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 by 
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/
с использованием оборудования, предоставленного по Программе 
развития МГУ, и данных, полученных на уникальной научной 
установке ТАЙГА.

This study was supported by grant No. 24-11-00136 from the Russian 
Science Foundation, https://rscf.ru/project/24-11-00136/ using 
equipment provided by the Moscow State University Development Program 
and data obtained at the unique TAIGA scientific facility.

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