Tutto quello che devi sapere sull'estrazione mineraria e sull'artigianato ad Andromeda, nonché su dove trovare determinati materiali.
IN Effetto di massa Andromeda ci sono molte sparatorie, ma c'è ancora tempo per la ricerca. Ciò ti consentirà di creare nuove armature, armi, modifiche, potenziamenti per " nomade" e altro ancora.
Tre tipi di ricerca
IN Effetto di massa Andromeda I dati della ricerca sono suddivisi in tre categorie:
- Ricerca sulla Via Lattea– dati relativi ai coloni e al loro equipaggiamento
- Ricerca Chilius- dati relativi alle razze rinvenute ad Andromeda
- Ricerca sulle reliquie– dati relativi ad antiche tecnologie abbandonate
Come eseguire la scansione in Mass Effect Andromeda?
È molto semplice. Attiva lo scanner facendo clic su . Un oggetto o una forma di vita diventa arancione se può essere scansionato.
Durante la scansione nuova forma vita o tecnologia, riceverai dati di ricerca per una delle categorie, che potranno poi essere utilizzati per acquistare progetti.
Progettazione e creazione in Mass Effect Andromeda
Avvicinati al Centro Ricerche, che puoi trovare su una nave o in un luogo amico, e seleziona " Studio". Qui puoi vedere a quali progetti hai accesso e quali puoi acquistare. La maggior parte degli oggetti ha livelli, quindi avrai accesso al livello successivo solo quando hai già creato un oggetto di livello inferiore.
Dopo che viene visualizzato il disegno, vai alla voce " Sviluppo» per creare armi, armature e potenziare l'auto, se ce l'hai materiali necessari. A volte possono essere necessari ingredienti rari.
Se disponi di progetti per le modifiche, puoi applicarli agli oggetti realizzati per aggiungere un miglioramento.
Estrazione dei materiali
IN Effetto di massa Andromeda C'è vari modi estrazione. I minerali sono i più facili da estrarre e possono essere raccolti con il Omni-Tool di Ryder.
Le zone minerarie sono molto più ricche, ma richiedono " nomade". Quando imposti una stazione avanzata, tutte le zone minerarie vengono visualizzate mappa comune. Raggiungici in macchina, attiva la ricerca e segui il programma. Più lungo è il programma prima della comparsa del drone per l'estrazione mineraria, più risorse riceverai.
Scansione orbitale e di sistema
Quando utilizzi la Mappa Galattica in modalità Sistema/Orbita, riceverai spesso avvisi di anomalie da Suvi. Successivamente, è necessario premere / per accendere lo scanner, quindi seguire la freccia sullo schermo per individuare l'anomalia. Una volta individuata l'anomalia, premi / per lanciare la sonda. Di solito potrebbero esserci minerali o dati di ricerca.
). Come un valore anomalo, un "nuovo oggetto" è un oggetto che differisce nelle sue proprietà dagli oggetti del campione (di addestramento). Ma a differenza di un valore anomalo, non è ancora presente nel campione stesso (apparirà dopo un po' e il compito è proprio rilevarlo quando appare). Ad esempio, se analizzi le misurazioni della temperatura e scarti quelle anormalmente grandi o piccole, allora hai difficoltà con i valori anomali. E se crei un algoritmo che, per ogni nuova misurazione, valuta quanto è simile alle precedenti, ed elimina quelle anomale, stai “combattendo la novità”.
Le emissioni sono una conseguenza di:
- errori nei dati (imprecisioni di misura, arrotondamenti, inserimenti errati, ecc.)
- la presenza di oggetti rumorosi (oggetti erroneamente classificati)
- la presenza di oggetti di "altri" campioni (ad esempio, le letture di un sensore rotto).
Nella fig. 1 mostra che il rumore (rumore) è un valore anomalo “in senso debole” (può confondere leggermente i confini di classe/cluster). A noi interessano soprattutto i valori anomali “in senso forte” che distorcono questi confini.
La novità, di regola, appare come risultato di un comportamento fondamentalmente nuovo dell'oggetto. Supponiamo che se i nostri oggetti siano descrizioni del sistema, dopo che il virus è penetrato in esso, gli oggetti diventano "novità". Un altro esempio è la descrizione del funzionamento del motore dopo un guasto. È importante capire qui che la "novità" si chiama novità per questo motivo tali descrizioni sono completamente nuove per noi e sono nuovi perché non possiamo avere informazioni su tutti i tipi di infezioni virali o su tutti i tipi di guasti nel campione di addestramento. La formazione di un tale campione di formazione richiede molto lavoro e spesso non ha senso. D'altra parte, è possibile raccogliere un campione sufficientemente ampio di esempi di funzionamento normale (normale) di un sistema o meccanismo.
Le applicazioni qui sono il mare:
- Rilevazione di transazioni bancarie sospette (frode con carta di credito)
- Rilevamento delle intrusioni
- Rilevazione di giocatori non standard in borsa (addetti ai lavori)
- Rilevamento di malfunzionamenti nei meccanismi in base alle letture dei sensori
- Diagnostica medica (Diagnosi medica)
- Sismologia
Va notato che ci sono anche molte possibili dichiarazioni di problemi. Ad esempio, il compito di classificazione positiva senza etichetta (apprendimento PU) avviene quando alcuni valori anomali sono etichettati (classe 1), ma anche i rimanenti oggetti di apprendimento (classe 0) possono contenere valori anomali. Ad esempio, un esperto ci ha detto che l'attrezzatura si è guastata in certi momenti, ma non è riuscito a notare tutti i guasti.
Anche quando i problemi di rilevamento delle anomalie sono simili ai normali problemi di classificazione, ci sono delle peculiarità, come gli squilibri di classe (ad esempio, i guasti alle apparecchiature sono relativamente rari).
Le anomalie non si trovano solo nei dati tabulari, ma possono trovarsi anche nei grafici, nelle serie temporali, ecc.
Riso. 2. Un esempio di valori anomali in una serie temporale. 
Riso. 3. Un esempio di valori anomali in grafici e sequenze. I funzionali di qualità nelle attività di rilevamento delle anomalie vengono utilizzati più o meno come nelle attività di classificazione: PR AUC, AUROC , qui tutto è determinato dal contesto dell'attività (cliente).
Metodi di rilevamento dei valori anomali
1. Test statistici
Di norma vengono utilizzati per caratteristiche individuali e vengono rilevati valori estremi (analisi dei valori estremi). A questo scopo viene utilizzato ad esempio il valore Z o la misura della Kurtosi.
Riso. 4. Un esempio di valori anomali. Qualsiasi professionista ha un modo comprovato per trovare valori estremi per determinati tipi di dati. Molti metodi di visualizzazione, come la scatola dei baffi, dispongono di strumenti integrati per rilevare e visualizzare valori così estremi.
È importante capire che valore estremo e anomalia sono concetti diversi. Ad esempio, in un piccolo campione
Riso. 5. Un esempio di valori anomali in un problema con due funzionalità. 2. Prove su modelli
L'idea è molto semplice: costruiamo un modello che descrive i dati. I punti che si discostano fortemente dal modello (in cui il modello è molto sbagliato) sono anomalie (vedi Fig. 2). Quando si sceglie un modello, possiamo tenere conto della natura del problema, della qualità funzionale, ecc.
Tali metodi sono utili per determinare la novità, ma funzionano peggio quando si cercano valori anomali. Infatti, quando impostiamo il modello, utilizziamo dati che presentano valori anomali (e sono “affinati” per loro).
Riso. 6. Utilizzo di SVD per trovare valori anomali in una matrice Nella fig. 6 mostra l'applicazione dell'approccio modello. Abbiamo una matrice e dobbiamo trovare valori anomali in essa. Usiamo una scomposizione incompleta di valori singolari (SVD) per trovare una matrice di rango piccolo che sia il più simile possibile alla nostra (per chiarezza, tutti i numeri sono arrotondati). Gli elementi molto diversi dai corrispondenti elementi della matrice di basso rango saranno considerati outlier.
3. Metodi iterativi
Metodi costituiti da iterazioni, ciascuna delle quali rimuove un gruppo di "oggetti altamente sospetti". Ad esempio, in uno spazio di caratteristiche n-dimensionali, possiamo rimuovere l'involucro convesso dei nostri oggetti puntiformi, considerando i suoi rappresentanti come valori anomali. Di norma, i metodi di questo gruppo sono piuttosto laboriosi.
Riso. 7. Involucri convessi di un insieme di punti. 4. Metodi metrici
A giudicare dal numero di pubblicazioni, questi sono i metodi più apprezzati dai ricercatori. Postulano l'esistenza di una metrica nello spazio degli oggetti, che aiuta a trovare anomalie. È intuitivamente chiaro che un valore anomalo ha pochi vicini, mentre un punto tipico ne ha molti. Pertanto, una buona misura dell'anomalia può essere, ad esempio, "la distanza dal k-esimo vicino" (vedere il metodo Local Outlier Factor). Qui vengono utilizzate metriche specifiche, come la distanza Mahalanobis.
Riso. 8. Vicini di più elementi del campione, la relazione con 5m è mostrata in rosso 5. Modalità di sostituzione dei compiti
Quando sorge un nuovo problema, c'è una grande tentazione di risolverlo con vecchi metodi (orientati a problemi già noti). Ad esempio, puoi eseguire il clustering, quindi è probabile che i piccoli cluster siano costituiti da anomalie. Se disponiamo di informazioni parziali sulle anomalie (come nel problema PUC), allora possiamo risolverlo come un problema di classificazione con le classi 1 (anomalie etichettate) e 0 (tutti gli altri oggetti). Se la classe 0 fosse composta solo da oggetti normali, una soluzione del genere sarebbe del tutto legale, altrimenti resta da sperare che contenga poche anomalie non rilevate.
Riso. 9. Un esempio di clustering in un cluster piccolo (rosso) e uno grande (blu). 6. Metodi di apprendimento automatico
Ma cosa succederebbe se percepissimo il problema della ricerca delle anomalie come un nuovo problema di machine learning (diverso dalla classificazione e dal clustering)?!
Gli algoritmi più popolari (esiste un'implementazione anche in scikit-learn) sono qui:
- Macchina vettoriale di supporto a classe singola (OneClassSVM)
- Foresta di Isolamento (Foresta di Isolamento)
- Adattamento ellissoidale ai dati (busta ellittica)
Riso. 10. Visualizzazione del funzionamento di vari algoritmi di ricerca di anomalie. - nocciolo– kernel (lineare: lineare, polinomiale: poly, funzioni base radiale: rbf, sigmoidale: sigmoide, personalizzato)
- no– limite superiore sulla percentuale di errori e limite inferiore sulla percentuale di vettori di supporto (0,5 per impostazione predefinita)
- gradoè il grado del nucleo polinomiale
- gamma- coefficiente per la funzionalità del kernel (1/n_features per impostazione predefinita)
- coef0– parametro nella funzione kernel polinomiale o sigmoidale
- n_estimatori- numero di alberi
- max_campioni- dimensione del campione per la costruzione di un albero (se si tratta di un numero reale, la percentuale dell'intero campione)
- contaminazioneè la proporzione di valori anomali nel campione (per la scelta di una soglia)
- max_caratteristiche– il numero (o %) di funzionalità utilizzate durante la costruzione di un albero (finora funziona solo con il valore 1.0)
- bootstrap– abilitare la modalità bootstrap durante il sottocampionamento
7. Insiemi di algoritmi
L'idea "un algoritmo è buono, ma cento è meglio" è penetrata anche nei metodi per risolvere i problemi di rilevamento delle anomalie, quindi spesso vengono costruiti molti algoritmi diversi. Ciascuno di essi fornisce una stima dell'anomalia e queste stime vengono poi “mediate”.
Poiché il punto chiave nei problemi reali di rilevamento delle anomalie è la scelta delle caratteristiche che caratterizzano determinate deviazioni dalla norma, gli algoritmi d'insieme vengono costruiti cercando di indovinare spazi buoni. Qui sono popolari:
- Caratteristica Insaccamento(nome non molto bello) - per ogni algoritmo viene preso un sottospazio di caratteristiche casuali,
- Insaccamento ruotato– nel sottospazio della caratteristica casuale selezionata, viene effettuato un turno casuale.
A proposito, qui "media" non significa necessariamente la media aritmetica di tutte le stime, è intuitivamente chiaro che il massimo può spesso funzionare (se qualche algoritmo è sicuro dell'oggetto anomalo, molto probabilmente lo è).
La storia dalla pratica
Nelle attività di ricerca di anomalie, è importante comprendere come funzionano gli algoritmi di ricerca e spiegarlo al cliente. Ad esempio, l'ultima volta che l'autore è stato coinvolto nella risoluzione di un problema simile, il cliente desiderava uno strumento per rilevare i guasti, ma a causa della natura del modello, l'algoritmo si è rivelato in grado di rilevare "apparecchiature malfunzionanti", ad es. dava un segnale non solo in caso di guasti, ma anche in caso di funzionamento errato del dispositivo, nonché quando si lavora in modalità molto rare. Alcuni guasti (molto frequenti) gli mancavano ancora, perché. "sono già diventati la norma per il dispositivo." È chiaro che se ci fosse un campione numeroso etichettato questi problemi non si presenterebbero, ma in pratica l’apparecchiatura non funziona per tanto tempo, inoltre i guasti sono pochi (e non tutti quelli possibili si verificano), e alcuni guasti potrebbero non essere notato o notato tardivamente. Inoltre, alcuni guasti non influenzano in alcun modo le letture dei sensori. Inizialmente il cliente era molto turbato dalla qualità, ma quando gli hanno spiegato come funziona l'algoritmo, il cliente ha controllato i dati del test e si è assicurato che l'algoritmo fosse molto utile, anche se non rileva alcun guasto: può essere utilizzato come un verificatore “se il dispositivo funziona in modalità normale”, e questa è la cosa più importante.
PS Si può prendere il codice per ottenere la Fig. 10.
(centrali nucleari, comunicazioni sotterranee - miniere; discariche, comunicazioni sotterranee, cimiteri);
- nei luoghi della sua residenza (a causa di conflitti, nonché a causa di vari oggetti che apportano modifiche alla struttura energetica della stanza - dipinti, figurine, ecc.);
- nei luoghi di impatto degli UFO e di altri oggetti sconosciuti sulla superficie.
Queste zone anormali sono dannose per la mente e salute fisica persona. Non per niente tra la gente sono luoghi “morti”. Ma hanno anche un altro svantaggio: nelle zone anomale molte volte più spesso che nei luoghi ordinari, si verificano fenomeni di poltergeist, interazioni con gli UFO e questi luoghi, secondo i parapsicologi, sono un portale per mondi paralleli.
Sebbene le zone anomale non siano ancora note alla scienza, è stato notato che le zone si trovano vicino alle falde acquifere (creano un movimento circolare di energia) o alle anse dei fiumi. È stata notata anche la presenza di potenti bande geopatiche in un luogo simile. Inoltre, zone anomale si trovano in luoghi di uscite di pietra, faglie.
Nello studio delle zone anomale, le informazioni accumulate e l'intuizione del ricercatore non sono di ultima importanza. Le conclusioni sulla natura della zona possono essere tratte durante le misurazioni dei campi energetici, secondo aspetto terreno, comportamento animale, vegetazione. Dopo aver ottenuto il quadro generale da questi segni, sarà possibile trarre conclusioni. Avendo sufficiente esperienza nello studio delle zone anomale, è possibile farsi un'idea della zona già avvicinandosi ad essa. E anche per rivelare la natura della zona, o almeno la sua influenza su una persona e il pericolo quando si visita questo luogo.
Pertanto, un avvertimento a parte per chi è abituato ad agire immediatamente: visitare zone anomale non è sicuro per la salute fisica, quella mentale e nemmeno per la vita di un ricercatore. Le zone anomale hanno una forte, di solito impatto negativo sulle strutture energetiche umane. Misurando i campi energetici di una persona prima e dopo aver visitato la zona e dopo, hanno mostrato quanto segue: dopo aver visitato tale zona, l'energia umana ha una "struttura strappata". Inoltre, se il solito biocampo umano ha una forma ovoidale, solo leggermente appiattito sui lati, dopo aver visitato la zona anomala, questa distrugge l'integrità del bozzolo e in alcuni casi potrebbe non essere affatto visibile. Tutto questo è irto di problemi di salute. Di conseguenza, è necessario che il ricercatore mantenga le proprie strutture energetiche in uno stato equilibrato e armonico, per cui è necessario eseguire esercizi speciali (ad esempio tecniche per i chakra).
Ci sono molti segnali della presenza di una zona anomala. Ecco qui alcuni di loro:
- durante l'esecuzione di biomisure, il pendolo o lo strumento radiestetico si comportano in modo strano;
- lo sguardo si aggrappa involontariamente a una certa area, ne è attratto;
- l'assenza di ogni essere vivente nei luoghi locali;
- Vegetazione dall'aspetto strano che differisce in qualche modo da quella presente nei pressi della zona;
- comportamento inadeguato degli animali;
- vari tipi di suoni, il cui aspetto sfida la spiegazione logica;
- immagini e visioni emergenti;
- la presenza di oggetti strani;
- Sensazioni insolite nel corpo e nella psiche mentre si è nella zona.
Commento da Clown arrabbiato
Video pubblicato: http://www.youtube.com/watch?v=CeBEGH4zTKc mostra la posizione dell'anomalia. La mia interfaccia utente non mostrava la sfera gialla che vedi nel video, ma non mi ha impedito di correre in quella posizione esatta e portare a termine la missione in due secondi.Segui semplicemente la rampa fuori dall'area dell'orda e abbraccia il muro destro, oltre le scale che conducono all'area dell'alleanza (non salirla). Forse 20 metri oltre le scale lungo il muro è dove troverai Trovalo.
Commento da zazz999
Per coloro che hanno difficoltà a trovare l'Anomalia per vari motivi.Vai a 63, 26 nella miniera e dovresti completare la missione.
Commento da jtbalogh
Ho trovato la sfera in un punto diverso rispetto al mio amico durante la stessa missione e lo stesso giorno.Ad esempio, vedi
55, 26 (fine dei brani al centro della stanza)
oppure 63, 26 (contro il muro)
oppure 58, 27.4 (un altro muro)
o 62.7, 21.6 (tra binari e scale)
Segui il misuratore nel caso in cui le coordinate cambino la prossima volta.
- La sfera appariva solo quando il misuratore era al 97% (passare il mouse sul misuratore per vedere la percentuale)
- La sfera impiega un secondo per apparire, quindi non correre troppo veloce oltre.
- La sfera è allo stesso livello dei mob spiritati nell'area delle Rovine di Ogudei.
