Inicio Explorar Axuda
Iniciar sesión
copar
/
psuf
1
0
Fork 0
Ficheiros Incidencias 0 Pull Requests 0 Wiki
Árbore: 6cbe531938
Ramas Etiquetas
psuf
/
1-naloga-razpadi-higgsovega-bozona
Blaz Leban 54b2a6bca3 Correct GPR alpha parameter %!s(int64=3) %!d(string=hai) anos
..
DATA 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
extra-FunctionalDecomposition 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
.gitignore 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
README.md 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
asimov_fit.py 9b1177b190 Fix typo in asimov fit %!s(int64=3) %!d(string=hai) anos
atlas_fit_function.py 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
create_asimov.py 2b38a244f7 Adding scripts with naive solutions. %!s(int64=3) %!d(string=hai) anos
create_histograms.py 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
custom_kernels.py 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
final_fit.py f8883d7976 Beautify final_fit %!s(int64=3) %!d(string=hai) anos
fitting_example_CB.py 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
fitting_example_GPR-Cern.py 54b2a6bca3 Correct GPR alpha parameter %!s(int64=3) %!d(string=hai) anos
fitting_example_GPR-simple.py 54b2a6bca3 Correct GPR alpha parameter %!s(int64=3) %!d(string=hai) anos
fitting_example_curvefit.py 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos
visualize_data.py 9293808339 add first exercise to the repo %!s(int64=3) %!d(string=hai) anos

README.md

Praktikum strojnega učenja

Povezava do spletne učilnice predmeta.

1. naloga: MODELIRANJE 1-D PORAZDELITEV: RAZPADI HIGGSOVEGA BOZONA 𝑯→𝝁𝝁

Navodila in usmeritve

V nadaljevanju sledijo podrobnejša navodila in usmeritve za lažje reševanje naloge.

  • Iz surovih ("raw") podatkov zgeneriraj svoje histograme s pomočjo predpripravljene skripte create_histograms.py, pri kateri lahko spreminjaš število predalov ("bin"-ov) in m𝝁𝝁 interval, ki ga boš opazoval/-a. Histogrami (mejne in sredinske x vrednosti predalov, vrednosti in napake) se shranijo v formatu .npz.
  • Ko imaš zgenerirane svoje histograme, jih lahko izrišeš s pomočjo skripte visualize_data.py (ustrezno s prejšnjo točko spremeni ime datotek, ki jih nalagaš).
  • Preveri, če so napake res pravilno upoštevane. Lahko jih namenoma pokvariš in ponoviš prva dva koraka, da vidiš vpliv.
  • Da se spoznaš z osnovnim fitanjem, najprej zgladi histogram simuliranega ozadja ("simulated background") s pomočjo preprostejših matematičnih funkcij in nadaljuj do različnih teoretično podkrepljenih nastavkov (CMS, ATLAS nastavki). Dobiš funkcijo / vrednosti predalov m(x_k).
  • Prilagodi funkcijo CB histogramu simuliranega signala, pri čemer upoštevaj še dodatni normalizacijski faktor. Dobiš funkcijo / vrednosti predalov s(x_k).
  • Ker simulacija ozadja ni vedno najboljša, se po navadi za oceno ozadja raje vzame izmerjene podatke, pri čemer pa je potrebno izključiti območje, kjer pričakujemo signal ("blinding") - nočemo fitati še signala! Prilagodi torej funkcijo histogramu podatkov, da dobiš dobro oceno za ozadje ("background from data") in pri tem pazi, da pri fitu \textbf{ne} upoštevaš območja okrog mase Higgsovega bozona, npr. izključi interval 120 - 130 GeV. Dobiš funkcijo / vrednosti predalov b(x_k).
  • Od podatkov odštej čim bolje zglajeno ozadje, ki si ga dobil/-a v prejšnji točki, da dobiš ekstrahiran signal. Če so vrednosti podatkov d(x_k), dobimo ekstrahiran signal y(x_k) kot y(x_k) = d(x_k) - b(x_k).
  • Na ekstrahiran signal fitaj CB funkcijo s prostimi parametri, ki si jih dobil/-a v točki 5 tako, da ji v resnici prilagodiš le nov normalizacijski faktor, npr.: 𝛂 * s(x_k). Optimalno je, da je le-ta blizu 1.
  • Ker je izmerjenega signala še zelo malo, predlagamo, da postopek najprej narediš z umetno napihnjenim signalom - le tega množi z nekim faktorjem (npr. 𝜸 = 100) in ga dodaj podatkom (s_{new}(x_k) = 𝜸 * s(x_k) in d(x_k) = d(x_k) + s_{new}(x_k)). Ker bo signal na ta način lepo izstopal iz ozadja, ga boš lažje izluščil/-a.