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

• 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
• Описание параметров Хилласа (Е.Гресь)
• Вычисление параметров Хилласа для IACT (Е.Гресь)

• Multi-Task Architecture with Attention for Imaging Atmospheric Cherenkov Telescope Data Analysis
• Single Imaging Atmospheric Cherenkov Telescope Full-Event Reconstruction with a Deep Multi-Task Learning Architecture
• Tutorial on Multimodal Machine Learning

• Нормализующие потоки. Часть 1: Общее введение.
• Нормализующие потоки. Часть 2: Детектирование аномальных и редких явлений.
• См. также Understanding Deep Learning
• Inverse Problems with Invertible Neural Networks
• Disentangling Noise from Images: A Flow-Based Image Denoising Neural Network
• FrEIA: Framework for Easily Invertible Architectures

• cINN for Image-to-Image Translation
• FrEIA на GitHub

• 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

Для статей и докладов, выполненных по госбюджетной тематике:

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 through the MSU Development Program and data obtained from the unique TAIGA research facility.

Для статей и докладов по грантам РНФ:

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

This work was funded by the Russian Science Foundation (RSF), grant No. 24-11-00136, https://rscf.en/project/24-11-00136/

Внимание! Одновременная благодарность МГУ и РНФ недопустима. 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>