====== 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]]

===== Анализ изображений IACT =====

==== Параметры Хилласа ====

  * {{ :ml4gamma:wdocs:2210.03771v1-gamma-hadron_separation.pdf |Jashwanth S, Sudeep Ghosh, Kavitha Yogaraj, Neha Shah, and Ankhi Roy. "G AMMA - HADRON S EPARATION IN I MAGING ATMOSPHERIC C HERENKOV T ELESCOPES USING Q UANTUM C LASSIFIERS"}}. ArXiv:2210.03771
  * {{ :ml4gamma:wdocs:описание_параметров_хилласа.pdf |Описание параметров Хилласа}} (Е.Гресь)
  * Вычисление {{ :ml4gamma:wdocs:iact_image_hp_calc.py.zip |параметров Хилласа для IACT}} (Е.Гресь)


===== Multimodal =====

  * {{ :ml4gamma:wdocs:jacquemont_visapp21_multitask.pdf |Multi-Task Architecture with Attention for Imaging
Atmospheric Cherenkov Telescope Data Analysis}}
  * {{ :ml4gamma:wdocs:adass2021-multitasks.pdf |Single Imaging Atmospheric Cherenkov Telescope Full-Event
Reconstruction with a Deep Multi-Task Learning Architecture}}
  * {{ :ml4gamma:wdocs:mmml-tutorial-acl2017.pdf |Tutorial on Multimodal Machine Learning}}

===== 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}}
  * {{ ::ml4gamma:wdocs:inn_inverseproblem.pdf |Inverse Problems with Invertible Neural Networks}}
  * {{ :ml4gamma:meetings:imagedenoising.pdf |Disentangling Noise from Images: A Flow-Based Image Denoising Neural Network}}
  * {{ ::ml4gamma:wdocs:freia.pdf |FrEIA: Framework for Easily Invertible Architectures}}

===== Обратимые НС =====

  * {{ :ml4gamma:wdocs:indico.cern.ch_event_852553-u_kothe.pdf |cINN for Image-to-Image Translation}}
  * [[https://github.com/vislearn/FrEIA|FrEIA]] на GitHub
===== 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 =====

Для статей и докладов, выполненных по госбюджетной тематике: 
<code>
Исследование выполнено в рамках государственного задания 
МГУ имени М.В. Ломоносова с использованием оборудования, 
предоставленного по Программе развития МГУ, и данных, 
полученных на уникальной научной установке ТАЙГА.

The study was conducted as part of a state assignment to 
Lomonosov Moscow State University using equipment provided by 
the MSU Development Program and data obtained from 
the unique TAIGA research facility.
</code>

Для статей и докладов по грантам РНФ:
<code>
Исследование было поддержано Российским научным фондом (грант № 24-11-00136, 
https://rscf.ru/project/24-11-00136/), с использованием оборудования, 
предоставленного в рамках Программы развития МГУ имени М.В.Ломоносова, 
и данных уникальной научной установки TAIGA.

----

The research was supported by the Russian Science Foundation (grant 
no. 24-11-00136, https://rscf.ru/project/24-11-00136/), using equipment 
provided under the Lomonosov Moscow State University Development Program 
and data from the unique TAIGA scientific facility.


</code>

**Внимание!** Одновременная ссылка на госзадание МГУ и грант РНФ недопустима.