В мире сотни тысяч человек заявляют о том, что их похищали инопланетяне для того, чтобы ставить опыты, в том числе и сексуальные. Конечно, зря человечество считает себя таким особенным. Вряд ли какая-либо инопланетная тушка захочет заняться сексом с жалкими людишками. Однако философия на тему того, что можно делать с похищенным человеком перенесена авторами в их умопомрачительные рассказы.

– Если инопланетяне есть, то почему они до сих пор нас не поработили, – удивлялся на одной из конференций Илон Маск. Кажется, этому есть простые объяснения:

· Мы для них как животные. Часто ли Вы останавливаетесь пообщаться с дождевым червем?

· Наша планета не представляет для них никакой ценности.

· Они наблюдают за нами, как малыш за муравейником.

· Инопланетян нет. Да ну! Бред какой-то…

В одном из рассказов, людей забирали в космос в качестве рабов. Кстати, такая версия слабо выдерживает критику. Насколько пригодятся, к примеру, человеку, сотня орангутангов. Но хитроумные автор и здесь нашел выход. По сюжету всем землянам-невольникам в мозг вживляется нейросеть, благодаря которой человек вполне сходится для управления относительно несложной инопланетной робототехникой.

Зачем гуманоидам воевать друг с другом – конечно не ради ресурсов, а ради артефактов древности. Ими может оказаться все, что угодно, но обычно в сюжете они светятся. В условиях войны ситуация может быть непредсказуемой и тогда обычный человек, оказавшийся в нужное время в нужном месте сам может изменять судьбу целых галактических союзов. И это не рассуждения о высоких материях, а суровые космические будни.

Чем могут воспользоваться для улучшения своих показателей попаданцы в космос: нейросеть. Древние цивилизации делали ее для себя, но человек – существо любопытное и стремится все проверить на себе. Если хотите знать, представьте себе обезьяну с гранатой и увеличьте все это в масштабах примерно в 10-100 раз. Именно поэтому большинство рассказов про попаданцев – юмористические. Главный герой, который смог найти артефакт и получить его, порой попадает из-за этого в самые неловкие, смешные ситуации.

<<<<Более 5082 книг в жанре «Попаданцы» у нас на сайте >>>>

Со времен создания Терминатора ученые боялись искусственного интеллекта. Они думали, что тот поработит обычных людей. Однако фантасты подсказали выход из положения. Они предложили сделать искусственный интеллект вспомогательной частью мозга. Именно этот принцип используется, позволяя каждому человеку видеть перед собой, словно в воздухе, рабочее меню нейросети.

В настоящее время при помощи силы мысли уже научились двигать мышью на мониторе. То ли еще будет. В фантастических рассказах нейросеть эволюционировала до того, что сама знает, как соединить себя с другими умами. Но для этого необходима заключенная в артефактах пси-энергия. Угадайте, что для этого пытаются найти попаданцы? Древние артефакты. Нейросети без них не работают.

Естественно, на поиски они отправляются наугад. Любой математик скажет, что вероятность положительного исхода дела равно нулю. Но ведь на то она и фантастика, чтобы мечтать и делать допущения. В общем, чтение подобных историй горячо рекомендуется всем, кто хочет потратить время с пользой.

<<<<Более 5082 книг в жанре «Попаданцы» у нас на сайте >>>>

Слушать аудиокниги жанра — Фантастика, фэнтези

Вторжение «Чужих»

Генетические эксперименты, мутации

Договор с нечистой силой

Жизнь после смерти

Звёздный ковчег

Изобретения и научные исследования

Искусственный интеллект

Клоны и клонирование

Колонизация планеты

Ксенофантастика

Нетрадиционная ориентация героев

Обмен разумов, перемещение разума

Обучение в школе/академии/ВУЗе

Полая Земля, путешествия под землю

Последний человек/люди на Земле

Приключения в микромире

Прогрессорство

Сверхъестественные способности, супергерои

Спасение мира

Спорт, культура и досуг

Становление/взросление героя

Стихийные бедствия, природные катаклизмы

Тёмный властелин

Терраформирование

Техногенные катастрофы

Умирающая Земля

Боевые искусства

Двойники и раздвоение личности

Киберсети, нейросети, киборги, наномашины

Путешественники (попаданцы)

из прошлого, будущего и других миров в наше время

Оборотни, метаморфы

Призраки, привидения

Реликты и криптиды

Сновидения, формы изменения сознания

Теория заговора, тайное общество, тайная история мира, конспирология, криптоистория

Фантастические существа

Экспедиция / подготовка к экспедиции

Предсказание следующего шага с помощью искусственных нейронных сетей | автор: DK

Астросу действительно нужна была камера…

Хьюстон Астрос выиграли Мировую серию в 2017 году. У них была невероятная гонка с огромным составом, опередив Boston Red Sox, New Йорк Янкиз и (к счастью) Лос-Анджелес Доджерс. Однако недавнее расследование Высшей лиги бейсбола показало, что Астрос жульничал. Хотя фанатам в Хьюстоне (и Сан-Франциско) было все равно, как Астрос выиграл Мировую серию над Доджерсом, Астрос были пойманы с использованием технологий для кражи знаков.Они передали знаки противостоящего ловца с нелегальной камеры в центре поля. Тренер в туннеле здания клуба будет получать видео с камеры и сигнализировать о поле, стучая по мусорному ведру на скорости, а не за фастбол. Вот разбивка видео, извините за язык * NSFW *.

Знание того, какое поле будет впереди — невероятное преимущество в бейсболе. Есть причина, по которой ловцы стараются не выделять свои знаки. Как бывший игрок, я могу подтвердить, что полезно знать, что будет дальше.Кроме того, наличие изощренного подхода и предвидения питча часто является характеристикой, которая отличает сильных нападающих. Вот пример наступательного подхода Джейсона Джамби:

«Я обычно прохожу зоны, и большую часть времени я сижу в фастболе. Но если есть парень, который, я думаю, подбросит мне замену 2–1, я сяду за это. Или, может быть, с левшей, которая бросает ползунки, я сяду на ползунок. Я сижу на этих площадках и как бы все отпускаю после этого ».

Кроме того, аутфилдер Зала славы и бывший король хоумранов Хэнк Аарон однажды сказал:

«угадать, что бросит питчер, — это 80% успешного нападающего.Остальные 20% — это просто казнь ».

После рассмотрения нескольких переменных в сложном подходе к игре ватин я понял, что следующий шаг — это идеальное приложение для машинного обучения, в частности для обычной нейронной сети с прямой связью.

Я начинаю заниматься наукой о данных, но этот пост предполагает знакомство с основными концепциями глубокого обучения и Python.

Statcast, последнее нововведение в бейсболе, сделало возможным весь этот проект.Statcast предоставляет CSV-файлы для каждого отдельного шага, который происходит, с горами данных для каждого шага, таких как скорость, местоположение шага, результат шага, ситуация и т. Д. минимум три основных звука с относительно высокой частотой. Миколас забросил около 2800 треков, а Строман — около 3000 в 2019 году.

Подпишитесь на Дарена Уиллмана в Твиттере и поблагодарите его за меня. Он построил инфраструктуру Statcast, чтобы это стало возможным.Twitter: @darenw

Я очистил исходные данные в Excel, потому что, по общему признанию, как человек, ориентированный на финансы, я немного более уверен в превосходстве, чем в панды. После очистки данных я выбрал следующие релевантные переменные для прогнозирования питча на основе моего собственного опыта и утверждений профессиональных игроков: предыдущий тип питча (струна), предыдущий результат питча (струна), рука бьющего (струна), количество шагов (целые), бегунов на основе (логическое), аутов (int), номера иннинга (int) и текущей дифференциации пробега (int).

Вот библиотеки, которые я использовал. Если есть сомнения, просто введите их:

После ввода библиотек я прочитал CSV-файл и приступил к работе с пандами. Нашим первым шагом было быстрое кодирование всех строковых значений. Одно горячее кодирование меняет категориальные данные на числовые, чтобы модель машинного обучения могла выполнять с ними логистическую регрессию.

Со всеми данными, аккуратно организованными в массивы NumPy, я создал рандомизированное разделение поездов / тестов с использованием библиотек Sklearn. Поэкспериментировав с разными оптимизаторами, я построил модель прямой связи с одним скрытым слоем, используя Keras API.

Для Stroman это дало 46% точности при прогнозировании более 600 шагов. Этот результат намного выше, чем вероятность случайного предсказания на основе Монте-Карло средневзвешенных значений для арсенала Стромана.

Однако 46% оставили меня глубоко недовольным. Мне было противно. Я хотел добиться большего, чем подбрасывание монеты, даже если монета действительно была шестигранной и странной формы. Я придумал более точный способ построить эту модель.

При просмотре релейной системы Astros я понял, что они не передают точную высоту звука.Они делали фастбол или offspeed. Угадывать точную следующую высоту звука не так прагматично, как угадывать характеристики высоты звука, такие как движение и скорость. Я вернулся к CSV и разделил похожие питчи на такие критерии, как жесткие (фастболы с двумя швами (грузила) и фастболы с четырьмя швами), ломкие (каттеры и ползунки) и мягкие (мячи и смены). Это больше похоже на систему ударов, которую использовал Астрос.

Путем незначительного изменения модели и входных данных я смог добиться точности, приближающейся к 60%.

Бейсбол был лидером в применении количественных методов в спортивном мире на протяжении последних 20 лет. Что касается применения, я думаю, что эта модель может быть использована в качестве учебного пособия для нападающих или чего угодно, чтобы действительно победить ловкачей. Нападающие могут использовать эту модель для составления отчетов о разведке и моделирования на летучих мышах, стоящих перед стартовым питчером следующего дня. Более того, я знаю, что эту модель можно улучшить. Переменные, которые я использовал, не были исчерпывающими в отношении искусства угадывания высоты тона.Я хотел бы поработать мозгами некоторых игроков и ловцов (которые называют игры), чтобы увидеть, как улучшить эту модель. Ниже вы найдете мой репозиторий git с моделями и данными.

Особая благодарность Брэндону Уильямсу и Ноа Рубену за помощь в создании этого проекта. Также особая благодарность профессору Ульку Аслаку и Лучиану Ляху за то, что они познакомили меня с искусственными нейронными сетями.

Данные и визуальные эффекты были взяты из поискового инструмента Baseball Savant’s Statcast.Перейдите по этой ссылке , чтобы создать свои собственные наборы данных в Statcast.

Дэниел «Дэн» Ким учится на бакалавриате Джорджтаунского университета. Этот блог является частью заключительного проекта его программы обучения за границей в Дании (которая теперь фактически является программой обучения на дому из-за COVID-19). Следуйте за мной в Twitter: @ danielajk99.

Использование машинного обучения для более точных оценок

Если вы заглянете под капот Интернета, вы обнаружите, что множество механизмов, которые делают все это возможным.

Например, возьмем такую ​​компанию, как AT&T. Они должны хорошо понимать, какие интернет-данные куда направляются, чтобы лучше адаптироваться к различным уровням использования. Но точно контролировать каждый пакет данных непрактично, потому что у компаний просто нет неограниченного объема дискового пространства. (Исследователи на самом деле называют это «проблемой Бритни Спирс» в честь длительных усилий поисковых систем по подсчету актуальных тем.)

Из-за этой проблемы технологические компании используют специальные алгоритмы для приблизительной оценки объема трафика, направляемого на разные IP-адреса.Традиционные алгоритмы оценки частоты включают «хеширование» или случайное разделение элементов на разные сегменты. Но этот подход не учитывает тот факт, что существуют закономерности, которые можно обнаружить в больших объемах данных, например, почему один IP-адрес имеет тенденцию генерировать больше интернет-трафика, чем другой.

Исследователи MIT CSAIL разработали новый способ поиска таких шаблонов с помощью машинного обучения.

Их система использует нейронную сеть, чтобы автоматически предсказать, будет ли определенный элемент часто появляться в потоке данных.Если это так, он помещается в отдельную корзину так называемых «сильных нападающих», на которых нужно сосредоточиться; если нет, это обрабатывается с помощью хеширования.

«Это похоже на сортировку в отделении неотложной помощи, где мы расставляем по приоритетам самые большие проблемы, прежде чем переходить к более мелким», — говорит профессор Массачусетского технологического института Петр Индик, соавтор новой статьи о системе, которая будет представлена ​​в мае на конференции. Международная конференция по обучающимся представительствам (ICLR) в Новом Орлеане. «Изучая свойства сильных нападающих по мере их появления, мы можем проводить оценку частоты намного эффективнее и с гораздо меньшими ошибками.”

В ходе тестов команда Indyk показала, что их подход, основанный на обучении, дает на 57 процентов меньше ошибок при оценке объема интернет-трафика в сети и на 71 процент меньше ошибок при оценке количества запросов по заданному поисковому запросу.

Команда называет свою систему LearnedSketch, потому что они рассматривают ее как метод более эффективного «рисования» данных в потоке данных. Насколько им известно, это первый в мире подход, основанный на машинном обучении, не только для оценки самой частоты, но и для более широкого класса так называемых «потоковых» алгоритмов, которые используются во всем, от систем безопасности до обработки естественного языка.

LearnedSketch может помочь технологическим компаниям более эффективно обрабатывать все виды значимых данных, от актуальных тем в Twitter до всплесков веб-трафика, которые могут указывать на будущие DDOS-атаки. Компании, занимающиеся электронной коммерцией, могут использовать его для улучшения рекомендаций по продуктам: если LearnedSketch обнаружит, что клиенты, как правило, больше покупают бытовую электронику, чем игрушки, он мог бы автоматически выделить больше ресурсов на обеспечение точности подсчета частот для электроники.

«Все мы знакомы с потребительскими приложениями машинного обучения, такими как обработка естественного языка и перевод речи», — говорит Сергей Васильвицкий, ученый-компьютерщик, изучающий алгоритмическое машинное обучение и не принимавший участия в проекте. «С другой стороны, это направление работы является захватывающим примером того, как использовать машинное обучение для улучшения самой базовой вычислительной системы».

Что еще удивительно в LearnedSketch, так это то, что по мере того, как он учится считать элементы, структура, которую он изучает, может быть обобщена даже на невидимые элементы. Например, чтобы предсказать, какие интернет-соединения имеют наибольший трафик, модель учится кластеризовать различные соединения по префиксу их IP-адреса назначения. Это связано с тем, что места, генерирующие большой трафик, такие как крупные компании и университеты, имеют тенденцию использовать определенный префикс.

«Мы комбинируем модель с классическими алгоритмами, так что наш алгоритм естественным образом наследует гарантии наихудшего случая от классических алгоритмов», — говорит аспирант Чен-Ю Сюй, соавтор новой статьи.«Подобные результаты показывают, что машинное обучение — это подход, который можно использовать вместе с классическими алгоритмическими парадигмами, такими как« разделяй и властвуй »и динамическим программированием».

Индик и Сюй написали статью в соавторстве с докторантом Али Вакилианом и профессором Массачусетского технологического института Диной Катаби.

Одинарность: использование нейронной сети для прогнозирования результатов появления пластин

Изображение предоставлено: Джим Рассол — USA TODAY Sports

Мы обучили нейронную сеть на играх Высшей лиги бейсбола за последние девять лет.Он научился взвешивать большие объемы данных для более точного прогнозирования результатов появления пластин, чем предыдущие методы. Нейронная сеть также изучила стратегии и правила игры и использовала это понимание для повышения качества прогнозирования. Мы считаем, что наш подход может быть использован для принятия более эффективных предигровых и внутриигровых стратегических решений, а также для обеспечения более точного игрового моделирования.

Наша модель, Singlearity-PA (произносится как single-air-ity ), улучшает предыдущие методы, такие как log5, в том, что это:

• Обеспечивает значительно более точные прогнозы, работает лучше, чем log5, по всем типам прогнозов и по матчам, в которых участвуют как ветераны, так и новые игроки.
• Включает в себя самый широкий диапазон прогнозных данных, включая статистику взводов, количество шагов, приблизительные характеристики и скорость выхода мяча с ударом, среди прочего.
• Использует данные о состоянии игры, (например, базы загружены с одним аутом в 8-м иннинге), помогая как в точности прогнозов, так и в специфичности (например, жертвоприношение мухи).
• Представляет простую структуру для постоянного улучшения модели за счет включения новых типов данных.

Вы можете получить доступ к живой версии Singlearity-PA, чтобы предсказать свое собственное тестирующее против.матчи питчера на сайте www.singlearity.com.

Представьте себя менеджером команды, стоящим перед трудными решениями:

• Ничья игра, нижняя часть девятого, одна вышла и базы загружены. Ваш правосторонний доводчик находится на насыпи, напротив бьющего-левши, над которым он полностью доминировал в прошлом. Однако у вас есть питчер-левша в КПЗ, который часто вызывает двойную игру. Следует ли поменять питчер?
• Вы находитесь в середине долгого путешествия, и вам предстоит сыграть в предстоящую серию из 4 игр против вашего соперника по лиге, но ваш ловец нуждается в отдыхе.Вы знаете предполагаемых стартовых питчеров противоположной стороны в этой серии. Какой лучший день для вашего ловца, чтобы отдохнуть?

Это всего лишь два примера вопросов, с которыми любая команда может столкнуться в течение сезона.

Оценка матча бэттера и питчера — одна из основных проблем, определяющих стратегию бейсбола. Знание вероятности того, что внешний вид тарелки (PA) приведет к двойному розыгрышу против аута против хоумрана, может повлиять на многие аспекты игры, такие как оптимизация порядка ударов, выбор запасного питчера или решение намеренно пройти тесто, и это лишь некоторые из них.Кроме того, такие методы, как моделирование игр методом Монте-Карло, основаны на предположении о точном моделировании теста и питчера.

С появлением крупномасштабных наборов данных, а также более эффективных способов сбора, анализа и моделирования результатов, теперь у нас есть возможность выйти далеко за рамки обобщенных стратегий и делать индивидуальные прогнозы на основе игроков и ситуаций. Наступает эпоха точных, конкретных предсказаний!

Предсказание результатов личных встреч — распространенная тема во многих видах спорта.log5 — широко используемый метод для прогнозирования исходов личных встреч в бейсболе. Первоначально он был разработан Биллом Джеймсом как способ предсказать исход игры на основе соотношения побед и поражений двух команд. Позже Джеймс расширил метод log5 для прогнозирования вероятности исхода (попадание или отсутствие попадания) для конкретного матча отбивающего и питчера. log5 использует историческую статистику для теста, питчера и среднего значения в лиге, чтобы предсказать результат появления тарелок.

Мэтт Хэкрель позже создал обобщенное уравнение для log5, чтобы расширить возможные результаты появления пластин до большего, чем попадание против.предсказания отсутствия попаданий, чтобы можно было предсказать вероятность семи типов исходов PA для каждого матча бэттер-питчер ^[1] : аут, одиночный, двойной, тройной, хоум-ран, ходьба и удары по подаче. Уравнение Хэкреля основывалось на среднем 365-дневном количестве появлений на тарелке каждого из семи событий для бэттера, питчера и лиги. Уравнение Хэкреля:

Хотя обозначение этого уравнения несколько устрашающе, формула log5 Хэкрела вычисляет бэттер против питчера простым способом.Однако такая простота приводит к некоторым компромиссам в точности и применимости. Некоторые из естественных ограничений этой формулы включают:

• Для получения точных результатов требуется большой объем исторических данных по тесту и питчеру.
  • В своей статье Хехрель предсказывает исход появления тарелки только в том случае, если бьющий и питчер имеют по крайней мере 502 появления тарелок или бьющих, соответственно, в предыдущем сезоне. В период с 2011 по 2020 год только 18,7% показов пластин попадали в эту категорию.Чтобы изучить, что произойдет, если мы применим формулу к игрокам с меньшим количеством PA, рассмотрим крайний пример нового игрока, который отбивал 20 раз, но еще не сделал хоумран. log5 предсказывает, что у этого игрока 0% шансов совершить хоумран. Точно так же log5 предсказывает, что у игрока, у которого есть один PA и один HR, будет 100% шанс попасть в HR.

• Данные, которые оказались важными для влияния на вероятность исхода, игнорируются , например:
  • Левша vs.правые матчи , которые определяют большую часть стратегий вокруг составов и замен. ^[2]
  • Характеристики Ballpark — например, игры на домашнем поле Филлис, Citizens Bank Park, дают на 84% более высокие ставки хоум-рана, чем игры на домашнем поле Giants в Oracle Park, независимо от того, какие команды играют. ^[3]
  • Скорость и позиция игроков коррелируют с вероятностями у тарелки.
  • Погодные факторы, , такие как температура, влажность и направление ветра, влияют на вероятность различных результатов. ^[4]
  • Дополнительные, более современные статистические данные , которые становятся широко доступными, такие как скорость выхода мяча с ударом, также потенциально могут быть использованы.

• Прогнозы не учитывают состояние игры . Например, по данным за 2011-2019 гг., В равной игре с двумя аутами и базами, загруженными в нижней части девятого, у бэттера шанс пройти всего 3,4%. Напротив, в равной игре в конце девятого с одним аутом и бегунами на 2-м и 3-м месте у бэттера 45.7% вероятность прогулки, преднамеренной или нет.

• Все возможные исходы PA объединены только в семь возможных исходов , что исключает возможность дифференцировать различные типы исходов PA, такие как двойная игра, жертвенная муха или жертвенная головня.

Чтобы справиться со сложностью понимания наших данных для прогнозов, мы обращаемся к искусственным нейронным сетям.

Чтобы понять, какое место нейронные сети занимают в иерархии искусственного интеллекта, мы опишем:

• Машинное обучение как ветвь искусственного интеллекта, которая позволяет «компьютерам учиться без явного программирования». ^[5] Это контрастирует с экспертными системами, в которых группа экспертов в предметной области пытается понять входные данные и рассуждать о том, как сопоставить входные данные с ожидаемыми результатами.
• Контролируемое обучение — это подмножество машинного обучения, в котором нам дается набор входных данных вместе с набором «правильных» ответов, и компьютер пытается изучить правила, чтобы делать прогнозы относительно будущих данных.
• Искусственные нейронные сети как тип обучения с учителем, реализованный путем построения внутреннего представления, которое пытается имитировать вычисления, выполняемые в человеческом мозгу. Нейронные сети успешно используются во множестве приложений, включая распознавание изображений, автоматические игры и обработку естественного языка. Цель нейронной сети — предсказать выходные значения на основе входных значений.

На изображении выше показан пример простой нейронной сети, архитектура которой состоит из 6 входов, 2 скрытых слоев по 8 узлов в каждом и 4 выходов.После выбора архитектуры нейронной сети ее можно обучать с помощью обучения с учителем. При обучении с учителем каждому краю сети изначально присваиваются случайные веса. Эти веса вместе с входными данными определяют выходные значения. Сеть обучается путем подачи ей входных значений и «правильных» выходных значений, и сеть регулирует веса ребер, чтобы она могла правильно предсказывать выходы. Например, в приведенной выше сети шесть входов могут быть средним показателем отбивающего и питчера, средним пробивным и базовым процентом, соответственно, а четыре выходных значения могут быть вероятностью того, что результат появления пластины является хоум-раном. , вычеркивание, прогулка или «другое» событие соответственно.

Нейронные сети имеют как минимум два свойства, которые делают их более успешными, чем другие типы моделей прогнозирования:

• Нейронные сети, такие как Singlearity-PA, превосходны, несмотря на слабое знание предметной области. Например, бейсбольные эксперты создают модели, которые пытаются взвесить важность различных типов статистики, таких как недавние и старые, личные встречи, средние лиги и взводы. Цель нейронной сети — обнаружить эти тонкие взаимосвязи, не требуя какого-либо особого понимания области бейсбола.
• Нейронные сети могут легко включать новые типы данных и определять их полезность. Масштабирование для включения новых данных станет важной особенностью любой системы прогнозирования, поскольку количество данных MLB, доступных для анализа, резко увеличивается. Например, когда MLB начал предоставлять расширенную статистику с помощью Statcast в 2014 году, объем данных по бейсболу только в 2014 году превысил все предыдущие данные в предыдущей истории этого вида спорта. ^[6] Baseball является частью информационного взрыва ^[7] , и необходимо создать и адаптировать новые инструменты для использования этого потока данных.

Для обучения нашей нейронной сети мы использовали пошаговые данные Statcast за 2011-2019 годы. ^[8] Это 1,66 миллиона матчей, сыгранных в течение 21 865 игр регулярного сезона в течение 1 627 различных календарных дней. Используя передовой опыт, мы разделили 1627 календарных дней таким образом, чтобы 60% дат на пластинах использовались для данных обучения, 20% — для данных проверки и 20% — для данных тестирования. Нейронная сеть была обучена с использованием обучающих данных, а архитектура нейронной сети была скорректирована с учетом того, насколько хорошо сеть обобщена для правильного прогнозирования результатов на основе данных проверки.С нашей завершенной архитектурой мы измерили прогнозирующую способность нейронной сети по тестовым данным.

После экспериментов мы выбрали архитектуру нейронной сети, состоящую из трех типов слоев:

• Входной уровень : 79 входных данных, представляющих данные, которые мы сочли важными для прогнозирования результатов PA
• Скрытые слои : два скрытых слоя по 80 узлов каждый, которые сеть использовала для своего внутреннего процесса обучения
• Уровень вывода: 21 выход, представляющий возможные уникальные результаты PA, как определено в statcast

Задача нейронной сети заключалась в использовании 79 входов для прогнозирования значений для каждого из 21 выхода, где каждый выход представлял вероятность этого результата PA.

79 полей ввода для каждого внешнего вида пластины были разделены следующим образом:

Мы использовали категориальную кросс-энтропию как функцию потерь нашей сети.Во время обучения нашей сети нам нужно было убедиться, что модель не переоценивает данные. Переобучение во время обучения характеризуется коэффициентом ошибок потери модели, который уменьшается на обучающих данных, но который быстро отклоняется от частоты ошибок при применении к данным проверки. Переобучение проблематично, потому что это означает, что модель не сможет обобщить прогнозы для обработки новых данных. Поскольку у нас была большая выборка данных для обучения сети и относительно простая архитектура нейронной сети, мы не ожидали, что сеть будет соответствовать данным.Как показано на графике ниже, мы можем видеть, что потери для данных обучения и проверки остаются сопоставимыми друг с другом, что указывает на то, что нейронная сеть не соответствовала обучающим данным.

Чтобы получить представление о прогнозах Singlearity-PA, см. Рисунок ниже, на котором показано, как Чарли Блэкмон сражается с Максом Шерцером в следующей игровой ситуации:

Расположение: Coors Field

Иннинг: конец 5-го

Оценка: ничья

Кол-во мест: 70

Выходы: 1

Baserunners: Бегущий 1-й

Теперь, чтобы понять, насколько эти прогнозы могут варьироваться в зависимости от состояния игры, давайте изменим базовые раннеры и ауты и проследим за изменениями на рисунке ниже.Бейсраннеры / ауты показаны в верхнем левом углу. Обратите внимание, например, на то, насколько сильно варьируется средний уровень Блэкмона («ба» на диаграмме ниже) в зависимости от состояния бейсраннеров и аутов. Также обратите внимание на то, что вероятности таких событий, как двойная игра («dp»), жертвоприношение («sf») и выбор полевого игрока («fc») кажутся, по крайней мере визуально, соответствующими реалистичным результатам в игре.

Перед тем, как исследовать результаты более количественно, давайте сделаем несколько быстрых проверок, чтобы проверить понимание игры Singlearity-PA, по:

• Замечание, что Singlearity-PA не будет предсказывать двойную игру, когда на базе никого нет. Действительно, из 946K PA, которые произошли без единой базы с 2011 года, максимальная прогнозируемая вероятность двойной игры Singlearity-PA во время этих PA составляла 1 x 10 ^-8 .
• Замечание, что Singlearity-PA понимает, когда может произойти жертвенная головня. Большинство случайных фанатов бейсбола знают, что существует высокая вероятность жертвенной головни, когда питчер играет биту с бегуном только на первой базе и менее двух аутов. Фактически, из 6308 случаев, произошедших с 2011 года, появление пластины привело к жертвенной головне 49.6% времени ^[13] . Для тех же самых ситуаций с «высокой вероятностью жертвы» Singlearity-PA предсказывает головку жертвы со средним ожидаемым значением 59,7%.

Singlearity-PA с log5 показано в таблицах ниже. Чтобы получить интуитивное представление об уровне ошибок обеих моделей, мы сравнили их с чрезвычайно упрощенной моделью для средних значений лиги, в которой мы предположили, что вероятности появления табличек соответствуют средним ожидаемым результатам лиги за год.

Поскольку было заявлено, что методы log5 лучше всего подходят для появления пластин, в которых есть существенная историческая статистика как для тестирующего, так и для кувшина, мы исследовали, как работают как Singlearity-PA, так и log5 при использовании для прогнозирования PA с различным количеством доступных исторических данных. . Мы разделили каждую PA на одну из следующих категорий:

• Обширные прогностические данные: И у бэттера, и у питчера было> = 502 PA или противоположных PA, соответственно, за последние 365 дней. ^[14]
• Небольшие данные для прогноза: Либо тесто, либо питчер имели <100 PA за последние 365 дней.
• Некоторые прогнозные данные: Все остальные PA.

Важно отметить, что с 2011-2019 гг. Только 18,7% PA попадают в «Обширные прогнозные данные», в то время как 60,1% PA попадают в «Некоторые прогнозные данные» и 21,2% попадают в «Небольшие прогнозные данные». Таким образом, очень важно, чтобы любой метод позволял получать точные результаты для PA, выходящие за рамки категории «Обширные прогнозные данные».

Мы решили показать частоту ошибок для нескольких различных типов прогнозов, приведенных ниже, хотя следует отметить, что измерения всех типов прогнозов дали аналогичные результаты. Во-первых, давайте посмотрим на способность предсказывать конкретные результаты ПА.

Во-вторых, мы сравниваем способность прогнозировать составную статистику. Например, чтобы предсказать ожидаемый процент PA на базе, мы складываем вероятности всех событий, которые соответствуют событию на базе. ^[15] Для составных статистических данных мы используем среднеквадратичную ошибку (RMSE) в качестве измерения нашей ошибки, поскольку это было то же измерение, которое использовал Хэкрель в его работе над предсказаниями log5.

Два интересных элемента, которые следует отметить в результатах:

• Singlearity-PA показал лучшие результаты, чем log5, по всем типам прогнозов и каждой категории внешнего вида пластин (то есть по обширным, некоторым и небольшим прогнозным данным).
• Log5 работал лучше, чем средние лиги, для прогнозирования результатов с большим количеством прогнозных данных. Это было немного лучше, чем использование средних данных лиги при наличии некоторых прогнозных данных. Это было значительно хуже, чем в среднем по лиге по количеству выступлений на тарелках с небольшим количеством прогнозных данных.

Наиболее вероятный вид пластины приведет к:

• Удар по мячу был 16 сентября 2019 года, когда Дерек Дитрих встретился с питчером Алеком Миллсом с питчером Алеком Миллсом с прогнозируемой вероятностью 18,7% получить удар от поля. (Он вычеркнул).
• Преднамеренная прогулка Брайс Харпер отбивал с 2 аутами в конце 10-го иннинга, бегун первым и отставал на 1 пробег 28.04.2018.Singlearity-PA предсказал 99,99% вероятности преднамеренной прогулки (Он был намеренно ходьбой).
• Strikeout питчер Хосе Урена отбивал против питчера Макса Шерцера 25 мая 2018 года. Singlearity-PA предсказал 81,5% шанс вылета. (Он вычеркнул).

Мы создаем инструменты и API-интерфейсы на сайте www.singlearity.com, чтобы пользователи могли использовать модель Singlearity-PA. Некоторые из потенциальных применений включают создание и проверку новых стратегий, выполнение запросов в реальном времени для использования в предигровой или внутриигровой стратегии, а также предоставление болельщикам и телеведущим возможности лучше понять игру.

Эта версия лишь поверхностно раскрывает ее потенциал. Скоро мы включим следующие данные, чтобы сделать прогнозы еще более точными:

• Скорость бэттера и бейсраннера : Знание скорости бэттера может особенно сильно повлиять на вероятность таких событий, как тройные и двойные игры. Точно так же скорость бейсраннеров может повлиять на двойную игру и жертвоприношение мух. (Обратите внимание, что в настоящее время мы с по включаем позицию на поле бэттера, которую можно рассматривать как прокси для скорости бэттера.)
• Качество игры на поле: Это позволит лучше проанализировать ситуацию и определить, когда делать оборонительные замены.
• Те же результаты игр: Следует ли вытаскивать питчера, если он отказался от трех хоум-ранов подряд? Общепринятая мудрость определенно укажет «да».
• Данные низшей лиги: Это поможет делать прогнозы относительно игроков, которые недавно были призваны в армию.
• Другие тесто в линейке: Например, сильное тесто перед слабым с большей вероятностью будет ходить.
• Сходство игроков: ^[16] есть некоторые свидетельства того, что отбивающие и питчеры иногда могут быть разделены на категории и дают аналогичные результаты против оппонентов в той же категории.

Наконец, поскольку вероятности «отбивающий против питчера» являются основной частью прогнозирования результатов, мы работаем над интеграцией этих прогнозов в полноигровые симуляторы, которые можно использовать для улучшения стратегий и прогнозов.

^[1] «Вероятность совпадения в высшей лиге бейсбола | Общество….»Https://sabr.org/research/matchup-probabilities-major-league-baseball. Проверено 5 июня 2020 г.

^[2] “Прогнозирование разбивки взвода кувшинов | The Hardball Times ». 14 августа 2015 г., https://tht.fangraphs.com/forecasting-pitcher-platoon-splits/. Проверено 5 июня 2020 г.

^[3] «Факторы парка MLB 2020 — Ранги — Крупные…» http://www.espn.com/mlb/stats/parkfactor. Проверено 5 июня 2020 г.

^[4] «Влияние температуры на бейсбол Высшей лиги.»Https://journals.ametsoc.org/doi/full/10.1175/WCAS-D-13-00002.1. Проверено 5 июня 2020 г.

^[5] Сэмюэл А. Л. (1959). Некоторые исследования машинного обучения с использованием игры в шашки. Журнал исследований и разработок IBM, 3 (3), 210-229

^[6] https://www.washingtonpost.com/outlook/2019/07/09/if-baseball-is-any-indication-big-data-revolution-is-over/

^[7] https://en.wikipedia.org/wiki/Information_explosion

^[8] Мы дополнили данные Statcast данными результатов ватин mlbapi за 2017–2019 годы, потому что Statcast больше не включает преднамеренные прогулки «без шага», так как правила преднамеренных прогулок изменились в 2017 году.

^[9] Средняя скорость выхода рассчитывается только для мячей в игре.

^[10] Данные о взводе для отбивающего и питчера рассчитываются по тому же совпадению левши и правши в текущем внешнем виде пластины. Например, если отбивающий правша сталкивается с питчером-левшой, мы используем статистику взвода бьющего против питчеров-левшей. Статистика взводов отбивающих и питчеров усредняется за предыдущие 1000 дней.

^[11] Мы взяли средний фактор парка каждого PA игрока.Это делается для определения уровня сложности того, где бьющий или питчер достиг своей статистики.

^[12] «Факторы парка MLB 2020 — Ранги — Крупные…» http://www.espn.com/mlb/stats/parkfactor. По состоянию на 9 июня 2020 г.

^[13] Обратите внимание, что Singlarity-PA только предсказывает результат появления пластин. Появление пластины, в которой отбивающий начинает пытаться пожертвовать, часто заканчивается результатом аута, выбора полевого игрока или даже двойной игры. попыток принесения в жертву на самом деле намного выше, чем 60% из-за появления пластин с «высокой вероятностью жертв».

^[14] Это следует методологии статьи Хэкрела, в которой 502 использовалось в качестве числа, чтобы игрок считался обычным игроком.

^[15] Фактическая формула для расчета процентной доли на базе, которую нам нужно использовать, немного сложнее. См. Фактическую формулу на https://www.baseball-reference.com/bullpen/On_base_percentage.

^[16] «Моделирование вероятности удара по бэттеру / кувшину…». 26 марта 2015 г., https://ieeexplore.ieee.org/document/7069266. Проверено 5 июня 2020 г.

Спасибо за чтение

Это бесплатная статья. Если вам понравилось, рассмотрите возможность подписки на Baseball Prospectus. Подписки поддерживают текущие публичные исследования и анализ бейсбола во все более закрытой среде.

Наполняя мозг нападающего: пример из практики ЭЭГ, часть 2

По мере того, как все больше показателей становятся доступными для использования в спортивных показателях, мы видим, что бейсбол претерпевает изменения как на поле, так и за его пределами, как в стратегическом, так и в плане развития.В непрекращающемся стремлении Driveline оптимизировать развитие игроков мы начали исследовать один показатель — активность мозга, измеряемую с помощью устройства электроэнцефалограммы (ЭЭГ). Хотя измерения нейронных биомаркеров в науке о движениях все еще существуют, измерение активности мозга в спорте набирает обороты, поскольку носимые устройства ЭЭГ стали более практичными для исследований в спорте. Недавно в журнале Frontiers in Psychology была опубликована статья, в которой говорится о важности понимания активности мозга во время занятий спортом:

Динамика мозга лежит в основе высших достижений в спорте — (Cheron et al., 2016)

Анализ и понимание колебаний мозга как биомаркеров производительности в бейсболе может открыть еще одну дверь для развития игроков, добавив дополнительный инструмент к метрикам и данным, которые уже используются для проверки и оптимизации производительности игроков.

устройства ЭЭГ измеряют электрическую активность на уровне мозга. Они способны обнаруживать срабатывание крупных нейронов коры головного мозга на более низких частотах. В спортивных исследованиях нас больше интересует активность мозга на частоте бета-волн (12.5-30 Гц). Эта частота волн является хорошим индикатором бдительности и сознательной обработки. Его также можно использовать для обозначения неэффективной мозговой активности, как мы видели в нашей предыдущей публикации, где у новичков на самом деле было больше мозговой активности бета-волн по сравнению с экспертами, у которых была более эффективная мозговая активность. Ради этого проекта мы намеревались изучить активность мозга в том же диапазоне. Для более подробного обзора ознакомьтесь с прошлогодним примером использования ЭЭГ.

Шум

Нейронный шум — это случайные электрические колебания в нейронных сетях.Он оказывает значительное влияние на движение и сенсомоторное управление. Когда мы собираем данные, будь то от захвата движения, ЭМГ, ЭЭГ или любого другого устройства, возникает «полезный сигнал», напрямую связанный с тем, что мы измеряем. Это сигнал, который нас волнует, но он не всегда ясен. Часто этот сигнал искажается или размывается шумом, случайным / спорадическим или бесполезным сигналом, который необходимо удалить / игнорировать, чтобы понять сигнал, который нас действительно волнует. Думайте о шуме как о статических помехах, возникающих в телевизорах.Этот «шум» искажает изображение и мешает нам видеть то, что на самом деле идет по телевизору.

В своей недавней книге The Performance Cortex Зак Шенбрун обсуждает темы нейробиологии, связанные с спортивными результатами и развитием (Schonbrun, 2018). Он подробно иллюстрирует концепцию нейронного шума в одной главе, включая цитату из ранних исследований, проведенных Вольпертом и Харрисом, которые обобщают теорию шумовых помех и движения:

Движения можно описать как траектории, которые минимизируют отклонения после движения в присутствии зависящего от сигнала шума . — Харрис и Вольперт, 1998

Как обсуждал Шенбрун, шум присутствует на всех этапах контура сенсомоторного управления, от сенсорного входа до выхода моторного сигнала. Благодаря практике и знакомству с задачей мы можем подготовиться к этому шуму и адаптироваться к нему, улучшая нашу производительность при выполнении задачи. Применяя эту модель нейронного шума к спортсменам, имело бы смысл, что спортсмены, которые излучают на меньше шума во время мозговой активности, на более эффективны, распределяют ресурсы мозга, и могут работать на наиболее оптимальном уровне.

Эффект запаздывания

Эффект запаздывания от визуальных явлений Майкла и оптических иллюзий (Бах, без даты)

Эта гифка представляет собой визуальное представление эффекта запаздывания вспышки, взятого из книги Майкла «Визуальные явления и оптические иллюзии» . Наблюдая за изображением, вы заметите две вещи:

1. Там, где две линии почти пересекаются, мигающая линия немного отстает от другой линии.
2. Кажется, что мигающая линия имеет другой угол в месте пересечения; есть перегиб.

На самом деле две линии идеально совпадают:

Как это возможно? Ответ заключается в том, что ваш мозг на самом деле живет в прошлом из-за задержки обработки визуальных сигналов.

Если вы впервые слышите об этой концепции, возможно, вам будет сложно осознать это, но на самом деле это довольно просто! По сути, невозможно мгновенно воссоздать ваш взгляд на мир в мозгу.Обработка и воссоздание этих изображений требует времени.

Световые сигналы проходят через глаза и фокусируются на фоторецепторах, которые затем преобразуют информацию в электрические сигналы, которые могут интерпретироваться мозгом. В этой передаче и обработке информации происходит задержка. Имеется значительная задержка в поступлении сигналов этих фоторецепторов в зрительные области коры головного мозга (Nijhawan, 2002). Наш мозг пытается противодействовать этой задержке и реконструировать события в целостную картину мира с помощью механизмов планирования.Эти механизмы учитывают задержки обработки, которые должны произойти, и, таким образом, воссоздают внутреннюю модель, в которой движущиеся объекты «воспринимаются» немного раньше предполагаемой траектории. Затем мозг планирует движения и двигательные результаты, основываясь на этом «предсказании» мира.

Хотя эффект Flash-Lag интересен, он редко изучается, потому что большинство повседневных действий происходит с низкой скоростью, когда предсказание мира мозгом тесно связано с реальностью. Однако процесс отслеживания бейсбольного поля на пути к тарелке происходит за полсекунды, на такой высокой скорости, что применим эффект запаздывания вспышки.Когда вы отслеживаете бейсбольный мяч, выходящий из руки питчера, предсказание того, что вы «видите», на самом деле является наилучшим приближением мозга, а не тем, что на самом деле видит ваш глаз. Чтобы воссоздать это предсказание мира, в частности, расположение бейсбольных мячей, когда они пересекают тарелку, требуется выделение ресурсов мозга.

Теоретически, отслеживая больше презентаций, вы станете лучше справляться с этой задачей. Как обсуждалось ранее, эффективная мозговая деятельность может помочь оптимизировать спортивные результаты.Итак, как мы можем использовать это явление и концепцию нейронного шума, чтобы подготовить нападающего к успеху в тот момент, когда он входит в бокс и отслеживает свою первую живую подачу за день? Ответом может быть прайминг и то, как мы подходим к тренировке перед игрой. Бейсбольный мяч, брошенный на скорости 50 миль в час с расстояния 40 футов, вызовет в мозгу нападающего совсем другой эффект запаздывания, чем у высокоскоростной машины BP; последнее будет намного ближе к тому, что нападающий видит в играх.

В настоящее время исследования данных ЭЭГ и отслеживания высоты тона ограничены.Была проведена некоторая работа по изучению активности ЭЭГ при отслеживании виртуальных звуков на экране (Muraskin, Sherwin, & Sajda, 2015). Из-за этого цель этого тематического исследования состояла в том, чтобы собрать данные ЭЭГ о питчах, отслеживающих нападающих, когда они находились в боксе для теста, чтобы начать генерировать биомаркеры ЭЭГ производительности при ударах. Мы действительно не знаем, как выглядит хороший или плохой сигнал ЭЭГ, когда нападающий отслеживает высоту тона, попадающую в зону, поэтому мы пока не можем сравнивать сигнал между разными нападающими. Однако мы можем рассматривать количество шума, присутствующего в их сигнале, как показатель эффективности и производительности.Мы также хотели выяснить, изменились ли характеристики сигнала после различных подготовительных работ перед отслеживанием питчей в реальном времени:

• Нет практики или подготовки (Контроль)
• Тройник рабочий
• Мягкий подброс
• Обычная практика ватина
• Практика ватина на высоких скоростях

Мы предположили, что высокоскоростное АД будет наиболее выгодным для спортсмена на основе эффекта запаздывания вспышки и принципа специфичности, причем высокоскоростное АД наиболее похоже на подачу в игре с точки зрения скорости мяча и схемы полета.Мы также выдвинули гипотезу, что активность мозга во время первого живого питча дня в условиях отсутствия тренировок будет наиболее неэффективной (шумной). Мы использовали программное обеспечение EmotivePro в сочетании с Emotiv EPOC + для сбора данных ЭЭГ. Все эти записи ЭЭГ были записаны от одного и того же участника и сняты в разные дни, чтобы избежать эффекта переноса между условиями.

Качественный анализ данных ЭЭГ:

Во-первых, у нас был нападающий шаг в ящик без подготовительной работы или тренировочных качелей, чтобы получить базовый уровень того, как выглядела активность ЭЭГ для нашего контрольного состояния.Мы также заставили его продолжать стоять в течение 25 участков и записали активность ЭЭГ на последних нескольких участках КПЗ:

На изображениях выше показан сигнал ЭЭГ на всех 14 электродах (был применен частотный фильтр верхних частот, чтобы уменьшить влияние артефактов движения). Мы использовали функцию маркера EmotivPro, чтобы пометить отдельные моменты времени во время отслеживания высоты звука для последующего анализа; они обозначены 3 вертикальными красными линиями:

1-я линия: кувшин приходит набор

2-я строка: питчер начинает подъем ног

3-я линия: мяч попадает в перчатку ловца.

Область, представляющая интерес для отслеживания высоты тона, находится во второй половине пространства между 2-й и 3-ей вертикальными линиями:

Как вы понимаете, при отслеживании первого шага дня присутствует много нейронного шума. Обратите внимание, насколько неровным и спорадическим появляется сигнал в первом тоне дня по сравнению с 25-м, что указывает на значительное снижение шума. Это открывает возможность того, что чем больше живых ударов нападающий видел в день, тем более подготовленным он будет к ударам.Отсюда мы можем сравнить активность ЭЭГ при отслеживании высоты тона после различных подготовительных работ с этими элементами управления, чтобы выявить различия:

Во-первых, слежение за шагом после Tee Work: 4-5 выстрелов с попаданием в тройник.

По-прежнему присутствует много шума при отслеживании высоты тона.

Во-вторых, слежение за шагом после мягкого броска: 4-5 раундов мягкого броска.

Опять же, при отслеживании высоты тона присутствует много шума.

В-третьих, отслеживание подачи в соответствии с Нормальная практика ватина: 4-5 раундов стандартной практики ватина.

По-прежнему присутствует большой шум.

Четвертый, слежение за тангажом вслед за высокоскоростной машиной BP: 4-5 выстрелов, поражающих машину качки, установленную на насыпи, на высокой скорости (> 90 миль в час)

Только когда мы доберемся до состояния АД высокоскоростной машины, мы увидим сигнал со значительно меньшим шумом по сравнению с другими условиями.Уровень шума в этом состоянии на самом деле ниже, чем когда нападающий отследил 25 живых участков:

В качестве альтернативы сигнал, записанный после работы с мячом, мягкого броска и отработки удара, кажется более похожим по сравнению с сигналом, записанным во время отсутствия подготовки (контроль):

Количественный анализ мощности диапазона

Хотя эти гифки и картинки дают некоторое представление о том, что происходит во время отслеживания высоты тона в мозгу нападающих, приведенные выше сравнения носят в основном качественный характер.Количественный анализ сигнала ЭЭГ довольно сложен и требует дальнейшей фильтрации и обработки. Хотя в настоящее время мы работаем над тем, чтобы иметь возможность проводить углубленный количественный анализ для получения объективных данных из записей ЭЭГ в будущем, на данный момент мы можем использовать анализ мощности диапазона EmotivPro для сравнения амплитуд сигнала в интересующих диапазонах частот. В нашем случае эти полосы частот будут ниже диапазона бета-волн:

Оба этих анализа мощности полосы были выполнены во время записи с отслеживанием высоты тона.Вы можете видеть в состоянии тройника, что в диапазоне частот бета-диапазона были значительно более высокие амплитуды по сравнению с состоянием высокоскоростного АД, где практически не было амплитуды активности бета-волн, что указывает на более эффективное распределение ресурсов и мозга. активность во время отслеживания высоты тона после тренировки на высокой скорости.

Обсуждение и последствия

На самом деле эта идея не нова, когда мы думаем о том, как питчеры используют подачу вне скорости, чтобы сбить нападающего.Идея изменения заключается в его названии, чтобы изменить скорость. Это изменение скорости должно затруднить нападающему, чтобы догнать фастбол. Если это так, то в стандартной тренировке перед игрой, когда нападающий видит низкую скорость, мы отбиваем передачи, которые значительно медленнее, чем смены, и они редко видят что-то похожее на скоростной фастбол. Как мы можем ожидать, что время нападающего, а в данном случае его мозговая активность, будет подготовлено и готово к фастболу со скоростью 95 миль в час, когда они впервые входят в штрафную, если они не видели ничего подобного за весь день?

Предлагает ли это исследование, что нападающие должны использовать исключительно высокоскоростные машины в качестве основной формы практики и обучения? Нисколько.Тренируя спортсменов, мы смотрим на общую картину и пытаемся внести в долгосрочную перспективу существенные адаптации, которые будут устойчивыми. Мы создаем индивидуальные программы тренировок, адаптированные к конкретным потребностям спортсмена, на основе их оценок, с пониманием подходов, основанных на ограничениях, для оптимизации их спортивного развития. Это означает, что некоторые спортсмены в настоящий момент могут даже не оказаться в таком положении, когда использование высокоскоростной питч-машины выгодно для их долгосрочного развития.Упражнения с ограничениями по-прежнему имеют большое значение для изменения моделей движений и тенденций спортсмена.

Тем не менее, возможно ли, что высокоскоростной станок BP может быть использован в качестве альтернативы стандартному предигровому BP для того, чтобы вызвать острую адаптацию в мозгу нападающего? Это вполне возможно, и приведенные выше данные говорят об этом. Это тематическое исследование ни в коем случае не является завершением всех исследований мозговой активности в бейсболе, но это хорошее начало для новых широко открытых границ исследований в области бейсбола и развития игроков.

Эта статья написана научным сотрудником Энтони Брэди

Список литературы

Бах, М. (нет данных). Эффект запаздывания. Получено 6 сентября 2018 г. с https://www.michaelbach.de/ot/mot-flashLag/index.html

Шерон, Дж., Пети, Дж., Шерон, Дж., Лерой, А., Себолла, А., Севаллос, К.,… Дэн, Б. (2016). Колебания мозга в спорте: к биомаркерам производительности ЭЭГ. Границы в психологии , 7 , 246.

Харрис, К.М., и Вольперт Д. М. (1998). Сигнал-зависимый шум определяет планирование двигателя. Nature , 394 (6695), 780–784.

Мураскин, Дж., Шервин, Дж., И Сайда, П. (2015). Знание, когда не нужно качаться: данные ЭЭГ, свидетельствующие о том, что повышенная связь между восприятием и действием лежит в основе опыта бейсбольного теста. NeuroImage , 123 , 1–10.

Nijhawan, R. (2002). Нейронные задержки, визуальное движение и эффект запаздывания. Тенденции в когнитивных науках , 6 (9), 387.

Шенбрун, З. (2018). Performance Cortex: как нейробиология меняет определение спортивного гения . Бирлинн Лтд.

Машинное обучение для бейсбола ⚾ (моя история) | Николай Яковенко

На самом деле позвольте мне на секунду остановиться: бейсбол — это отличный способ изучить науку о данных.

Моя первая проекционная система была нелепой. Или, скорее, я переусердствовал с данными. Я знал, что у подхода, основанного на деревьях, есть недостатки, но я все равно написал его и отправил начальнику отдела операций в Chicago White Sox через друга своего друга.Я так и не получил ответа, и, прочитав свою собственную работу несколько недель спустя, я понял, насколько это было ужасно.

Было до смешного плохо, если честно. У меня были деревья, разветвляющиеся по количеству побед питчеров в прошлом году, а также по возрасту питчеров (мои прогнозы были исключительно для питчеров, поскольку именно здесь начинали и другие, такие как Нейт Сильвер).

Я получил ценный урок — как на самом деле выглядит плохое обобщение. Более того, даже после 3,5 лет работы инженером в отделе качества Google (кодирование основного алгоритма ранжирования) я так и не научился этим интуитивно понятным статистическим принципам.

Бейсбол представляет проблемы с ограниченными данными. В моем наборе данных (2002–2009) было всего около 1500 сезонов подачи питчера, и вы не могли получить больше данных. Конечно, вы могли бы вернуться к старым сезонам, но игра, на которую вы бы смотрели, была бы другой.

. Довольно быстро я научился понимать, почему бейсбольные исследования не одобряют сопоставление данных с чем-либо, кроме линейной системы. Этот линейно-ортодоксальный подход также преобладает среди квантов на Уолл-стрит (хотя иногда они подгоняют линейную модель к лежащей в основе нелинейной характеристике).

Я также понял, почему проекционные системы бессмысленны — они не могут значительно превзойти простую трехлетнюю регрессию предыдущих показателей, как брезгливо указывает Том Танго в своей модели Марселя (ссылка любимой обезьяне Росса на Друзьях).

Если вы не можете превзойти базовые прогнозы, основанные на возрасте игроков и регрессивной результативности за три предыдущих года, что еще делать? Множество. Я не мог не видеть, как Билл Джеймс почти каждую неделю публикует на своем веб-сайте новую статистическую информацию.

Я не помню почему, но после месяцев выполнения прогнозов ванильных кувшинов (на этот раз не на основе деревьев и с надлежащим набором проверок) я подумал, что изучу, как физические характеристики кувшинов могут помочь объяснить их полевые характеристики. Другими словами, я начал смотреть на статистику вне рамок:

• данные о травмах [записи в списке отключенных (DL)]
• данные о поле [сколько фастболов, кривых и т. Д. Делает питчер, и насколько сложен его фастбол ]
• физические характеристики, такие как возраст, рост и вес

Все эти исследования, хорошие и плохие, можно найти в моем блоге Ивана Бездомного о бейсболе, который я вел с 2009 по 2010 год.

Данные о травмах меня не очень увлекли, хотя я получил некоторые здравые представления о типах травм.

• Травмы локтя не так опасны в долгосрочной перспективе, как травмы плеча как новый

Этого исследования было достаточно, чтобы я понял, что после операции на вращающей манжете Брэндон Уэбб, вероятно, был питчером, несмотря на то, что почти выиграл три награды Сая Янга в 2006–2008 годах, и все еще был молодым человеком.В то же время я понял, почему Билли Бин и команда Oakland A подписали Бена Шитса на большую годовую зарплату после того, как он пропустил целый год из-за операции на локтевом суставе в 2009 году.

Данные по подаче были гораздо интереснее. Я сосредоточился на двух идеях:

Показатели забросов намного более стабильны, чем общие показатели питчеров (ERA и т. Д.), И я читал на сайте Билла Джеймса, что команды больше всего заботятся о аутах для молодых питчеров — поскольку это определяющий фактор между ними. кто попадает в высшую лигу, а кто нет.Несколько легкомысленных изящных левшей вроде Кирка Рютера в сторону.

Большая часть различий между аутами питчера на уровне MLB может быть объяснена двумя переменными: скоростью фастбола и «левша ли он» (помогает). Да, и кувшины с такими же физическими характеристиками постоянно получают больше аута в Национальной лиге, чем в Американской — я убеждал Брайана Кэшмана (гроссмейстера моих любимых янки) прекратить заключать контракты с питчерами Национальной лиги с высокими аутами.

Я сделал еще несколько прогнозов:

• Арольдис Чепмен был отличным контрактом с красными на 6 лет, 30 миллионов долларов. Все, что мы знали о кубинском перебежчике Чепмене, — это то, что он левша и бросает почти 100 миль в час: это прогнозировалось для одного из лучших подающих в лиге… при прогнозе 50%. Чепмен оказался одним из самых выдающихся питчеров в истории бейсбола.
• Я не понимал, что Даймондбэки меняют молодого Макса Шерцера на немного более авторитетного Эдвина Джексона.У Джексона был хороший материал, но он постоянно недооценивал свои физические возможности для вычеркивания проекции. В то время как Шерцер уже был питчером высокого аута с потенциалом улучшения. Джексон продолжил солидную карьеру, играя до 32 лет, проведя пару сезонов 2.0 WAR. Между тем Scherzer выиграл AL Cy Young 2013, NL Cy Young 2016, попал в четыре команды All-Star, а подписал контракт на 210 миллионов долларов .
• Джоба Чемберлен — помните его? Он был отключен как помощник.Первоначально я был полностью за то, чтобы переместить его из КПЗ в стартовую роль — молодой парень, больше возможностей, следовательно, большую ценность (даже при более низком ERA). Но как только я увидел, что процент отрывков суперлинейно коррелирует со скоростью фастбола, я понял, почему вы не можете превратить метатель со скоростью 97 миль в час в стартер. Средний фастбол Джобы упал до 95 миль в час в качестве вспомогательного средства, а затем до 92,5 миль в час в качестве стартового. Немногие питчеры могут поддерживать высокую скорость 90 секунд в более длительных играх, и поэтому мы видим, что за последние семь лет командами MLB используется все больше и больше питчеров.Самые тяжелые тауверы могут быть более ценными за меньшее количество иннингов, если они смогут поддерживать высокие скорости фастбола 90-х.
• Некоторые команды, особенно «Сент-Луис Кардиналс» под руководством легендарного тренера по питчам Дэйва Дункана, предпочитают развивать определенные типы питчеров. Вы можете увидеть это, поместив питчеров в ближайший к ним кластер K-средних и назвав их «типами питчеров». Дэйв Дункан ненавидит замены, поэтому он учит своих питчеров бросать больше мячей, возможно, в качестве изменения темпа.Это может способствовать тому, что кардиналы откажутся от меньшего количества мячей, а значит, и к меньшему количеству хоум-ранов, чем их соперники.
• После полутора лет снижения скорости фастбола (со средней скорости 94 миль в час в годы побед Сая Янга до 91,3 миль в час) Тим Линсекум стал элитным питчером к 2010 году.

«Neuro Scout «Попадает в головы отбивающим, чтобы оценить нападающих

Бейсбол часто называют« игрой мыслящих ». Даже бывший ловец нью-йоркских янки и частый жвачка Йоги Берра однажды заметил: «Бейсбол на 90 процентов является умственным, а другая половина — физическим.«Новая технология декодирования мозга обещает еще больше использовать мозговую сторону игры, давая бейсбольным разведчикам возможность оценивать нападающих на основе того, насколько быстро их мозг распознает и реагирует на различные подачи.

Бьющие, сталкивающиеся с профессиональной или коллегиальной подачей, должны принимать чрезвычайно быстрые решения восприятия — подаче требуется всего около 600 миллисекунд, чтобы пересечь тарелку дома после того, как питчер ее отпускает. Как если бы мяч, движущийся со скоростью 140 километров в час, не было достаточно сложно увидеть (а тем более ударить), передачи можно также бросать с различными вращениями, которые заставляют мяч менять свой путь на пути к рукавице ловца.Чем раньше нападающие смогут распознать подачу — например, фастбол, кривую или ползунок — тем выше их шансы на попадание.

Исследователи из Лаборатории интеллектуальных изображений и нейронных вычислений Колумбийского университета (LIINC) в течение последних нескольких лет изучали, что происходит в мозгу тестирующего при приближении питча. С помощью электроэнцефалографии (ЭЭГ), функциональной магнитно-резонансной томографии (фМРТ) и программного обеспечения, которое интерпретирует нейронные сигналы, считываемые каждым из них, исследователи изучают, насколько быстро нападающие могут правильно определить тип звука, а также время, необходимое им для этого. принять решение, качать или нет.

ЭЭГ измеряет электрические сигналы, которые проходят через мозг с разной частотой, когда клетки мозга взаимодействуют друг с другом. Между тем, фМРТ собирает информацию о местонахождении тонких изменений оксигенации крови мозга. В течение последнего десятилетия исследователи нейробиологии совместно использовали эти технологии, чтобы лучше понять время и место активности мозга. Теперь Джейсон Шервин из LIINC, доктор наук, и Джордан Мураскин, кандидат наук, основали стартап под названием Neuroscout, призванный предоставлять результаты такого анализа спортивным командам.

Разведка мозгов избивающего
В рамках LIINC и в рамках подготовки к запуску Neuroscout Шервин и Мураскин разработали компьютерную программу, которая имитирует бейсбольные поля с точки зрения ловца за тарелкой. Они тестировали как бейсболистов, так и не игроков, заставляя их лежать в сканере fMRI с 43-электродной ЭЭГ-гарнитурой и смотреть на экран, который примерно имитировал приближающийся бейсбольный мяч.

Во время первоначального моделирования они проверяли способность неигровых игроков определять фастбол в отличие от кривой поля — в данном случае ползунка.Мяч на самом деле представляет собой точку, которая расширяется при движении, делая его похожим на приближающуюся площадку. Человек в симуляторе нажимал кнопку, если поле, которое он видел, соответствовало тому, которое ему сказали искать, «точно так же, как нападающий делает удар или берет подачу», — говорит Шервин. «Как нападающий, вы хотите принять решение как можно скорее. Мы прислушиваемся к процессу принятия решений по мере его развития ».

В последующих экспериментах участвовали игроки бейсбольной команды Колумбии.Центральный защитник и специалист по психологии Джордан Серена несколько раз пробовала симулятор Neuroscout. Хотя Шервин и Мураскин не предоставили ему конкретных цифр о времени его реакции на смоделированные поля, Серена говорит, что он был очарован их описанием того, как игроки выступают по сравнению с неигровыми. «Мне показалось интересным, что спорт, которым я занимаюсь так долго, может изменить то, как работает мой мозг, — говорит он.

В целом, по словам Мураскина, игроки демонстрируют большую активность, чем неигровые, в определенных областях мозга, что указывает на их опыт.Исследователи планируют дополнительно определить эти различия в следующей статье.

В будущие области исследований может входить изучение решения качаться или задерживаться, когда участники сталкиваются с питчами, имеющими схожие траектории, например, ползунок и крученый мяч или фастбол и переход. В конце концов, исследователи хотели бы создать более подробную симуляцию, которая также учитывала бы такие факторы, как вращение мяча и биомеханику выброса питчера, которые дают нападающим подсказки о типе подаваемой подачи.

Neuroscout не следует путать с NeuroScouting LLC из Кембриджа, штат Массачусетс. Эта компания также предлагает анализ «элитного спорта / человеческих достижений», основанный на нейронной активности, и была основана исследователем из Калифорнийского университета в Сан-Франциско Уэсли Клэппом и нейробиологом Брайаном Миллером. Когда с ним связались, Клапп отказался вдаваться в подробности об услугах NeuroScouting, сказав только, что компания работает с Высшей лигой бейсбола с 2008 года.

Игры разума
Шервин и Мураскин также видят другие способы, которыми их технология может быть полезна спортивной команде.Одна идея частично пришла от спортивного психолога Брента Уолкера, который узнал о Neuroscout, когда он прочитал статью, которую они опубликовали в прошлом году, и от некоторых бейсболистов в Колумбии, где он работает помощником директора по легкой атлетике для выступления на чемпионате. Он заинтересован в том, чтобы, возможно, разработать какой-то режим тренировки мозга с Neuroscout, который мог бы улучшить результативность команды и распространиться на другие виды спорта.

Разбивая информацию, которую может предоставить Neuroscout, например, насколько быстро нападающие распознают разные поля, тренеры потенциально могут работать с игроками над устранением конкретных слабых мест, говорит Уокер, который играл в бейсбол и баскетбол в качестве студента в Университете Брэдли.Он добавляет, что если игрок, например, медленно распознает подачу, одним из вариантов может быть компенсация этого запаздывания за счет регулировки своего замаха.

Хотя Neuroscout не имеет официальных рабочих отношений с Уокером, Шервин говорит, что психолог сыграл важную роль в их размышлениях о следующих шагах для распространения его и Мураскина бейсбольной работы на другие виды спорта, такие как теннис и футбол. «Мы прорабатываем бицепсы, так почему бы не базальные ганглии? В этом вопросе мы оба согласны, — говорит Шервин.

Исследователи рассмотрели возможность того, что их тесты могут внести предвзятость по отношению к игроку, который плохо работает во время моделирования, например, ставя ниже своих сверстников с точки зрения того, насколько быстро они определяют типы поля. «Это не оценка по принципу« все или ничего », — говорит Шервин. «Тесты предназначены для количественной оценки того, насколько хорошо игрок видит мяч, но не могут предсказать, ударит ли он конкретное поле».

Neuroscout говорит, что они разговаривали с несколькими командами Высшей бейсбольной лиги, хотя они не раскрывают, с какими из них.Шервин говорит, добавляя: «Реакция варьируется от« Я хочу это »до« Это крутой научный проект, но как он поможет мне решить, кто должен быть в составе? »»

Расчет новой статистики в Высшей лиге бейсбола с Amazon SageMaker

Завершился постсезон Высшей лиги бейсбола (MLB) 2019 года после волнующего регулярного сезона, в котором фанаты увидели много интересных новинок. MLB и Amazon Web Services (AWS) объединились для разработки и предоставления трех новых статистических данных по машинному обучению (ML) в реальном времени для игр MLB: вероятность успеха украденной базы, влияние сдвига и анализ сопоставления сходства питчера.Эти функции дают фанатам более глубокое представление о развлечениях Америки с помощью Statcast AI, современной технологии MLB для сбора огромных объемов данных о бейсболе и предоставления фанатам большего количества идей, перспектив и контекста во всех сферах, в которых они используют бейсбол. игры.

В этом посте рассматривается роль машинного обучения в предоставлении фанатам более глубокого понимания игры. Мы также предоставляем фрагменты кода, которые демонстрируют процесс обучения и развертывания, лежащий в основе этих идей в Amazon SageMaker.

Машинное обучение на втором месте

Stolen Base Success Probability дает зрителям новую глубину понимания игры в кошки-мышки между питчером и бейсраннером.

Для расчета вероятности успеха украденной базы AWS использовала данные MLB для обучения, тестирования и развертывания модели машинного обучения, которая анализирует тысячи точек данных, охватывающих 37 переменных, которые вместе определяют, безопасно ли дойдет игрок до секунды, если он попытается воровать.Эти переменные включают скорость и рывок бегуна, среднее время попадания ловца на вторую базу, скорость и маневренность питчера, исторические показатели успешности украденных баз бегуна, отбивающего и питчера, а также соответствующие данные об игровом контексте.

Мы применили 10-кратный подход перекрестной проверки для изучения ряда алгоритмов классификации, таких как логистическая регрессия, вспомогательные векторные машины, случайные леса и нейронные сети, с использованием исторических игровых данных с 2015 по 2018 год, предоставленных MLB, которые соответствуют ~ 7.3000 попыток украденных баз, ~ 5.5K успешных украденных баз и ~ 1.8K бегунов, пойманных на краже. Мы применили множество стратегий, чтобы справиться с дисбалансом классов, включая веса классов, пользовательские функции потерь и стратегии выборки, и обнаружили, что наиболее эффективной моделью для прогнозирования вероятности успеха украденной базы была глубокая нейронная сеть, обученная на Amazon Deep Learning ( DL) AMI, предварительно настроенный на популярные платформы DL. Обученная модель была развернута с помощью Amazon SageMaker, который обеспечивал время отклика в несколько секунд, необходимое для интеграции прогнозов во внутриигровую графику в реальном времени, и на инстансах машинного обучения, которые автоматически масштабировались по нескольким зонам доступности.Для получения дополнительной информации см. Развертывание обученных моделей Keras или TensorFlow с помощью Amazon SageMaker.

Пока игрок на первой базе обдумывает воровство второй, зрители могут видеть его оценку вероятности успеха украденной базы в реальном времени прямо на своих экранах.

MLB предложил фанатам пилотное испытание и предварительный просмотр вероятности успеха украденной базы во время постсезона 2018. Благодаря отзывам вещателей и фанатов MLB и AWS сотрудничали в течение прошедшего межсезонья, чтобы разработать улучшенную версию с новой графикой, улучшенной задержкой статистики в реальном времени для повторов и более понятным внешним видом.Одно из особых улучшений — это «Зона Го», точка на базовой линии, где шансы игрока на успешное перехватывание достигают минимум 85%.

По мере того, как игрок приближается ко второму, зрители теперь могут видеть динамическое изменение вероятности и скачок его шансов на успех, когда он попадает в «Зону Го». После того, как бегун достигает второй базы, независимо от того, будет ли он назван «безопасным» или «вышедшим», зрители имеют возможность во время повтора увидеть данные, полученные на основе множества факторов, которые могли определить конечный результат, таких как скорость бега бегуна и время попсы ловца.Кроме того, эти данные имеют цветовую кодировку зеленого, желтого и красного цветов, чтобы помочь фанатам визуализировать факторы, которые сыграли наиболее важную роль в определении того, успешно ли игрок вышел на второе место.

Прогнозирование воздействия защитных стратегий приусадебного участка

За последнее десятилетие в MLB было немного изменений, столь же драматичных, как усиление сдвига приусадебного участка, «ситуационная перестройка игроков в защите от их традиционных отправных точек».Команды используют сдвиг, чтобы использовать паттерны ударов мяча, например, склонность отбивающего тянуть удары ударов (правое поле для нападающих левшей и левое поле для нападающих правшей). По мере того как отбивающий подходит к пластине, защитные полевые защитники корректируют свои позиции, чтобы покрыть зону, в которой бьющий исторически вводил мяч в игру.

Используя данные Statcast AI, команды могут дать своей защите преимущество, меняя игроков, чтобы предотвратить попадание в базу — и команды сейчас применяют эту стратегию чаще, чем когда-либо в истории бейсбола.Скорость смены кадров в масштабах Лиги увеличилась на 86% за последние три года, до 25,6% в 2019 году с 13,8% в 2016 году.

AWS и MLB объединились, чтобы применить машинное обучение, чтобы дать фанатам бейсбола представление об эффективности стратегии перехода. Мы разработали модель для оценки Shift Impact — изменения ожидаемого среднего количества ударов нападающего по наземным мячам — по мере того, как он подходит к тарелке, используя исторические данные и Amazon SageMaker. По мере того, как инфилдеры перемещаются по полю, Shift Impact динамически обновляется, повторно вычисляя ожидаемое среднее значение ударов с изменением позиций защитников.Это дает фанатам возможность наблюдать за игрой в режиме реального времени.

Использование данных для количественной оценки воздействия сдвига

График разбрызгивания может проиллюстрировать тенденцию битья по мячу в определенном направлении. На диаграмме показан процент ударов мяча игрока по различным участкам поля. На следующей диаграмме показано распределение разбрызгиваемых мячей Джои Галло (из Техасских Рейнджерс) в 2018 году в пределах досягаемости инфилдеров, определяемых как предполагаемое расстояние менее 200 футов от домашней пластины.Для получения дополнительной информации см. Текущую статистику Джои Галло о Baseball Savant.

Предыдущая диаграмма показывает тенденцию тянуть мяч к правому полю для Джои Галло, который в 2018 году ударил 74% своих мячей справа от второй базы. Подготовленная защита может воспользоваться этим наблюдением, перегружая правую сторону поля. внутри поля, сокращая траекторию полета мяча и увеличивая шанс превратить отбитый мяч в аут.

Мы оценили ценность конкретных расстановок на приусадебном участке против бьющих игроков на основе их исторического распределения мячей, забитых битами, с учетом последних трех сезонов игры, или приблизительно 60 000 мячей, забитых в приусадебном поле.Для каждой из этих летучих мышей мы собрали угол запуска и скорость выхода мяча, которому отбили, и позиции инфилдера во время подачи, одновременно изучая известную скорость спринта и маневренность отбивающего. Несмотря на то, что в бейсболе существует множество показателей результативности атак, мы решили использовать среднее значение ударов по мячам в игре, то есть вероятность попадания мяча в игру, приводящего к базовому удару.

Мы подсчитали, насколько эффективным может быть сдвиг, оценив величину, на которую конкретное мировоззрение снижает нашу наступательную меру.После получения новых характеристик, таких как предполагаемая траектория приземления мяча и одноразовое кодирование категориальных переменных, данные были готовы для загрузки в различные структуры машинного обучения для оценки вероятности того, что мяч в игре приведет к основному попаданию. Исходя из этого, мы могли бы вычислить изменения вероятности из-за изменения расстановки инфилдеров.

Использование Amazon SageMaker для расчета влияния переключения

Мы обучили модели машинного обучения более чем на 50 000 образцах летучих мышей.Мы обнаружили, что результаты байесовского поиска с помощью задания гиперпараметрической оптимизации (HPO) с использованием функции автоматической настройки модели Amazon SageMaker по предварительно созданному алгоритму XGBoost в Amazon SageMaker дали наиболее эффективные прогнозы с общей точностью 88%, отзыв 88% и 88% балла f1 на проверочном наборе из почти 10 000 событий. Запустить задание HPO в Amazon SageMaker так же просто, как определить параметры для описания задания, а затем передать его внутренним службам, которые управляют базовой инфраструктурой (Amazon EC2, Amazon S3, Amazon ECS), чтобы эффективно перебирать заданное пространство гиперпараметров. и найдите оптимальную модель.

Показанные фрагменты кода используют boto3 , Python API для продуктов и инструментов AWS. Amazon SageMaker также предлагает SageMaker Python SDK, библиотеку с открытым исходным кодом с несколькими высокоуровневыми абстракциями для работы с Amazon SageMaker и популярными платформами глубокого обучения.

Определение задания HPO

Мы начали с настройки клиента Amazon SageMaker и определения задания по настройке. Это указывает, какие параметры следует изменять во время настройки, а также метрику оценки, которую мы хотим оптимизировать.В следующем коде мы устанавливаем его так, чтобы минимизировать потерю журнала на проверочном наборе:

  импорт boto3
from sagemaker import get_execution_role
из sagemaker.amazon.amazon_estimator импорт get_image_uri

sm_client = boto3.Session (). client ('sagemaker')
xgboost_image = get_image_uri (boto3.Session (). имя_региона, 'xgboost')
роль = get_execution_role ()

tuning_job_config = {
    "ParameterRanges": {
      "CategoryParameterRanges": [],
      "ContinuousParameterRanges": [
        {
          "MaxValue": "1",
          "MinValue": "0",
          «Имя»: «эта»
        },
        {
          "MaxValue": "2",
          "MinValue": "0",
          «Имя»: «альфа»
        },
      ],
      "IntegerParameterRanges": [
        {
          «MaxValue»: «10»,
          "MinValue": "1",
          «Имя»: «max_depth»
        },
      ]
    },
    "ResourceLimits": {
      «MaxNumberOfTrainingJobs»: 100,
      «MaxParallelTrainingJobs»: 10
    },
    «Стратегия»: «Байесовская»,
    "HyperParameterTuningJobObjective": {
      "MetricName": "validation: logloss",
      «Тип»: «Свернуть»
    }
  }
 
training_job_definition = {
    "AlgorithmSpecification": {
      "TrainingImage": xgboost_image,
      "TrainingInputMode": "Файл"
    },
    "InputDataConfig": [
      {
        "ChannelName": "поезд",
        "CompressionType": "Нет",
        "ContentType": "csv",
        "Источник данных": {
          "S3DataSource": {
            "S3DataDistributionType": "Полностью репликация",
            "S3DataType": "S3Prefix",
            "S3Uri": s3_input_train # путь к обучающим данным
          }
        }
      },
      {
        "ChannelName": "проверка",
        "CompressionType": "Нет",
        "ContentType": "csv",
        "Источник данных": {
          "S3DataSource": {
            "S3DataDistributionType": "Полностью репликация",
            "S3DataType": "S3Prefix",
            "S3Uri": s3_input_validation # путь к данным проверки
          }
        }
      }
    ],
    "OutputDataConfig": {
      "S3OutputPath": s3_output # путь выхода для артефактов модели
    },
    "ResourceConfig": {
      "InstanceCount": 2,
      «InstanceType»: «мл.c4.2xlarge ",
      «VolumeSizeInGB»: 10
    },
    "RoleArn": роль,
    "StaticHyperParameters": {
      "eval_metric": "logloss",
      "объект": "бинарный: логистика",
      "rate_drop": "0,3",
      "tweedie_variance_power": "1,4",
    },
    "StoppingCondition": {
      «MaxRuntimeInSeconds»: 43200
    }
}
  

Запуск задания HPO

Теперь, когда задание настройки определено в словаре Python выше, мы отправляем его клиенту Amazon SageMaker, который затем автоматизирует процесс запуска инстансов EC2 с контейнерами, оптимизированными для запуска XGBoost из ECS.См. Следующий код:

  sm_client.create_hyper_parameter_tuning_job (HyperParameterTuningJobName = "tuning_job_name",
                                            HyperParameterTuningJobConfig = tuning_job_config,
                                            TrainingJobDefinition = training_job_definition)
  

Во время игры мы можем проанализировать данное тестирующее с его последними игроками-битами и прогнать эти события через модель для всех позиций инфилдеров, как они выложены на сетке.Поскольку объем вычислений, необходимых для вывода, увеличивается геометрически по мере уменьшения размера каждой ячейки сетки, мы скорректировали размер, чтобы достичь баланса между разрешением, необходимым для значимых прогнозов, и временем вычислений. Например, представьте себе шорт-стоп, который сдвигается влево от него. Если он переместится только на одну ногу, это окажет незначительное влияние на результат удара по мячу. Однако, если он переместится на 10 футов влево, это может очень хорошо поставить его в лучшую позицию, чтобы выставить наземный мяч, вытянутый в правое поле.Изучив все летучие мыши в нашем наборе данных, мы обнаружили такой баланс в сетке, состоящей из ячеек размером 10 на 10 футов, что составляет более 10 000 конфигураций полевых игроков.

Процесс получения наиболее эффективной модели из задания HPO и развертывания в производственной среде описан в следующем разделе. Из-за большого количества вызовов, необходимых для вывода в реальном времени, результаты модели предварительно заносятся в справочную таблицу, которая обеспечивает соответствующие прогнозы во время живой игры.

Развертывание самой производительной модели

Каждое задание на настройку запускает ряд обучающих заданий, из которых выбирается лучшая модель в соответствии с критериями, определенными ранее при настройке HPO. Из Amazon SageMaker мы сначала извлекаем лучшую учебную работу и ее модельные артефакты. Они хранятся в корзине S3, из которой были извлечены наборы данных для обучения и проверки. См. Следующий код:

  # получить лучшую модель от HPO job
best_training_job = smclient.description_hyper_parameter_tuning_job (
    HyperParameterTuningJobName = tuning_job_name) ['BestTrainingJob']
info = smclient.describe_training_job (TrainingJobName = best_training_job ['TrainingJobName'])
model_name = best_training_job ['TrainingJobName'] + '-model'
model_data = info ['ModelArtifacts'] ['S3ModelArtifacts']
  

Далее мы обращаемся к предварительно настроенному контейнеру, оптимизированному для запуска моделей XGBoost, и связываем его с модельными артефактами наиболее обученной модели.После создания этой пары модель-контейнер в нашей учетной записи мы можем настроить конечную точку с типом экземпляра, количеством экземпляров и разделением трафика (для A / B-тестирования) по нашему выбору:

  create_model_response = sm_client.create_model (
    ModelName = имя_модели,
    ExecutionRoleArn = роль,
    PrimaryContainer = {
        'Изображение': xgboost_image,
        'ModelDataUrl': model_data})

# создать конфигурацию конечной точки
endpoint_config_name = имя_модели + '- endpointconfig'
create_endpoint_config_response = sm_client.create_endpoint_config (
    EndpointConfigName = endpoint_config_name,
    ProductionVariants = [{
        'InstanceType': 'ml.m5.2xlarge',
        'InitialVariantWeight': 1,
        'InitialInstanceCount': 1,
        'ModelName': имя_модели,
        'VariantName': 'AllTraffic'}])

# создать конечную точку
endpoint_name = model_name + '- endpoint'
create_endpoint_response = smclient.create_endpoint (
EndpointName = имя_конечной точки,
EndpointConfigName = endpoint_config_name)
resp = sm_client.description_endpoint (EndpointName = имя_конечной точки)
status = resp ['EndpointStatus']

print ("Arn:" + resp ['EndpointArn'])
печать (create_endpoint_response ['EndpointArn'])
  

Вывод из конечной точки

Клиент времени выполнения Amazon SageMaker делает прогнозы на основе модели, отправляет запрос на конечную точку, на которой размещен контейнер модели в инстансе EC2, и возвращает результат. Мы можем настроить точки входа конечной точки для пользовательских моделей и этапов обработки данных:

  # invoke endpoint
runtime_client = boto3.клиент ('runtime.sagemaker')
random_payload = np.array2string (np.random.random (num_features), separator = ',', max_line_width = np.inf) [1: -1]
response = runtime_client.invoke_endpoint (EndpointName = endpoint_name, Body = random_payload)
предсказание = ответ ['Body']. read (). decode ("utf-8")
печать (предсказание)
  

Используя все прогнозы для заданных конфигураций отбивающего и инфилдера, мы затем усредняем вероятность базового попадания, возвращенного из модели, хранящейся в справочной таблице, и вычитаем ожидаемое среднее значение отбивающего для той же выборки мячей с битами.Результирующая метрика — это влияние сдвига.

Анализ соответствия

В межлиговых играх, где команды из американской и национальной лиг соревнуются друг с другом, многие отбивающие встречаются с питчерами, которых они никогда раньше не видели. Оценить результаты в играх между лигами сложно из-за ограниченного количества актуальных исторических данных. AWS работал с MLB, чтобы сгруппировать похожих питчеров вместе, чтобы получить представление о том, как бэттер исторически выступал против похожих питчеров.Мы использовали подход машинного обучения, который позволил нам объединить знания экспертов в предметной области с данными, состоящими из сотен тысяч питчей, чтобы найти дополнительные шаблоны, которые мы могли бы использовать для выявления похожих питчеров.

Моделирование

Черпая вдохновение из области рекомендательных систем, в которых проблема соответствия обычно решается путем вычисления склонности пользователя к продукту, здесь мы стремимся определить взаимодействие между кувшином и жидким тестом.Существует множество алгоритмов, подходящих для создания рекомендателей, но лишь немногие из них позволяют затем кластеризовать элементы, которые помещаются в алгоритм. Нейронные сети блестят в этой области. Конечные слои в архитектуре нейронной сети можно интерпретировать как числовые представления входных данных, будь то изображение или идентификатор кувшина. Для заданных входных данных их связанное числовое представление — или встраивание — можно сравнить с встраиванием других входных элементов. Те вложения, которые расположены рядом друг с другом, похожи не только в этом пространстве вложений, но и по интерпретируемым характеристикам.Например, мы ожидаем, что рука будет играть роль в определении похожих питчеров. Такой подход к системам рекомендаций и элементам кластеризации известен как глубокая матричная факторизация.

Глубокая матричная факторизация учитывает нелинейные взаимодействия между парой объектов, а также смешивает методы контентной и совместной фильтрации. Вместо того, чтобы работать исключительно с матрицей кувшина-тесто, как при матричной факторизации, мы создаем нейронную сеть, которая выравнивает каждый питчер и тесто с их собственным внедрением, а затем пропускает их через серию скрытых слоев, которые обучены предсказывать результат подача.В дополнение к совместной природе этой архитектуры, для каждого шага включены дополнительные контекстные данные, такие как счет, количество бегунов на базе и счет.

Модель оптимизирована для прогнозируемого результата каждого шага, включая как характеристики поля (ползунок, изменение, быстрый мяч и т. Д.), Так и результат (мяч, одиночный, удар, размахивающий удар и т. Д.). После обучения модели этой задаче классификации конечный уровень входного идентификатора питчера извлекается как вложение для этого конкретного питчера.

Результаты

По мере того, как тестирующий подходит к тарелке против кувшина, с которым он раньше не сталкивался, мы ищем ближайшие к вложениям питчера соперника и вычисляем процент забивания на базе плюс (OPS) против этой группы питчеров. Чтобы увидеть результаты в действии, см. 9/11/19: FSN-Ohio выполняет сравнение OPS.

Сводка

MLB использует облачные вычисления для создания инновационных возможностей, которые предоставляют болельщикам дополнительные возможности для знакомства с бейсболом.Благодаря функциям «Вероятность успеха украденной базы», ​​«Влияние сдвига» и «Анализ совпадения схожести кувшинов» MLB обеспечивает убедительную информацию в реальном времени о том, что происходит на поле, и более тесную связь с контекстом, что создает уникальную драму игры, которая нравится фанатам.

В этом постсезоне у болельщиков будет много возможностей увидеть вероятность кражи базы в действии, потенциальные эффекты выравнивания приусадебного участка и начать дебаты с друзьями о том, что делает питчеров похожими.

Поклонники могут ожидать увидеть эту новую статистику в прямых трансляциях игр с такими партнерами, как ESPN и MLB Network. Кроме того, другие профессиональные спортивные лиги, включая НФЛ и Формулу 1, выбрали AWS в качестве предпочтительного поставщика облачных вычислений и машинного обучения.

Полные и сквозные примеры реализации задания HPO в Amazon SageMaker можно найти в репозитории AWSLabs на GitHub. Если вам нужна помощь в ускорении использования машинного обучения в ваших продуктах и ​​процессах, обратитесь в программу Amazon ML Solutions Lab.

Об авторах

Хуссейн Карими — специалист по обработке данных в лаборатории Amazon ML Solutions Lab, где он работает с клиентами AWS над разработкой моделей машинного обучения, позволяющих получить уникальные знания в различных областях.

Трэвис Петерсен — старший научный сотрудник MLB Advanced Media и адъюнкт-профессор Университета Фордхэма.

Прия Поннапалли — главный научный сотрудник и менеджер в Amazon ML Solutions Lab, где она помогает клиентам AWS в различных отраслях ускорить внедрение ИИ и облачных технологий.