 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.

• Руководства по различным ПО
  • Git
• Работа с git/Forgejo
• Установка Jupyter на Ubuntu
• Установка TensorFlow на Ubuntu

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/