Τα μαθηματικά πίσω από τις πιο έξαλλες κινήσεις του μπάσκετ
-
0:01 - 0:05Οι συνεργάτες μου κι εγώ έχουμε γοητευτεί
από την επιστήμη των κινούμενων κουκκίδων. -
0:05 - 0:08Τι είναι αυτές οι κουκκίδες;
Βασικά, είμαστε όλοι εμείς. -
0:08 - 0:12Κινούμαστε στα σπίτια ή τα γραφεία μας,
καθώς ψωνίζουμε και ταξιδεύουμε -
0:13 - 0:15μέσα στις πόλεις μας
αλλά και σε όλο τον κόσμο -
0:15 - 0:19Δεν θα ήταν καταπληκτικό αν μπορούσαμε
να κατανοήσουμε όλες αυτές τις κινήσεις; -
0:19 - 0:22Αν μπορούσαμε να βρούμε μοτίβα,
νόημα και επίγνωση σε αυτήν; -
0:22 - 0:24Ευτυχώς για μας, ζούμε σε μία εποχή,
-
0:24 - 0:29στην οποία μπορούμε να μαζεύουμε
πληροφορίες για τους εαυτούς μας. -
0:29 - 0:32Είτε μέσα από αισθητήρες,
βίντεο ή εφαρμογές -
0:32 - 0:36μπορούμε να παρακολουθήσουμε
τις κινήσεις μας με απίστευτη λεπτομέρεια -
0:36 - 0:41Ένα από τα μέρη όπου έχουμε
τα καλύτερα δεδομένα σχετικά με την κίνηση -
0:41 - 0:42είναι τα αθλήματα.
-
0:43 - 0:48Είτε μπάσκετ, είτε μπέιζμπολ,
είτε ποδόσφαιρο, είτε το άλλο ποδόσφαιρο, -
0:48 - 0:52εξοπλίζουμε τα στάδια και τους παίκτες
για να καταγράφουμε τις κινήσεις τους -
0:52 - 0:54σε κάθε κλάσμα του δευτερολέπτου.
-
0:54 - 0:58Αυτό που κάνουμε είναι ότι
μετατρέπουμε τους αθλητές μας σε -- -
0:58 - 1:00μάλλον το μαντέψατε --
-
1:00 - 1:02κινούμενες κουκκίδες.
-
1:02 - 1:07Έχουμε πληθώρα κινούμενων κουκκίδων και
όπως τα περισσότερα ακατέργαστα δεδομένα, -
1:07 - 1:09η επεξεργασία τους είναι δύσκολη
και όχι πολύ ενδιαφέρουσα. -
1:09 - 1:13Αλλά οι προπονητές του μπάσκετ π.χ.
θέλουν να γνωρίζουν κάποια πράγματα, -
1:13 - 1:17αλλά δεν μπορούν, διότι πρέπει
να παρακολουθούν κάθε δευτερόλεπτο -
1:17 - 1:20κάθε παιχνιδιού, να τα θυμούνται
και να τα επεξεργάζονται. -
1:20 - 1:24Αυτό δεν μπορεί να το κάνει ένας άνθρωπος,
αλλά μπορεί να το κάνει ένας υπολογιστής. -
1:24 - 1:27Όμως οι υπολογιστές δεν μπορούν να δουν
το παιχνίδι όπως ένας προπονητής. -
1:27 - 1:30Ή τουλάχιστον, δεν μπορούσαν μέχρι τώρα.
-
1:30 - 1:32Τι διδάξαμε τους υπολογιστές να βλέπουν;
-
1:34 - 1:35Ξεκινήσαμε απλά.
-
1:35 - 1:39Τους μάθαμε τις πάσες,
τα σουτ και τα ριμπάουντ, -
1:39 - 1:42αυτά που γνωρίζουν
οι περισσότεροι φίλαθλοι. -
1:42 - 1:45Μετά περάσαμε σε λίγο
πιο περίπλοκα πράγματα, -
1:45 - 1:49όπως τα ποσταρίσματα, τα πικ εν ρολ
και το παιχνίδι απομόνωσης. -
1:49 - 1:53Αν δεν τα ξέρετε, δεν πειράζει. Όσοι
παίζουν κάπου-κάπου μάλλον τα γνωρίζουν. -
1:54 - 1:59Σήμερα, έχουμε φτάσει στο σημείο όπου
οι μηχανές καταλαβαίνουν σύνθετα γεγονότα -
1:59 - 2:02όπως κάτω σκριν και wide pin,
-
2:02 - 2:05πράγματα που γνωρίζουν
μόνον οι επαγγελματίες. -
2:05 - 2:09Μάθαμε, δηλαδή, στους υπολογιστές
να βλέπουν με τα μάτια ενός προπονητή. -
2:10 - 2:12Πώς το κάναμε αυτό;
-
2:13 - 2:16Αν ζητούσα από έναν προπονητή
να μου περιγράψει κάτι σαν το πικ εν ρολ, -
2:16 - 2:17θα μου έδινε μια περιγραφή,
-
2:17 - 2:21και αν προσπαθούσα να τη μετατρέψω σε
αλγόριθμο, το αποτέλεσμα θα ήταν τραγικό. -
2:21 - 2:25Το πικ εν ρολ είναι ένα είδος χορογραφίας
ανάμεσα σε τέσσερις παίκτες, -
2:25 - 2:27δύο επιτιθέμενους και δύο αμυνόμενους.
-
2:27 - 2:29Είναι κάπως έτσι.
-
2:29 - 2:32Αυτός είναι ο επιθετικός χωρίς την μπάλα
-
2:32 - 2:35και πηγαίνει δίπλα στον παίκτη,
που μαρκάρει τον παίκτη με την μπάλα -
2:35 - 2:36και μένει εκεί
-
2:36 - 2:40και κινούνται και οι δύο και συμβαίνουν
διάφορα και αυτό είναι το πικ εν ρολ. -
2:40 - 2:42(Γέλια)
-
2:42 - 2:44Επίσης είναι ένα παράδειγμα
άθλιου αλγορίθμου. -
2:45 - 2:49Αν ο παίκτης που παρεμβάλλεται
-- ονομάζεται σκρίνερ -- -
2:49 - 2:52πλησιάζει, αλλά δεν σταματά,
-
2:52 - 2:54μάλλον δεν είναι πικ εν ρολ.
-
2:55 - 2:59Ή αν σταματά, αλλά
δεν σταματά αρκετά κοντά, -
2:59 - 3:00μάλλον δεν είναι πικ εν ρολ.
-
3:01 - 3:04Ή αν πλησιάζει αρκετά και σταματά,
-
3:04 - 3:07αλλά το κάνει κάτω από το καλάθι,
μάλλον δεν είναι πικ εν ρολ. -
3:07 - 3:10Ή ίσως κάνω λάθος,
ίσως όλα αυτά είναι πικ εν ρολ. -
3:10 - 3:15Εξαρτάται από τον ακριβή χρονισμό,
τις αποστάσεις, τις θέσεις -
3:15 - 3:16και αυτό είναι που το κάνει δύσκολο.
-
3:17 - 3:21Ευτυχώς με τη μηχανική μάθηση,
μπορούμε να υπερβούμε την ικανότητά μας -
3:21 - 3:23να περιγράφουμε πράγματα που γνωρίζουμε.
-
3:23 - 3:26Πώς δουλεύει; Είναι πολύ απλό.
-
3:26 - 3:29Πηγαίνουμε σε έναν υπολογιστή
και λέμε «Καλημέρα, υπολογιστή. -
3:29 - 3:32Ορίστε μερικά πικ εν ρολ
και κάποια πράγματα που δεν είναι. -
3:33 - 3:35Σε παρακαλώ βρες
έναν τρόπο να τα ξεχωρίζεις». -
3:35 - 3:39Το κλειδί είναι να βρει χαρακτηριστικά,
που το βοηθούν να τα ξεχωρίσει. -
3:39 - 3:41Έτσι, αν προσπαθούσα
να του μάθω τη διαφορά -
3:41 - 3:43ανάμεσα σε ένα μήλο και ένα πορτοκάλι,
-
3:43 - 3:45θα του έλεγα «Χρησιμοποίησε
το χρώμα ή το σχήμα». -
3:45 - 3:48Στο πρόβλημα που λύνουμε,
ποια είναι αυτά τα χαρακτηριστικά; -
3:48 - 3:49Ποια είναι τα χαρακτηριστικά
-
3:49 - 3:53που επιτρέπουν σε έναν ΗΥ να πλοηγείται
στον κόσμο των κινούμενων κουκκίδων; -
3:53 - 3:57Συνεπώς ο υπολογισμός των σχέσεων
ανάμεσα στη σχετική και απόλυτη θέση, -
3:57 - 3:59την απόσταση, τον χρονισμό, τις ταχύτητες,
-
3:59 - 4:04αυτό είναι το κλειδί της επιστήμης
των κινούμενων κουκκίδων ή όπως την λέμε -
4:04 - 4:08στην ακαδημαϊκή διάλεκτο,
χωροχρονική αναγνώριση προτύπων. -
4:08 - 4:11Επειδή κατ' αρχάς πρέπει να
το κάνουμε να ακούγεται δύσκολο -- -
4:11 - 4:12διότι είναι δύσκολο.
-
4:12 - 4:16Για τους προπονητές του NBA,
το σημαντικό δεν είναι να γνωρίζουν -
4:16 - 4:17αν έγινε ή δεν έγινε ένα πικ εν ρολ,
-
4:18 - 4:20αλλά να γνωρίζουν πώς έγινε.
-
4:20 - 4:21Και γιατί αυτό είναι τόσο σημαντικό;
-
4:21 - 4:23Θα σας πω μια πληροφορία εκ των έσω.
-
4:23 - 4:27Στο σύγχρονο μπάσκετ το πικ εν ρολ
είναι ίσως η πιο σημαντική κίνηση. -
4:27 - 4:30Το να ξέρουμε πώς να το κάνουμε
και πώς να το αντιμετωπίζουμε, -
4:30 - 4:33είναι το κλειδί για να νικήσουμε
τα περισσότερα παιχνίδια. -
4:33 - 4:36Αποδεικνύεται ότι αυτός ο χορός
έχει πολλές σημαντικές παραλλαγές -
4:36 - 4:40και η αναγνώριση των παραλλαγών
είναι πραγματικά αυτό που έχει σημασία -
4:40 - 4:42και γι' αυτό πρέπει να
την κάνουμε πάρα πολύ καλά. -
4:43 - 4:44Ορίστε ένα παράδειγμα.
-
4:44 - 4:47Υπάρχουν δύο επιτιθέμενοι
και δύο αμυνόμενοι παίκτες -
4:47 - 4:49ετοιμάζονται να χορέψουν
στον ρυθμό του πικ εν ρολ. -
4:49 - 4:52Ο παίκτης με την μπάλα, μπορεί
να το χρησιμοποιήσει ή όχι -
4:52 - 4:55Ο συμπαίκτης του μπορεί
είτε να ρολάρει, είτε να βγει έξω. -
4:55 - 4:58Ο αμυνόμενος που μαρκάρει την μπάλα
μπορεί να πάει πάνω ή κάτω. -
4:58 - 5:03Ο συμπαίκτης του μπορεί είτε να
παίξει εξ επαφής, είτε από μακριά -
5:03 - 5:05και οι δυο τους μπορούν είτε
να αλλάξουν παίκτη είτε όχι. -
5:05 - 5:08Δεν ήξερα τα περισσότερα
από αυτά όταν ξεκίνησα -
5:08 - 5:12και θα ήταν υπέροχα αν όλοι
κινούνταν σύμφωνα με αυτά τα βέλη. -
5:12 - 5:16Θα έκανε τις ζωές μας ευκολότερες, αλλά
τελικά οι κινήσεις είναι πολύ μπερδεμένες. -
5:16 - 5:22Οι παίκτες κινούνται πέρα δώθε και
η αναγνώριση αυτών των κινήσεων -
5:22 - 5:23με πολύ μεγάλη επιτυχία
-
5:23 - 5:25και στην ακρίβεια και
στην ανάκληση είναι δύσκολη -
5:25 - 5:29διότι αυτό απαιτείται για να σας
εμπιστευτεί ένας επαγγελματίας κόουτς. -
5:29 - 5:32Παρόλες τις δυσκολίες με τα κατάλληλα
χωροχρονικά χαρακτηριστικά -
5:32 - 5:33τα καταφέραμε.
-
5:33 - 5:37Οι προπονητές εμπιστεύονται την ικανότητα
της μηχανής να αναγνωρίζει τις κινήσεις. -
5:37 - 5:41Βρισκόμαστε σε ένα σημείο,
όπου σχεδόν κάθε διεκδικητής -
5:41 - 5:43του πρωταθλήματος του NBA φέτος
-
5:43 - 5:47χρησιμοποιεί το λογισμικό μας κάνει
έναν υπολογιστή να καταλαβαίνει -
5:47 - 5:49τις κινούμενες κουκκίδες του μπάσκετ.
-
5:51 - 5:55Και όχι μόνο αυτό, αλλά έχουμε δώσει
συμβουλές που έχουν αλλάξει στρατηγικές, -
5:55 - 5:58που έχουν βοηθήσει ομάδες
να κερδίσουν πολύ σημαντικά παιχνίδια -
5:58 - 6:02και είναι πολύ συναρπαστικό,
διότι στο πρωτάθλημα υπάρχουν κόουτς -
6:02 - 6:06με εμπειρία 30 ετών και είναι πρόθυμοι
να πάρουν συμβουλές από μία μηχανή. -
6:06 - 6:09Και είναι πολύ συναρπαστικό,
δεν είναι μόνο το πικ εν ρολ. -
6:09 - 6:11Ο υπολογιστής μας ξεκίνησε
με απλά πράγματα -
6:11 - 6:13και έμαθε περισσότερα
και πιο πολύπλοκα πράγματα -
6:13 - 6:15και τώρα γνωρίζει πάρα πολλά.
-
6:15 - 6:17Στα αλήθεια, δεν καταλαβαίνω
πολλά από όσα κάνει -
6:17 - 6:21και παρότι δεν είναι τίποτα το ιδιαίτερο
κάποιος να είναι πιο έξυπνος από εμένα, -
6:21 - 6:25αναρωτιόμασταν αν ένα μηχάνημα μπορεί
να γνωρίζει πιο πολλά από έναν προπονητή. -
6:25 - 6:27Μπορεί να γνωρίζει
περισσότερα από έναν άνθρωπο; -
6:27 - 6:29Η απάντηση είναι ναι.
-
6:29 - 6:31Οι προπονητές θέλουν οι παίκτες τους
να κάνουν καλά σουτ. -
6:31 - 6:33Αν στέκομαι δίπλα στο καλάθι
-
6:33 - 6:35και δεν είναι κανείς δίπλα μου,
το σουτ είναι καλό. -
6:35 - 6:39Αν είμαι μακριά και περικυκλωμένος από
αμυνόμενους, αυτό είναι γενικά κακό σουτ. -
6:39 - 6:44Αλλά ποτέ δεν ξέραμε πόσο καλό είναι το
καλό ή πόσο κακό είναι το κακό ποσοτικά. -
6:44 - 6:45Μέχρι τώρα.
-
6:46 - 6:49Αυτό που κάναμε, πάλι χρησιμοποιώντας
χωροχρονικά χαρακτηριστικά -
6:49 - 6:50ήταν να δούμε κάθε σουτ.
-
6:50 - 6:54Μπορούμε να δούμε πού είναι το σουτ.
Ποια η γωνία του ως προς το καλάθι; -
6:54 - 6:56Πού βρίσκονται οι αμυνόμενοι; Πόσο μακριά;
-
6:56 - 6:57Σε τι γωνίες;
-
6:57 - 7:00Από το πώς κινείται ένας παίκτης
απέναντι σε πολλούς αμυντικούς -
7:00 - 7:02μπορούμε να προβλέψουμε το είδος του σουτ.
-
7:02 - 7:06Μπορούμε από τις ταχύτητές τους να
φτιάξουμε ένα μοντέλο που προβλέπει -
7:06 - 7:10την πιθανότητα να μπει το σουτ
κάτω από τις δεδομένες συνθήκες. -
7:10 - 7:12Γιατί είναι αυτό σημαντικό;
-
7:12 - 7:15Μπορούμε να πάρουμε π.χ. το σουτ,
-
7:15 - 7:18που προηγουμένως ήταν ένα πράγμα
και να το κάνουμε δύο: -
7:18 - 7:20την ποιότητα του σουτ
και την ποιότητα του σουτέρ. -
7:22 - 7:25Ορίστε ένα διάγραμμα φυσαλίδων -- δεν
θα ήταν TED χωρίς διάγραμμα φυσαλίδων -- -
7:25 - 7:26(Γέλιο)
-
7:26 - 7:27Αυτοί είναι παίκτες του NBA.
-
7:27 - 7:30Το μέγεθος είναι το ύψος
του παίκτη και το χρώμα είναι η θέση. -
7:30 - 7:33Στον άξονα χ έχουμε
την πιθανότητα ευστοχίας. -
7:33 - 7:35Οι παίκτες στα αριστερά
κάνουν δύσκολα σουτ, -
7:35 - 7:37στα δεξιά κάνουν εύκολα σουτ.
-
7:37 - 7:39Στον [άξονα ψ] είναι
η ικανότητα στο σουτ. -
7:39 - 7:42Όσοι είναι καλοί είναι ψηλά,
οι κακοί είναι χαμηλά. -
7:42 - 7:44Για παράδειγμα, αν υπήρχε ένας παίκτης
-
7:44 - 7:46που γενικά είχε ευστοχία 47%,
-
7:46 - 7:48αυτό ήταν το μόνο που γνωρίζαμε παλιά.
-
7:48 - 7:52Σήμερα μπορώ να σας πω ότι αυτός ο παίκτης
κάνει σουτ, που ένας μέσος παίκτης του NBA -
7:52 - 7:54θα έκανε με ευστοχία 49%
-
7:54 - 7:56και είναι λιγότερο εύστοχος κατά 2%.
-
7:56 - 8:01Αυτό είναι σημαντικό διότι
υπάρχουν πολλοί 47άρηδες. -
8:02 - 8:04Άρα είναι σημαντικό να γνωρίζουμε
-
8:04 - 8:08αν ο 47άρης στον οποίο σκέφτεστε
να δώσετε 100 εκατομμύρια δολάρια -
8:08 - 8:11είναι ένας καλός σουτέρ,
που κάνει δύσκολα σουτ -
8:11 - 8:14ή ένας κακός σουτέρ που κάνει εύκολα σουτ.
-
8:15 - 8:18Η μηχανική κατανόηση δεν αλλάζει
απλά το πώς βλέπουμε τους παίκτες, -
8:18 - 8:20αλλάζει το πώς βλέπουμε το παιχνίδι.
-
8:20 - 8:24Πριν από δύο χρόνια, είχε γίνει εκείνος
ο συναρπαστικός τελικός του NBA. -
8:24 - 8:27Το Μαϊάμι έχανε 3 πόντους
και είχαν απομείνει 20 δευτερόλεπτα. -
8:27 - 8:29Θα έχαναν το πρωτάθλημα.
-
8:29 - 8:33Ένας κύριος, ονόματι Λεμπρόν Τζέιμς,
σούταρε τρίποντο για να ισοφαρίσει. -
8:33 - 8:34Αστόχησε.
-
8:34 - 8:36Ένας συμπαίκτης του,
ο Κρις Μπος, πήρε το ρημπάουντ -
8:36 - 8:38και πάσαρε στον Ρέι Άλεν,
-
8:38 - 8:40αυτός έβαλε τρίποντο
και πήγαν στην παράταση. -
8:40 - 8:42Κέρδισαν το παιχνίδι και το πρωτάθλημα.
-
8:42 - 8:45Ήταν ένα από τα πιο συναρπαστικά
παιχνίδια μπάσκετ. -
8:45 - 8:49Η ικανότητά μας να γνωρίζουμε
την πιθανότητα ευστοχίας κάθε παίχτη -
8:49 - 8:50σε κάθε δευτερόλεπτο
-
8:50 - 8:53και την πιθανότητα να πάρουν
ένα ρημπάουντ κάθε δευτερόλεπτο -
8:53 - 8:57μπορούν να διαφωτίσουν αυτήν τη φάση όπως
δεν μπορούσε να γίνει ποτέ στο παρελθόν. -
8:58 - 9:00Δυστυχώς δεν μπορώ να
σας δείξω εκείνο το βίντεο. -
9:00 - 9:05Αλλά ειδικά για σας
αναπαράξαμε εκείνη τη φάση -
9:05 - 9:08στο εβδομαδιαίο μας παιχνίδι
μπάσκετ πριν από 3 εβδομάδες. -
9:08 - 9:09(Γέλια)
-
9:10 - 9:13Και αναπαράξαμε όλη τη φάση,
που οδήγησε σε αυτές τις πληροφορίες. -
9:13 - 9:17Να το. Είναι στην Τσάινα Τάουν
του Λος Άντζελες, -
9:17 - 9:19ένα πάρκο όπου παίζουμε κάθε εβδομάδα
-
9:19 - 9:22να κι εμείς, που αναπαράγουμε
τη στιγμή του Ρέι Άλεν -
9:22 - 9:24και όλη τη φάση, που προηγείται.
-
9:25 - 9:26Να και το σουτ
-
9:26 - 9:29Θα σας δείξω αυτήν τη στιγμή
-
9:29 - 9:31και όλες τις πληροφορίες
αυτής της στιγμής. -
9:31 - 9:35Η μόνη διαφορά είναι ότι αντί
για επαγγελματίες παίκτες, παίζουμε εμείς -
9:35 - 9:38και αντί για επαγγελματία
εκφωνητή, θα μιλάω εγώ. -
9:38 - 9:39Υποστείτε με λιγάκι.
-
9:41 - 9:42Μαϊάμι.
-
9:43 - 9:44Χάνουν με τρεις.
-
9:44 - 9:45Απομένουν 20''.
-
9:47 - 9:49Ο Τζεφ επαναφέρει την μπάλα.
-
9:51 - 9:52Ο Τζος την πιάνει και σουτάρει τρίποντο!
-
9:53 - 9:54(Υπολογισμός πιθανότητας ευστοχίας)
-
9:55 - 9:56(Ποιότητα σουτ)
-
9:57 - 9:59(Υπολογισμός πιθανότητας ριμπάουντ)
-
10:00 - 10:02Δεν μπήκε!
-
10:02 - 10:03(Υπολογισμός πιθανότητας ριμπάουντ)
-
10:04 - 10:05Ριμπάουντ ο Νοέλ.
-
10:05 - 10:06Πασάρει στην Ντάρια.
-
10:07 - 10:10(Ποιότητα σουτ)
-
10:11 - 10:12Σουτάρει τρίποντο -- μέσα!
-
10:12 - 10:15Ισοπαλία με 5 δευτερόλεπτα να απομένουν.
-
10:15 - 10:16Το πλήθος είναι σε παροξυσμό.
-
10:17 - 10:18(Γέλιο)
-
10:18 - 10:20Έτσι έγινε περίπου.
-
10:20 - 10:21(Χειροκρότημα)
-
10:21 - 10:22Στο περίπου.
-
10:22 - 10:24(Χειροκρότημα)
-
10:24 - 10:30Αυτή η στιγμή είχε πιθανότητα
περίπου 9% να συμβεί στο NBA -
10:30 - 10:32και το γνωρίζουμε κι αυτό
και πολλά άλλα πράγματα. -
10:32 - 10:35Δεν θα σας πω πόσες φορές
προσπαθήσαμε για να το καταφέρουμε. -
10:35 - 10:37(Χειροκρότημα)
-
10:37 - 10:39Εντάξει, θα σας πω. Τέσσερις φορές.
-
10:39 - 10:40(Χειροκρότημα)
-
10:40 - 10:41Μπράβο, Ντάρια.
-
10:43 - 10:46Το σημαντικό για αυτό το βίντεο και
την επίγνωση που έχουμε -
10:46 - 10:51για κάθε δευτερόλεπτο κάθε παιχνιδιού
του NBA, δεν είναι αυτό. -
10:51 - 10:55Είναι ότι δεν χρειάζεται να είστε ομάδα
του NBA για να παρακολουθείτε την κίνηση -
10:55 - 10:59ή να είστε επαγγελματίας παίκτης
για να έχετε επίγνωση για τις κινήσεις. -
10:59 - 11:03Δεν είναι καν απαραίτητο να πρόκειται
για σπορ, αφού κινούμαστε παντού. -
11:04 - 11:06Κινούμαστε στα σπίτια μας,
-
11:09 - 11:11στα γραφεία μας,
-
11:12 - 11:15καθώς ψωνίζουμε και ταξιδεύουμε
-
11:17 - 11:19μέσα στις πόλεις μας
-
11:20 - 11:22και σε όλον τον κόσμο
-
11:23 - 11:26Τι θα γνωρίζουμε; Τι θα μάθουμε;
-
11:26 - 11:28Ίσως αντί να αναγνωρίζει τα πικ εν ρολ,
-
11:28 - 11:31ένας υπολογιστής αναγνωρίσει
και με ενημερώσει για τη στιγμή, -
11:31 - 11:33που η κόρη μου κάνει τα πρώτα της βήματα,
-
11:33 - 11:36κάτι που είναι κυριολεκτικά πιθανό
να συμβεί ανά πάσα στιγμή. -
11:36 - 11:39Ίσως μάθουμε να χρησιμοποιούμε
καλύτερα τα κτίριά μας, -
11:39 - 11:41να σχεδιάζουμε καλύτερα τις πόλεις μας.
-
11:41 - 11:44Πιστεύω ότι με την εξέλιξη της επιστήμης
των κινούμενων κουκκίδων, -
11:45 - 11:48θα μπορούμε να κινούμαστε καλύτερα,
γρηγορότερα, να κινούμαστε προς τα εμπρός. -
11:49 - 11:50Σας ευχαριστώ.
-
11:50 - 11:55(Χειροκρότημα)
- Title:
- Τα μαθηματικά πίσω από τις πιο έξαλλες κινήσεις του μπάσκετ
- Speaker:
- Ρατζίβ Μαχεσουάραν
- Description:
-
Το μπάσκετ είναι ένα γρήγορο παιχνίδι αυτοσχεδιασμού, επαφής και… ε χμ, χωροχρονικής αναγνώρισης προτύπων. Ο Ρατζίβ Μαχεσουάραν και οι συνάδελφοί του αναλύουν τις κινήσεις πίσω από τις βασικές κινήσεις του παιχνιδιού, για να βοηθούν τους προπονητές και τους παίκτες να συνδυάσουν τη διαίσθηση με νέα δεδομένα. Δώρο: αυτά που μαθαίνουν θα μπορούσαν να μας βοηθήσουν να καταλάβουμε πώς κινούνται οι άνθρωποι παντού.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 12:08
Chryssa R. Takahashi approved Greek subtitles for The math behind basketball's wildest moves | ||
Chryssa R. Takahashi edited Greek subtitles for The math behind basketball's wildest moves | ||
Chryssa R. Takahashi accepted Greek subtitles for The math behind basketball's wildest moves | ||
Chryssa R. Takahashi edited Greek subtitles for The math behind basketball's wildest moves | ||
Chryssa R. Takahashi edited Greek subtitles for The math behind basketball's wildest moves | ||
Christos Selemeles edited Greek subtitles for The math behind basketball's wildest moves | ||
Christos Selemeles edited Greek subtitles for The math behind basketball's wildest moves | ||
Christos Selemeles edited Greek subtitles for The math behind basketball's wildest moves |