作者：zeroFone雪
就是所有的人，在家里、在办公室到处移动。我们穿梭于城市，环游世界，到处购物、旅行.如果我们能理解所有的这些移动模式的意义与内涵，该有多棒.幸运的是，我们生活的年代，人们特别善于采集关于我们自身的信息
无论是通过传感器，视频录像还是app，我们可以超级精确追踪自己的移动细节。让我们掌握移动数据的最佳领域是，体育运动，不管是篮球、棒球、足球还是其他球类运动。因此我们给体育场与每个运动员都装了检测装置，来追踪他们每一毫秒的移动情况。我们所做的就是把每个运动员变成一个动点：
篮球教练非常想知道但是有没办法知道的，因为他们必须要观看每一场比赛的每一秒钟，记住并且处理每一秒钟的信息，可是人类记不住这么多信息，然而机器可以做到记住这么多信息。机器的问题是，机器是没办法以教练的角度来观看比赛的，起码目前来看是做不到的。
所以我们要教机器看什么？如何来看？
开始的时候很简单的，我们教机器看传球、投篮还有篮板球。
就是普通球迷都知道的事情。
进而教机器转移到一些稍微复杂的情况上，像背打、挡拆和单打。
如果你不知道在说什么，也无所谓，大部分业余选手也许知道这些名词什么含义。现在我们已经可以做到让机器理解，像篮下掩护或者混合盯人之类，专业人士才懂的复杂情况。我们已经教会机器以教练的眼光来观看比赛。我们是怎么做到的呢？
如果让一个教练来描述什么是拆挡战术，他们能给出一个很好的说明。如果用算法对拆挡战术进行编码，这个战术解释就变得可怕了。
拆挡战术就是篮球比赛的一种招式，通常发生在四个选手之间，两名进攻球员和两名防守球员。一名进攻球员不持球，然后他跑到正在防守持球人的球员旁边
幸运的是，因为有了机器学习，我们可以超越自己的能力，去解释那些我们知道的事情。是如何做到的呢？
举个例子
我们跑到机器旁边，跟它说：早上好，机器，这是几个拆挡的例子，这是几个非拆挡的例子，请想办法告诉我，他们的不同之处。
关键是要找到，能让机器区分是不是拆挡的特征，那如果我要教会机器，苹果和橙子的区别，我可能会说“你怎么不试试看从颜色和形状区分呢”
我们要解决的问题就是，这些特征是什么，这些能够让电脑在动点的世界导航探索的关键特征是什么呢？
找出所有这些相对与绝对的，方位、距离、时机和速率之间的联系，这才是动点科学的关键所在或者我们给它取个名字，术语叫做时空模式认知。
首先，必须让他听起来很不明觉厉，很难很牛逼的样子
而且，事实就是这样。对NBA的教练来讲，他们不想知道拆挡战术是否发生，他们想要知道挡拆战术是如何发生的，为什么这对他们如此重要呢？
仔细观察可以知道，在现代篮球中，拆挡战术也许是最重要的战术，知晓如何运用，以及如何防御，是主宰球赛输赢的关键。事实证明这个招式变幻无穷，识破变化是取胜的关键，这就是为什么我们需要实在把它学好。
举个例子，两名进攻球员与两名防守球员，已经做好准备迎接挡拆战术的招式
1、持球者可以打挡拆也可以不打
2、他的队友可以顺下或者外切
3、防守人可以迎上或者到篮下防守
4、第二名防守队员，可以延阻或者跟防
5、也可以回车，或者他俩可以换防，突然夹击
如下图所示，好复杂
最开始我几乎什么都不懂，如果每个人都按照这些箭头移动，那就太棒了，我们的工作就容易多了。但事实上，移动轨迹一团糟，人们总是不按常理出牌
想要把这些招式的变化准确的识别出来，保证高精准率和高回报率，非常困难
教练们相信我们的机器是可以识别出这些变化
它也没有特别到比我聪明，我们依旧想知道，机器会比教练知道的更多吗？
我们能看清每一个投篮，我们可以清楚看到，从哪投篮，出手的角度是多少
防守球员站在哪，他们之间的距离有多远，他们之间的角度又是多少
如果有多名防守球员，我们可以看看球员是如何移动，并且预测投篮方式
我们可以查看他们所有人的速度，然后建造模型来预测，在这些情况下的投篮投进的概率
为什么这个很重要，我们以投篮为例子，以前它被认为由一项因素构成，现在他受两方面左右，投篮的质量以及投手自身的素质
这里有个气泡圈
这些都是NBA球员，圆圈大小代表球员的体型，颜色代表他们所处的位置，X轴代表投篮难易程度，左边代表难度高的投篮，右边代表难度低的投篮 ，Y轴代表球员投篮能力，投的准的人排在上面，反之排下面
举个例子，有一个球员的投篮命中率为47%
这之所以如此重要的原因是，如果你将要给一个47%命中率的球员一亿美金的合约，这名球员是一个投困难球的好投手，还是一个投简单求的差投手
人工智能不仅改变我们分析运动员的方式，还改变了分析比赛的方式
比如这个精彩的实战例子：
几年前在NBA总决赛，迈阿密热火落后三分，只有20秒了，他们就要丢掉冠军的奖杯了
勒布朗詹姆斯占了出来并尝试投三分来般扳平，他并没有投中，他的队友克里斯波什抢到了篮板，传给了雷阿伦，他投进了三分，比赛进入了加时赛，他们赢下了那场比赛，并最后赢得了冠军，那可以说是篮球史上最精彩的比赛之一。
我们所拥有的能力，分析每一个球员，在每一秒的命中率，和每一秒抢到篮板的可能性能让我们以前所未有的高度，来分析这一瞬间
遗憾的是，看不到那场录像。为了帮助理解，在我们三个礼拜前的篮球周塞上
我们重现了那一刻，我们重现了经典动作轨迹
这是在洛杉矶的唐人街，我们每个星期都在这个公园打球
我们正在重现雷阿伦时刻，所有的轨迹都是与此有关
那次投篮，将带你感受那一刻，以及那一刻的许多微小细节，唯一的句别就是，没有专业的篮球运动员，只有我们，也没有专业的解说。
迈阿密落后三分，只剩下20秒，杰夫把球传过来
乔西准备投三分，进球难易程度为33%，没进！艾诺尔抢到篮板的的概率为37%,
艾诺尔准备投三分....进了！！！！剩下5秒时候将比分扳平。。。。
“学习”球员的精确移动，识别他们打法的变化以及篮球的运行。以挡拆为例，人工智能可以识别持球者需要还是不需要来自队友的掩护，掩护者是准备挡拆后切入还是掩护后的切出。
以及，防守球员应该如何响应：挡住持球突破的对手，紧随对手，换防，或者补防夹击。电脑还会告诉你，每种不同的选择，对应怎样的投篮命中率。
你可以让AI观看一系列的比赛，然后算法就能学会识别某种战术，每次这个战术出现时，AI就会自动的标记出来。比方上面提到的那个机器学驱动的工具，可以对NBA球队不同的挡拆战术进行分类识别。
原文参考：https://www.ted.com/talks/rajiv_maheswaran_the_math_behind_basketball_s_wildest_moves
关注我就是关注数据
数据挖掘与大数据分析
（datakong）
传播数据|解读行业|技术前沿|案例分享
2013年新浪百强自媒体
2016年中国十大大数据影响平台
荣誉不重要，干货最实在
