Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

A帯だけど機械学習とYouTubeを駆使して最短でウデマエを上げてみなイカ?

3,336 views

Published on

Splathon Vol.8 LT発表資料です。
・Splatoon2実況動画についてはこちら
 https://www.youtube.com/channel/UCOgZLDIq6Db8r71GxiHSYZg

・その他データ分析記事についてはこちら
 http://www.mirandora.com/

Published in: Data & Analytics
  • If you are looking for customer-oriented academic and research paper writing service try ⇒⇒⇒ WRITE-MY-PAPER.net ⇐⇐⇐ liked them A LOTTT Really nice solutions for the last-day papers
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

A帯だけど機械学習とYouTubeを駆使して最短でウデマエを上げてみなイカ?

  1. 1. ミランドラProject:ミランドラ(篠⽥田) A帯だけど機械学習とYouTubeを駆使して 最短でウデマエを上げてみなイカ? Splathon Vol.08 LT
  2. 2. Yahoo!のsplatoon⼤大会に Handyとして参加 ミランドラproject
  3. 3. これまでのミランドラproject(旧スクイッ堂) ウデマエXのSocha先⽣生の⾜足を 残りの3⼈人で全⼒力力で引っ張る⽴立立ち回り
  4. 4. ウマくなりたい! でも、ガムシャラに練習するのではなく、 データや理理論論に基づいて最短でウマくなりたい!
  5. 5. 機械学習を駆使する YouTuberになる 1 2
  6. 6. 機械学習を駆使する YouTuberになる 1 2
  7. 7. まずはデータ収集 ゲーム後に2つの結果が表⽰示される。これをキャプチャ化。 ※switchには画⾯面キャプチャボタンがある。 ステージのインク塗り結果 各プレイヤーのパラメータ
  8. 8. 実際に384試合プレイしてキャプチャ 384試合×2=768個の画像を収集
  9. 9. 画像から定量量データを抽出 プレイヤーのランク プレイヤーのブキ プレイヤーのkill数 プレイヤーのSP使⽤用回数 この画像判定・⽂文字認識識⾃自体に、deeplearningを⽤用いる。 ※テンプレートマッチングでもよいのでは、というツッコミはあるとして、。 ※deeplearningは、後半のデータからの勝敗判定フェーズでも使⽤用。
  10. 10. 得られたcsvファイル ステ ージ ガチ マッチ 勝敗 プレイヤー1〜~4の ランク プレイヤー1〜~4の kill数 プレイヤー1〜~4の スペシャル使⽤用回数 プレイヤー1〜~4の 使⽤用ブキ 対戦相⼿手も 同様のデータ 384試合分のステージ、ルール、 味⽅方チーム・対戦チームのデータおよび、その勝敗
  11. 11. 元のデータに前処理理 ステージ ガチマッチ 勝敗 プレイヤー1のランク プレイヤー4のランク プレイヤー1のkill数 プレイヤー4のkill数 プレイヤー1のsp数 プレイヤー4のsp数 プレイヤー1の使⽤用ブキ ………… 元のデータ ステージ ガチマッチ 勝敗 プレイヤー1〜~4のランク合計 前処理理後データ プレイヤー1〜~4のランク最⼤大値 プレイヤー1〜~4のランク最⼩小値 プレイヤー1〜~4のkill合計 プレイヤー1〜~4のkill最⼤大値 プレイヤー1〜~4のkill最⼩小値 プレイヤー1〜~4のsp合計 プレイヤー1〜~4のsp最⼤大値 プレイヤー1〜~4のsp最⼩小値 プレイヤー1〜~4のブキ1使⽤用数 プレイヤー1〜~4のブキ2使⽤用数 … および これらの 対戦相⼿手 チームとの差
  12. 12. Xgboostによる 各ルールでの勝敗に重要な要因 ※あくまでミランドラ個⼈人のプレイデータより area hoco yagura 対戦相⼿手チームのkill数最⼤大値 対戦相⼿手チームのkill数合計値 プレイヤーチームのsp使⽤用数合計 対戦相⼿手チームのkill数合計 プレイヤーチームと 対戦相⼿手チームのkill数合計差 対戦相⼿手チームのkill数合計 対戦相⼿手チームのkill数最⼤大値 プレイヤーチームと 対戦相⼿手チームのkill数合計差 対戦相⼿手チームのkill数最⼤大値 敵のカーリングボムピッチャー 使⽤用回数 味⽅方のイカスフィア使⽤用回数 敵のイカスフィア使⽤用回数 敵のマルチミサイル使⽤用回数 味⽅方のマルチミサイル使⽤用回数 敵のインクアーマー使⽤用回数 敵のマルチミサイル使⽤用回数 味⽅方のジェットパック使⽤用回数 敵のハイパープレッサー使⽤用回数
  13. 13. deeplearningによる battera/yagura勝敗予測 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97100 acc:   val_̲acc:   loss:  val_̲loss:   acc loss
  14. 14. 結果画像ではなく、塗り結果画像を⽤用いて ステージの”どこを塗るべきか”を⾒見見出す。
  15. 15. deeplearningは、 ある程度度のデータ量量がないと精度度を出せない。 元画像を回転、拡⼤大縮⼩小して学習枚数を増やす。 384 3,840 枚のデータセットを作成枚
  16. 16. deeplearningが画像中のどこを 予測に重要と判断したかを可視化する “Grad-cam” 参考: http://blog.brainpad.co.jp/entry/2017/07/10/163000 https://github.com/jacobgil/keras-‐‑‒cam 各判定結果の確率率率スコアへの影響が⼤大きい画像箇所を、 ある画像箇所に微⼩小変化を加えたときの 確率率率スコアの変化の⼤大きさによって特定するという考え⽅方。
  17. 17. Grad-cam 結果:amabijutsu
  18. 18. Grad-cam 結果:hokke
  19. 19. Grad-cam 結果:gangaze
  20. 20. 機械学習を駆使する YouTuberになる 1 2
  21. 21. キャプボとマイクを1⽉月に購⼊入、 チャンネル開始
  22. 22. ミランドラのプレイを Socha先⽣生はじめ、複数⼈人で解説
  23. 23. ミランドラチャンネル “A帯がS+の助⾔言で攻略略”
  24. 24. 毎回、3つの教訓をまとめる。
  25. 25. 毎回、3つの教訓をまとめる。
  26. 26. 毎回、3つの教訓をまとめる。
  27. 27. これまでに87個の教訓。
  28. 28. Let’s deeplearning & YouTuber !

×