Povezava do spletne učilnice predmeta.

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

1. Iz surovih ("raw") podatkov zgeneriraj svoje histograme (priporočeno!) s pomočjo predpripravljene skripte create_histograms.py, pri kateri lahko spreminjaš število predalov ("bin"-ov) in $m_{\mu\mu}$ interval, ki ga boš opazoval/-a. Histogrami (mejne in sredinske $x$ vrednosti predalov, vrednosti in napake) se shranijo v formatu .npz. Na voljo imaš že nekaj generiranih histogramov v src/DATA/original_histograms/, ki jih lahko uporabiš namesto generacije novih histogramov in nalaganja podatkov.

2. Ko imaš zgenerirane svoje histograme (ali pa uporabiš že narejene), jih lahko izrišeš s pomočjo skripte visualize_data.py (ustrezno s prejšnjo točko spremeni ime datotek, ki jih nalagaš).

3. Preveri, če so napake res pravilno upoštevane. Lahko jih namenoma pokvariš in ponoviš prva dva koraka, da vidiš vpliv.

4. 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 $m(x_k)$. Poglej si primere v fitting_example_curvefit.py, cms_fit_function.py in atlas_fit_function.py.

5. Prilagodi funkcijo CB histogramu simuliranega signala, pri čemer upoštevaj še dodatni normalizacijski faktor. Dobiš funkcijo/vrednosti predalov $s(x_k)$. Primer je na voljo v fitting_example_CB.py.

6. 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 ne upoštevaš območja okrog mase Higgsovega bozona, npr. izključi interval 120 - 130 GeV. Dobiš funkcijo/vrednosti predalov $b(x_k)$. V tem koraku preizkusi tudi ML metode regresije (KRR, SVR, GPR, ...) za fitanje ozadja iz podatkov. Pomagaš si lahko s primeri v fitting_example_GPR_{simple, smooth, logarithm, torch}.py.

7. 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 $y(x_k) = d(x_k) - b(x_k)$.

8. 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.: $\alpha \cdot s(x_k)$. Optimalno je, da je le-ta blizu 1.

9. Ker je izmerjenega signala še zelo malo, predlagamo, da postopek najprej narediš z umetno napihnjenim signalom - le tega množi z nekim faktorjem (npr. $\gamma = 100$) in ga dodaj podatkom: $s_\textrm{new}(x_k) = \gamma \cdot s(x_k)$ in $d(x_k) = d(x_k) + s_\textrm{new}(x_k)$. Ker bo signal na ta način lepo izstopal iz ozadja, ga boš lažje izluščil/-a. Primer napihnjenega signala je v skripti create_asimov.py.

Na vajah bomo uporabljali operacijski sistem Linux (npr. Ubuntu). Za Windows je priporočljiva uporaba Windows Subsystem for Linux (WSL), ki vam da dostop do Linux okolja na enostaven način.

Za programiranje je trenutno najbolj priljubljen editor VSCode.

Celoten predmet je zasnovan na uporabi programskega jezika Pythona, ker se največ uporablja v strojnem učenju.

Zelo dober tutorial za uporabo VSCode s Pythonom je tukaj.

git clone https://github.com/j-gavran/PSUF_Hmumu.git

Ideja virtualnega okolja je, da se izolira okolje, v katerem se izvajajo programi, od okolja, ki je na računalniku. Tako se lahko v tem "virtualnem" okolju namesti samo tiste knjižnice, ki so potrebne za izvajanje določenih programov.

Virtualno okolje se postavi z ukazom:

python -m venv psuf-venv

kjer psuf-venv predstavlja ime virtualnega okolja. To okolje se aktivira z ukazom:

source ./psuf-venv/bin/activate

Za izhod iz okolja se uporabi ukaz:

deactivate

Vse knjižnice si lahko namestiš tudi direktno brez uporabe tega okolja.

V virtualnem okolju se namestijo knjižnice, ki so potrebne za izvajanje programa. Knjižnice se namestijo z ukazom:

pip install -r requirements.txt

Probleme s Python path importi se reši z ukazom iz terminala (v direktoriju tega repozitorija):

export PYTHONPATH=.