Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
予想外に変化する投球の軌道は打者に学習されやすい?~Predictive Codingと予測誤...
Search
nowism
July 17, 2020
Science
0
2.5k
予想外に変化する投球の軌道は打者に学習されやすい?~Predictive Codingと予測誤差を添えて~
「ヒトの脳は予測誤差を修正するように学習する」という最新脳科学のフレームワークを利用して、打者に学習されやすいやすい投球がある可能性について提案、簡単に分析してみました。
nowism
July 17, 2020
Tweet
Share
More Decks by nowism
See All by nowism
伸び率ペナントレース
nowism
0
400
応援を科学する-声援はチームを勝たせるのか-
nowism
2
240
どうしてバントは減らないのか 〜時間割引の視点から〜
nowism
0
3.1k
"流れ"の正体を考える
nowism
0
1.7k
Other Decks in Science
See All in Science
データベース14: B+木 & ハッシュ索引
trycycle
PRO
0
660
データベース04: SQL (1/3) 単純質問 & 集約演算
trycycle
PRO
0
1.1k
高校生就活へのDA導入の提案
shunyanoda
1
6.2k
検索と推論タスクに関する論文の紹介
ynakano
1
150
データベース05: SQL(2/3) 結合質問
trycycle
PRO
0
880
会社でMLモデルを作るとは @電気通信大学 データアントレプレナーフェロープログラム
yuto16
1
530
機械学習 - DBSCAN
trycycle
PRO
0
1.5k
凸最適化からDC最適化まで
santana_hammer
1
350
Hakonwa-Quaternion
hiranabe
1
180
タンパク質間相互作⽤を利⽤した⼈⼯知能による新しい薬剤遺伝⼦-疾患相互作⽤の同定
tagtag
PRO
0
140
機械学習 - SVM
trycycle
PRO
1
980
蔵本モデルが解き明かす同期と相転移の秘密 〜拍手のリズムはなぜ揃うのか?〜
syotasasaki593876
1
210
Featured
See All Featured
Designing for Performance
lara
610
70k
Self-Hosted WebAssembly Runtime for Runtime-Neutral Checkpoint/Restore in Edge–Cloud Continuum
chikuwait
0
340
Embracing the Ebb and Flow
colly
88
5k
Technical Leadership for Architectural Decision Making
baasie
2
250
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
47
7.9k
sira's awesome portfolio website redesign presentation
elsirapls
0
150
Groundhog Day: Seeking Process in Gaming for Health
codingconduct
0
99
Producing Creativity
orderedlist
PRO
348
40k
Evolution of real-time – Irina Nazarova, EuRuKo, 2024
irinanazarova
9
1.2k
GitHub's CSS Performance
jonrohan
1032
470k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
26
3.3k
Code Review Best Practice
trishagee
74
20k
Transcript
༧֎ʹมԽ͢Δٿيಓ ଧऀʹֶश͞Ε͍͢ʁ なういず d1SFEJDUJWF$PEJOHͱ ༧ଌޡࠩΛఴ͑ͯd
ͳ͏͍ͣ !OPXJTN@TQPSUT ɿೝՊֶ ⚽ɿദϨΠιϧ ⚾ɿڊਓϑΝϯ 4UBZ)PNFͰϋϚͬͨͷɿ ϓϦύϥɺΩϥοͱϓϦˑνϟϯ
None
࠷৽ՊֶͷΈͰ ٿͷٿ Λߟ͑ͯΈͨʂ
ͷػೳͷ֩৺ɿ ೖྗͷ༧ଌΛߦ͍ ༧ଌޡࠩΛ࠷খԽ͢ΔΑ͏ֶश͢Δ ༧ଌޡࠩɿ ༧ଌͱ࣮ࡍͷೖྗͷࠩ
ࢹ֮ӡಈ੍ޚ ˠػೳશମΛଊ͑ΔΈ ʢFY֮ɾӡಈɾಈʣ ˞࣮ࡍͷϓϩηεճ࿏ະղ໌ ˠઆ໌Ͱ͖Δݱ͕ଟ͍
ᶃ༧ଌ͢Δ ᶄ༧ଌͱ࣮ࡍͷೖྗΛൺֱ͢Δ ᶅ༧ଌޡ͕ࠩখ͘͞ͳΔΑ͏ʹ ֶश͢Δ
༧ଌޡ͕ࠩ͋Δγʔϯɿ όοςΟϯά ˠٿيಓͷ༧
༧ଌޡ͕ࠩେ͖͍ ˠଧऀࣦഊ͢Δ ۭৼΓɾຌୀ ྫɿΦʔϧελʔήʔϜͷ౻ٿࣇ ɾετϨʔτΛ͛Δͱએݴ ɾΧϒϨϥͱখּݪΛۭৼΓࡾৼʹऔΔ ˞ٿͨΒͳ͔ͬͨʂʂ ˡ༧ଌΑΓ্ํΛ௨ա͔ͨ͠Β
ಛҟٿ ༧ଌޡ͕ࠩେ͖͍ ˠདྷΔͱ͔ͬͯଧͯͳ͍ ༧ଌޡࠩΛར༻͍ͯ͠Δखͷྫ ɾ౻ٿࣇʢετϨʔτʣ ɾϚϦΞϊɾϦϕϥ ΧοτϘʔϧ ɾࢁ࡚߁ߊʢzπʔγʔϜzʣ
͑ख ˠ͍Πχϯάɿֶश͕ྃ͠ͳ͍ ಛҟٿΛثʹ͢Δઌൃख ˠ༧ଌޡֶ͕ࠩश͞ΕΔ ˠঃʑʹଧͨΕΔ
ख ɾಛҟٿΛ͛Δઌൃख ɾͦ͏Ͱͳ͍ઌൃख ύϑΥʔϚϯε ɾdճ ॱ ɾdճ ॱҎ߱ 1~3回 4~6回
特異球>⾮特異球 特異球<⾮特異球 ˞༧ଌޡֶ͕ࠩश͞ΕΔͨΊ
ɾੳରͷઌൃख ɾಛҟٿͷఆٛ ɾൺֱ͢ΔύϑΥʔϚϯε ར༻σʔλ #BTFCBMMTBWBOU ˞ٿ͝ͱͷৄࡉͳσʔλΛެ։
ɾੳରͷઌൃख نఆଧ੮Ҏ্Λ͛ͨઌൃख ˠҰఆҎ্ͷ࣮ྗΛ࣋ͭ
ɾಛҟٿͷఆٛ μϧϏογϡ༗ɿҐ ฏۉ ٿछɿετϨʔτɺΧʔϒɺ ΧοτϘʔϧɺεϥΠμʔɺ νΣϯδΞοϓɺγϯΧʔ ಛҟٿɿ֤ٿछฏۉ͔Βڑ ͕Ε͍ͯΔ໊ มԽྔɿਫฏํɾਨํ શखͷฏۉΛऔΔ
ɾಛҟٿख ໊ Darvish Yu カットボール:7位 ストレート、スライダー、シンカー、カーブ Bauer Trevor カットボール:5位 ストレート、スライダー、チェンジアップ、カーブ
Gray Sonny スライダー:4位 ストレート、シンカー、カーブ Junis Jakob チェンジアップ:5位 ストレート、スライダー、シンカー、カーブ Sanchez Anibal カーブ:7位 ストレート、カットボール、シンカー、カーブ、スプリット Lucchesi Joey チェンジアップ:1位 カットボール:7位 シンカー Davies Zach カットボール:2位 シンカー、チェンジアップ Means John チェンジアップ:6位 ストレート、スライダー、カーブ
ɾൺֱ͢ΔύϑΥʔϚϯε 8)*1 ΠχϯάʹԿਓऀΛग़͔ͨ͠ ˞Πχϯάผ8)*1͕؆୯ʹऔಘͰ͖ΔͨΊɺ·ͣ8)*1Λ༻ͨ͠ ~1.00 エース ~1.20 エース級 1.40以上 問題
ྫɿμϧϏογϡ༗ 1回 2回 3回 4回 5回 6回 総計 1.19 0.94 0.85 1.37 1.04 1.35 1.10 0.09 -0.16 -0.25 0.27 -0.06 0.25 ー ˢۤख ˢۤख ͷ෦Λฏۉ͢Δ
ɾΠχϯά͝ͱͷ8)*1ࠩ ɾճɿ྆ऀۤख͕ͩಛҟٿखͷํ͕Α͍ ɾ ճɿಛҟٿख͕ྑύϑΥʔϚϯε ɾdճɿඇಛҟٿख͕ྑύϑΥʔϚϯε 投⼿ 1回 2回 3回 4回
5回 6回 特異球 0.036 -0.109 -0.113 0.013 0.026 0.368 ⾮特異球 0.070 -0.096 0.026 -0.006 -0.011 0.079
ɾಛҟٿख ɾং൫ಘҙͰɺঃʑʹଧͨΕΔ ˠ༧ଌޡࠩΛݮΒֶ͢शͷ݁ՌͰ͋ΔՄೳੑ ɾಛҟٿखͷى༻๏ఏҊ ɾಛҟٿखਓͰΠχϯάͣͭ͛Δ ˠγϣʔτελʔλʔ͖Ͱ͋ΔՄೳੑ ɾಛҟٿखΛٹԉͰى༻ͯ͠ΈΔ
ɾಛҟٿΛछͭٹԉख Yusmeiro Petit ・カットボール3位、カーブ1位 ・円熟のセットアッパー ・最多の80試合に登板 Aaron Bummer ・ストレート7位、カットボール9位、 シンカー5位
・ランナーをほとんど⽣還させない
ɾಛҟٿΛछͭٹԉख Phil Maton ・カットボール1位、ストレート6位 ・ニックネームは“スピンレート” ・移籍先ではWHIP0.81の好成績を残した
ɾஔసͨ͠Β໘നͦ͏ͳख Joey Lucchesi ・6回に打たれる傾向がある ・チェンジアップ1位、カットボール7位の 特異球2球種の持ち主 松井裕樹 ・先発転向が上⼿く⾏かない ・スライダーが特異球である可能性 嶋「こんなボールをなげる投⼿はいない」
参考:https://sportiva.shueisha.co.jp/clm/baseball/npb/2014/02/16/post_356/
͞ΒͳΔੳ͕ඞཁ ɾಛҟٿɿ ্Ґਓଥ͔ ฏۉͱͷڑͰܾΊΔଥੑ ɾύϑΥʔϚϯεɿ ٿछ͝ͱͷΛݟΔඞཁ ଞͷཁҼ ർ࿑ Λߟྀ ɾଞͷઌൃखٹԉखʹ͍ͭͯ
ɾ࣮ࡍͷ׆ಈʢকདྷతʹʣ
ɾ1SFEJDUJWF$PEJOH ͷΈ ɾ༧ଌޡࠩΛݮΒ͢Α͏ʹֶश ˠϘʔϧͷيಓͷֶशʹ͋ͯ·ΔՄೳੑ ɾબखͷى༻๏ධՁʹԠ༻ ˠ͞ΒͳΔௐ͕ࠪඞཁ ɾՊֶ ͷΈ ºεϙʔπ ɾࠓޙ͍ʹͳΓͦ͏