Follow along with the video below to see how to install our site as a web app on your home screen.
Anmerkung: This feature currently requires accessing the site using the built-in Safari browser.
Regeln für den Dokumente-Bereich:
In den Börsenbereich gehören nur Angebote die bereits den Allgemeinen Regeln entsprechen.
Allgemeines:
Nicht erlaubt im Dokumente-Bereich sind:
- indizierte Titel (inkl. Comics)
- extremistische Werke, Zeitschriften und Comics (egal, welche Richtung)
- jegliche Art von Pornographie
- Anleitungen zu kriminellen Handlungen, gleich welcher Art
- sadistische, menschenverachtende oder ähnliche Werke
Nutzt den "Bedanken"-Button, bei Sammelthreads führen jegliche Kommentare, positiv wie negativ, sehr schnell zu einer Unübersichtlichkeit des Threads. Downmeldungen sind an den Uploader zu richten
Vor dem Einstellen zu beachten:
- Suchfunktion
Vergewissert euch, dass es euer Dokument noch nicht im Board gibt, Doppelposts werden kommentarlos gelöscht. Ist es schon vorhanden, tragt es als Mirror im bestehenden Post ein.
- Threadtitel
Idealerweise ist sofort zu erkennen um was es sich handelt. Verseht euren Titel mit den relevanten Informationen, das hilft euch und damit auch uns und allen Suchenden erheblich weiter.
Beispiel: [Thriller] Dan Brown - Inferno oder bei Magazinen:
Computerbild - 14/2014 (es muss ersichtlich sein, um welche Ausgabe und welches Magazin es sich handelt)
Folgende Präfixe stehen im Unterforum "Unterhaltung" zur Verfügung:
- Autor
- Titel
- Präfix
- Cover
- Genre
- Inhaltsbeschreibung
- enthaltene Formate
- Gesamtgröße des Downloads
- Hoster
- ggf. Passwort
Nicht erlaubt sind alle Dateien, die den Download unnötig aufblähen um eine Affiliategrenze zu erreichen, wie zB. mp3-files, übergroße Bilder, etc.
Ebenso nicht erlaubt sind sämtliche Dateien mit DRM, persönlichen Daten, etc., diese werden kommentarlos zu eurem eigenem Schutz gelöscht.
Achtet bitte bei der Konvertierung der Formate auf die Lesbarkeit, ein epub, was nur einfach durch Calibre gejagt wird um ein PDF zu erhalten, ist zu 99% eben nicht lesbar. Wenn ihr es nicht könnt, dann lasst es besser oder lest euch ein, wie man es richtig macht.
Unterforum Comics:
Threadtitel:
Ähnlich, wie bei Unterhaltung und Magazinen, sollte der Titel alle relevanten Informationen enthalten, hier bitte
- den Titel des Comics
- den Verlag (einige Comics sind in verschiedenen Verlagen erschienen)
- das Erscheinungsjahr
Erlaubt sind folgende Formate:
- CBR
- CBZ
Grundsätzlich gilt: jede Version eines Comics erhält einen eigenen Thread, Ersteller eines Comics können ihre Bände gerne mit dem Zusatz (Original-Release) versehen.
Bei Unsicherheiten zur korrekten Benennung bitte die Informationen von www.comicguide.de nutzen.
Inhalt des Beitrags:
Pflichtangaben hier sind:
- Titel des Bandes und ggf. Nummer
- Cover
- falls bekannt technische Daten (DPI, Breite, Speicherqualität)
- Größe des Downloads
- Hoster
- ggf. Passwort
- falls bekannt Releasenamen
Du verwendest einen veralteten Browser. Es ist möglich, dass diese oder andere Websites nicht korrekt angezeigt werden. Du solltest ein Upgrade durchführen oder einen alternativen Browser verwenden.
Domain Generalization with Machine Learning in the NOvA Experiment
Free DownloadDomain Generalization with Machine Learning in the NOvA Experiment by Andrew T.C. Sutton
English | PDF EPUB (True) | 2023 | 174 Pages | ISBN : 3031435826 | 28.4 MB
This thesis presents significant advances in the use of neural networks to study the properties of neutrinos. Machine learning tools like neural networks (NN) can be used to identify the particle types or determine their energies in detectors such as those used in the NOvA neutrino experiment, which studies changes in a beam of neutrinos as it propagates approximately 800 km through the earth. NOvA relies heavily on simulations of the physics processes and the detector response; these simulations work well, but do not match the real experiment perfectly. Thus, neural networks trained on simulated datasets must include systematic uncertainties that account for possible imperfections in the simulation. This thesis presents the first application in HEP of adversarial domain generalization to a regression neural network. Applying domain generalization to problems with large systematic variations will reduce the impact of uncertainties while avoiding the risk of falsely constraining the phase space. Reducing the impact of systematic uncertainties makes NOvA analysis more robust, and improves the significance of experimental results.
