Downloaded 11 times
Uploaded byromovpa
Dota Science: Роль киберспорта в обучении анализу данных
Документ посвящен использованию анализа данных в киберспорте на примере игры Dota 2, рассматривая методы предсказания победы команд на основе выбранных героев и статистики игроков. Обсуждаются различные подходы к анализу, включая машинное обучение и участие студентов в соревнованиях, таких как Kaggle и хакатонах. Также подчеркивается доступность данных и образовательные инициативы в области анализа данных, связанные с Dota 2.
Dota Science: Роль киберспорта в обучении анализу данных
- 1. Data Science ofDota 2: Роль киберспорта в обучении анализу данных Петр Ромов ФКН ВШЭ, Yandex Data Factory Соавтор курса по машинному обучению на Coursera
- 2. Александр Семенов, конференцияINSNA, Sunbelt 2016
- 3.
- 4. Dota 2 • Родоначальникжанра MOBA • Играют 2 команды по 5 человек каждая
- 5. Выбор героев Игра начинаетсяс того что каждый игрок выбирает героя (персонажа), которым он будет играть из доступных 113
- 6. Характеристики героев … известныдаже Гуглу!
- 7. Steam API идоступные данные • Информация про все матчи – кто играл, с кем играл – кто победил – уровни игроков к концу игры, статистика по действиям игроков • Информация о матче в режиме реального времени • Выгрузка информации из API почти не ограничена • Можно парсить реплеи матчей, извлекая траектории и все действия игроков во времени
- 8. Задачи анализа данных •Прогноз победителя – по составу игроков (до начала матча) – после выбора героев (в начале матча) – по ходу игры • Рейтинг игроков, учитывающий специфику игры • Рекомендация действий/стратегий для игроков • Рекомендации по составлению команды • Умное управление камерой для комментаторов матчей • …
- 9. heroes), “ O✏aner”or “ Hardlaner” (hero who which is bottom lane for Dire and top lane for lanes and in the jungle) and two “ Supports” buying items for the team, like wards, centries, Fig. 1: Heroes s: All Pick order Pick, from ell de- s that ehero aft on e per- picks secu- gimes es for and playing it. For example in AP player tries st which sometimes isn’t good for the balance in s are overrepresented in All Pick while this stats e Random Draft, where each player gets his hero Dota 2 called MMR, which allows the algorithm level into the same match for more balanced get this skill points visible to others via partic- d All Pick, Ranked Random Draft and Ranked the members of the winning team some MMR mount of points from the lost team. Currently MMR ≥ 8,000, while everything below 4,000 is Пул из 113 героев Комбинации героев Каждый из 10 игроков выбирает себе героя Возможных комбинаций выбора героев Всего сыграно матчей c Июля 2013 (в том числе незаконченных, учебных и т.д.) Чем отличаются матчи: 1. Игроками и их стратегиями 2. Выбранными героями Задача: • Научиться оценивать вероятность победы команды по известным выбранным героям • Оценить, в какой степени влияет выбор героев, а в какой — умения игроков?
- 10. Комбинации героев • Популярныесреди игроков веб-сервисы – Dotabuff.com – Datdota.com • Попытки подойти к проблеме с научной точки зрения Авторы Методы Выборка Conley & Perry, 2013 Logistic regression, kNN 60 тыс. Agarwala & Pearce, 2014 Logistic regression, PCA 40 тыс. Kalyanaraman, 2014 Logistic regression, Genetic Algorithm 30 тыс. Song et al., 2015 Logistic regression 3 тыс. Kinkade & Lim, 2015 Logistic regression, Random Forest 62 тыс.
- 11. Наш набор данных •Период в 20 дней, не было изменений правил игры • Все рейтинговые матчи за период • Матчи игроков всех навыков • 5 млн. матчей • Датасет будет опубликован после окончания соревнования
- 12. Наши результаты • Сравнилина фиксированном датасете – Наивные методы (Logistic regression, Naïve bayes) – XGBoost: Учет связей между героями и их характеристик – Моделирование вероятности при помощи факторизационных машин
- 13. Наши результаты • Факторизационныемашины дают наилучшую оценку вероятности победы команды • Набор выбранных героев объясняет не менее • 6% информации (по Шенону) для опытных игроков • 10% информации для остальных
- 14. Финальное задание ккурсу по машинному обучению на Coursera • «Реальные» данные из индустрии – большие трудности с получением и публикацией • Данные Dota 2: – доступны – никого не беспокоит их распространение
- 15. Финальное задание дляCoursera • Задача: Предсказать победившую команду по первым 5 минутам игры • Данные: ≈120 тыс. распаршенных матчей – траектории движения игроков – временные ряды изменения свойств игроков Ссылка на описание задания: http://goo.gl/gwj4ZQ
- 16.
- 17.
- 18. Соревнование Kaggle InClass Соревнованиеусловно-закрытое, «секретная» ссылка для участия:
- 19. Соревнование Kaggle InClass •Множество идей – применение различных методов обучения и уменьшения размерности – работа с сырыми данными и разработка собственных признаков – блендинг предсказаний разных моделей • Отзывы – «Мне очень нравится эта задача, и я получаю удовольствие от ее решения» – «…придумываешь признак, обсуждаешь его с людьми, которые ничего не понимают в анализе данных, но не смотря на это вы можете поспорить, это всегда классно» – «Идеи по улучшению модели по-прежнему есть … буду продолжать участвовать.»
- 20. Семинары на ВМКМГУ • Студенты 3 курса • Домашнее задание, первый опыт Kaggle • 9 из 18 студентов прониклись и сейчас самостоятельно решают «BNP Paribas» на большом Kaggle • 4 лучших решения презентованы на семинаре, слайды выложены на Github https://github.com/esokolov/ml-course-msu/tree/master/ML15-spring/contests/contest01-dota
- 21. Хакатон Dota ScienceChallenge • Задача: построить и запустить систему, предсказывающую результат матчей крупного соревнования Shanghai Major в режиме реального времени • Участвовало 37 команд • 7 команд побили бейзлайн • Статья на Хабре (от участников) «Опыт участия в хакатоне Dota Science …»
- 22.
- 23. Предсказание вероятности победыв реальном времени Описание задачи: https://github.com/romovpa/dotascience-hackathon • Поощряется уверенное предсказание (с большим значением вероятности) • В случае уверенного, но в итоге неверного предсказания, решение получает очень большой штраф
- 24.
- 25. Резюме • Dota 2и Киберспорт • Машинное обучение для предсказания победы • Образовательный эксперимент – Финальное задание для Coursera – Соревнование на Kaggle InClass – Семинары на ВМК МГУ – Хакатон Dota Science Challenge