Alt du trenger å vite om gruvedrift og håndverk i Andromeda, samt hvor du finner visse materialer.
I Mass Effect Andromeda det er mye skyting, men det er fortsatt tid til forskning. Dette vil tillate deg å lage nye rustninger, våpen, modifikasjoner, oppgraderinger for " nomad" og mye mer.
Tre typer forskning
I Mass Effect Andromeda Forskningsdata er delt inn i tre kategorier:
- Melkeveisforskning– data knyttet til kolonister og deres utstyr
- Chilius-forskning- data knyttet til løpene funnet i Andromeda
- Relikvieforskning– data relatert til gammel forlatt teknologi
Hvordan skanne i Mass Effect Andromeda?
Det er veldig enkelt. Aktiver skanneren ved å klikke på. En gjenstand eller livsform blir oransje hvis den kan skannes.
Ved skanning ny form liv eller teknologi, vil du motta forskningsdata for en av kategoriene, som deretter kan brukes til å kjøpe tegninger.
Blueprinting og håndverk i Mass Effect Andromeda
Gå til forskningssenteret, som du kan finne på et skip eller et vennlig sted, og velg " Studere". Her kan du se hvilke tegninger du har tilgang til og hvilke du kan kjøpe. De fleste gjenstander har nivåer, så du får bare tilgang til neste nivå når du allerede har laget et element på lavere nivå.
Etter at tegningen vises, gå til elementet " Utvikling» å lage våpen, rustning og oppgradere bilen, hvis du har det nødvendige materialer. Noen ganger kan det være nødvendig med sjeldne ingredienser.
Hvis du har tegninger for modifikasjoner, kan du bruke dem på utformede elementer for å legge til en forbedring.
Utvinning av materialer
I Mass Effect Andromeda Det er ulike måter gruvedrift. Mineraler er de enkleste å utvinne og kan høstes med Ryders Omni-Tool.
Gruvesoner er mye rikere, men krever " nomad". Når du setter opp en foroverstasjon, vises alle gruvesoner på felles kart. Gå dit med bil, slå på søket og følg timeplanen. Jo lengre tidsplanen er før dronen dukker opp for gruvedrift, jo flere ressurser vil du motta.
Orbital- og systemskanning
Når du bruker Galaxy Map i System/Orbit-modus, vil du ofte motta uregelmessige advarsler fra Suvi. Etter det må du trykke / for å slå på skanneren, og deretter følge pilen på skjermen for å finne uregelmessigheten. Når du har funnet uregelmessigheten, trykk / for å starte sonden. Vanligvis kan det være mineraler eller forskningsdata.
). Som en uteligger er et "nytt objekt" et objekt som skiller seg i sine egenskaper fra objektene til (trenings)prøven. Men i motsetning til en uteligger, er den ennå ikke i selve prøven (den vil dukke opp etter en stund, og oppgaven er nettopp å oppdage den når den dukker opp). Hvis du for eksempel analyserer temperaturmålinger og kaster unormalt store eller små, så sliter du med uteliggere. Og hvis du lager en algoritme som for hver ny måling vurderer hvor lik den er de forrige, og kaster ut uregelmessige, "bekjemper du nyhet".
Utslipp er en konsekvens av:
- datafeil (målunøyaktigheter, avrunding, feiloppføringer osv.)
- tilstedeværelsen av støyobjekter (feil klassifiserte objekter)
- tilstedeværelsen av gjenstander av "andre" prøver (for eksempel avlesningene til en ødelagt sensor).
På fig. 1 viser at støy (støy) er en uteligger "i svak forstand" (det kan viske ut klasse/cluster-grenser litt). Vi er først og fremst interessert i uteliggere «i sterk forstand» som forvrenger disse grensene.
Nyhet, som regel, vises som et resultat av en fundamentalt ny oppførsel av objektet. Si, hvis objektene våre er beskrivelser av systemet, blir objektene "nyhet" etter at viruset trenger inn i det. Et annet eksempel er beskrivelsen av driften av motoren etter et havari. Det er viktig å forstå her at "nyhet" kalles nyhet av den grunn slike beskrivelser er helt nye for oss, og de er nye fordi vi ikke kan ha informasjon om alle typer virusinfeksjoner eller alle typer sammenbrudd i treningsutvalget. Dannelsen av en slik treningsprøve er arbeidskrevende og gir ofte ikke mening. På den annen side er det mulig å samle et tilstrekkelig stort utvalg eksempler på normal (normal) drift av et system eller en mekanisme.
Søknader her er havet:
- Oppdagelse av mistenkelige banktransaksjoner (kredittkortsvindel)
- Inntrengningsdeteksjon
- Deteksjon av ikke-standardspillere på børsen (innsidere)
- Deteksjon av funksjonsfeil i mekanismer basert på sensoravlesninger
- Medisinsk diagnostikk (medisinsk diagnose)
- Seismologi
Det skal bemerkes at det også er mange mulige problemformuleringer. For eksempel er oppgaven Positive-Ulabeled Classification (PU-læring) når noen av uteliggere er merket (klasse 1), men de gjenværende læringsobjektene (klasse 0) kan også inneholde uteliggere. En ekspert fortalte oss for eksempel at utstyret sviktet i slike og slike øyeblikk, men han kunne ikke legge merke til alle feilene.
Selv når problemer med oppdagelse av anomalier ligner på vanlige klassifiseringsproblemer, er det særheter, for eksempel klasseubalanser (for eksempel er utstyrssammenbrudd relativt sjeldne).
Anomalier er ikke bare i tabelldata, de kan være i grafer, tidsserier osv.
Ris. 2. Et eksempel på uteliggere i en tidsserie. 
Ris. 3. Et eksempel på uteliggere i grafer og sekvenser. Kvalitetsfunksjoner i anomalideteksjonsoppgaver brukes omtrent på samme måte som i klassifiseringsoppgaver: PR AUC, AUROC , her bestemmes alt av oppgavekonteksten (kunden).
Metoder for deteksjon av ytterliggere
1. Statistiske tester
Som regel brukes de for individuelle funksjoner og ekstreme verdier blir fanget opp (Ekstremverdianalyse). Til dette brukes for eksempel Z-verdi eller Kurtosis-mål.
Ris. 4. Et eksempel på uteliggere. Enhver utøver har en bevist måte å finne ekstreme verdier for visse datatyper. Mange visualiseringsmetoder, som whisker-boksen, har innebygde verktøy for å oppdage og vise slike ekstreme verdier.
Det er viktig å forstå at ekstrem verdi og anomali er forskjellige konsepter. For eksempel i et lite utvalg
Ris. 5. Et eksempel på uteliggere i et problem med to funksjoner. 2. Modelltester
Tanken er veldig enkel – vi bygger en modell som beskriver dataene. Punkter som avviker sterkt fra modellen (der modellen er veldig feil) er anomalier (se fig. 2). Ved valg av modell kan vi ta hensyn til problemets art, kvaliteten funksjonell osv.
Slike metoder er gode for å fastslå nyhet, men fungerer dårligere når man leter etter ytterliggere. Når vi setter opp modellen, bruker vi faktisk data som har uteliggere (og det er "skjerpet" for dem).
Ris. 6. Bruke SVD for å finne utliggere i en matrise På fig. 6 viser anvendelsen av modelltilnærmingen. Vi har en matrise og vi må finne uteliggere i den. Vi bruker en ufullstendig singularverdidekomponering (SVD) for å finne en matrise med liten rangering som er mest mulig lik vår (for klarhetens skyld er alle tall avrundet). Elementer som er svært forskjellige fra de tilsvarende elementene i lavrangeringsmatrisen vil bli ansett som uteliggere.
3. Iterative metoder
Metoder som består av iterasjoner, som hver fjerner en gruppe "svært mistenkelige objekter". For eksempel, i et n-dimensjonalt trekkrom, kan vi fjerne det konvekse skroget til punktobjektene våre, og vurdere dets representanter som uteliggere. Som regel er metodene til denne gruppen ganske arbeidskrevende.
Ris. 7. Konvekse skrog av et sett med punkter. 4. Metriske metoder
Etter antall publikasjoner å dømme er dette de mest populære metodene blant forskere. De postulerer eksistensen av noen metrikk i rommet til objekter, noe som hjelper til med å finne anomalier. Det er intuitivt klart at en uteligger har få naboer, mens et typisk punkt har mange. Derfor kan et godt mål på anomali være for eksempel "avstanden til den kth naboen" (se metoden Local Outlier Factor). Spesifikke beregninger brukes her, for eksempel Mahalanobis-avstanden.
Ris. 8. Naboer til flere prøveelementer, forholdet med 5m er vist med rødt 5. Metoder for oppgavesubstitusjon
Når et nytt problem dukker opp, er det en stor fristelse å løse det med gamle metoder (orientert mot allerede kjente problemer). For eksempel kan du gjøre clustering, da vil små klynger sannsynligvis bestå av anomalier. Hvis vi har delvis informasjon om anomalier (som i PUC-problemet), så kan vi løse det som et klassifiseringsproblem med klassene 1 (merkede anomalier) og 0 (alle andre objekter). Hvis klasse 0 bare besto av normale objekter, ville en slik løsning være helt lovlig, ellers gjenstår det å håpe at det er få uoppdagede anomalier i den.
Ris. 9. Et eksempel på gruppering i en liten (rød) og en stor (blå) klynge. 6. Maskinlæringsmetoder
Men hva om vi oppfatter problemet med å finne anomalier som et nytt maskinlæringsproblem (forskjellig fra klassifisering og clustering)?!
De mest populære algoritmene (det er en implementering selv i scikit-learn) er her:
- Single Class Support Vector Machine (OneClassSVM)
- Isolation Forest (IsolationForest)
- Ellipsoidal Fit to Data (EllipticEnvelope)
Ris. 10. Visualisering av driften av ulike anomalisøkealgoritmer. - kjerne– kjerne (lineær: lineær, polynom: poly, radial basisfunksjoner: rbf, sigmoidal: sigmoid, tilpasset)
- nu– øvre grense for % feil og nedre grense for % støttevektorer (0,5 som standard)
- grad er graden for polynomkjernen
- gamma- koeffisient for kjernefunksjonen (1/n_features som standard)
- coef0– parameter i polynom eller sigmoidal kjernefunksjon
- n_estimatorer- antall trær
- max_samples- prøvestørrelse for å bygge ett tre (hvis et reelt tall, så prosentandelen av hele prøven)
- forurensning er andelen uteliggere i utvalget (for å velge en terskel)
- max_features– antall (eller %) funksjoner som brukes når du bygger ett tre (så langt fungerer det bare med verdien 1.0)
- Støvelhempe– aktiver bootstrap-modus ved subsampling
7. Ensembler av algoritmer
Ideen om "én algoritme er bra, men hundre er bedre" har også trengt inn i metoder for å løse problemer med avviksdeteksjon, så mange forskjellige algoritmer er ofte bygget. Hver av dem gir et estimat av anomalien, og disse estimatene blir deretter "gjennomsnittet".
Siden nøkkelpunktet i reelle anomalideteksjonsproblemer er valget av funksjoner som karakteriserer visse avvik fra normen, bygges ensemblealgoritmer som prøver å gjette gode rom. Her er populære:
- Feature Bagging(ikke et veldig godt navn) - for hver algoritme tas et tilfeldig funksjonsunderrom,
- Rotert bagging– i det valgte underrommet for tilfeldige funksjoner gjøres det en tilfeldig sving.
Forresten, her betyr ikke "gjennomsnitt" nødvendigvis det aritmetiske gjennomsnittet av alle estimater, det er intuitivt klart at maksimum ofte kan fungere (hvis en eller annen algoritme er sikker på det uregelmessige objektet, så er det mest sannsynlig det).
Historie fra praksis
I uregelmessige søkeoppgaver er det viktig å forstå hvordan søkealgoritmer fungerer og forklare dette for kunden. For eksempel, da forfatteren sist var med på å løse et lignende problem, ønsket kunden et verktøy for å oppdage havarier, men på grunn av modellens beskaffenhet ble algoritmen for å oppdage "feilfungerende utstyr", dvs. det ga et signal ikke bare i tilfelle sammenbrudd, men også i tilfelle feil drift av enheten, så vel som når du arbeider i svært sjeldne moduser. Noen sammenbrudd (svært hyppige) han fortsatt savnet, fordi. "de har allerede blitt normen for enheten." Det er klart at hvis det var en stor merket prøve, ville slike problemer ikke oppstå, men i praksis fungerer ikke utstyret så lenge, det er også få havarier (og ikke alle mulige skjer), og noen havarier kan ikke skje lagt merke til eller lagt merke til for sent. I tillegg påvirker ikke noen sammenbrudd avlesningene til sensorene på noen måte. I utgangspunktet var kunden veldig opprørt over kvaliteten, men da de forklarte hvordan algoritmen fungerer, sjekket kunden testdataene og forsikret seg om at algoritmen er veldig nyttig, selv om den ikke finner noen sammenbrudd: den kan brukes som en verifikator "om enheten fungerer i normal modus", og dette er det viktigste.
P.S. Koden for å oppnå fig. 10 kan tas.
(atomkraftverk, underjordisk kommunikasjon -, gruver; søppelfyllinger, underjordisk kommunikasjon, kirkegårder);
- på bostedene hans (på grunn av konflikter, så vel som på grunn av forskjellige gjenstander som gjør endringer i energistrukturen til rommet - malerier, figurer, etc.);
- på steder hvor UFOer og andre ukjente gjenstander påvirkes av overflaten.
Disse unormale sonene er skadelige for de mentale og fysisk helse person. Det er ikke for ingenting at de er "døde" steder blant menneskene. Men de har også en annen ulempe: i unormale soner flere ganger oftere enn på vanlige steder oppstår poltergeist-fenomener, interaksjoner med UFOer, og disse stedene er ifølge parapsykologer en portal til parallelle verdener.
Selv om unormale soner ennå ikke er kjent for vitenskapen, har det blitt lagt merke til at sonene ligger nær grunnvann (de skaper en sirkulær bevegelse av energi) eller elvesvinger. Tilstedeværelsen av kraftige geopatiske bånd på et slikt sted ble også notert. I tillegg er unormale soner lokalisert på steder med steinutganger, feil.
I studiet av anomale soner er ikke den akkumulerte informasjonen og intuisjonen til forskeren av siste betydning. Konklusjoner om sonens beskaffenhet kan trekkes under målinger av energifelt, iht utseende terreng, dyreatferd, vegetasjon. Etter at helhetsbildet er oppnådd fra disse skiltene, vil det være mulig å trekke konklusjoner. Ved å ha tilstrekkelig erfaring i studiet av unormale soner, kan man danne seg en ide om sonen allerede når man nærmer seg den. Og også for å avsløre sonens natur, eller i det minste dens innflytelse på en person og faren når du besøker dette stedet.
Derfor en egen advarsel for de som er vant til å handle umiddelbart: å besøke unormale soner er ikke trygt for fysisk helse, mental helse, og til og med for livet til en forsker. Anomale soner har en sterk, vanligvis negativ påvirkning på menneskelige energistrukturer. Når de målte energifeltene til en person før og etter besøk i sonen og etter, viste de følgende: etter å ha besøkt en slik sone, har den menneskelige energien en "revet struktur". I tillegg, hvis det vanlige menneskelige biofeltet har en eggformet form, bare litt flatt på sidene, så ødelegger denne kokongens integritet etter å ha besøkt den anomale sonen, og i noen tilfeller er den kanskje ikke synlig i det hele tatt. Alt dette er full av helseproblemer. Som et resultat er det nødvendig for forskeren å holde energistrukturene sine i en balansert og harmonisk tilstand, for hvilke spesielle øvelser (for eksempel teknikker for chakraene) må utføres.
Det er mange tegn på tilstedeværelsen av en unormal sone. Her er noen av dem:
- når du utfører biomålinger, oppfører pendelen eller dowsing-rammen seg på en merkelig måte;
- blikket klamrer seg ufrivillig til et bestemt område, tiltrekkes av det;
- fraværet av alle levende skapninger på lokale steder;
- Merkelig utseende vegetasjon som på en eller annen måte skiller seg fra den som ligger nær sonen;
- utilstrekkelig oppførsel av dyr;
- ulike typer lyder, hvis utseende trosser logisk forklaring;
- nye bilder og visjoner;
- tilstedeværelsen av merkelige gjenstander;
- Uvanlige opplevelser i kropp og psyke mens du er i sonen.
Kommentar fra AngryClown
Video lagt ut: http://www.youtube.com/watch?v=CeBEGH4zTKc viser plasseringen av anomalien. Brukergrensesnittet mitt ville ikke vise den gule kulen du ser i videoen, men hindret meg ikke i å kunne løpe til akkurat det stedet og slå ut oppdraget på to sekunder.Bare følg rampen opp fra hordeområdet, og klem den høyre veggen, forbi trappen som fører opp til allianseområdet (ikke gå opp). Kanskje 20 yards forbi trappen langs veggen er der du vil Finn det.
Kommentar fra zazz999
For de som har problemer med å finne anomalien av ulike årsaker.Gå til 63, 26 i gruven og du bør fullføre oppdraget.
Kommentar fra jtbalogh
Jeg fant kulen på et annet sted enn vennen min på samme oppdrag og samme dag.Se for eksempel
55, 26 (slutt av spor midt i rommet)
eller 63, 26 (mot veggen)
eller 58, 27,4 (en annen vegg)
eller 62,7, 21,6 (mellom spor og trapper)
Følg måleren i tilfelle koordinatene endres neste gang.
- Kulen dukket bare opp når måleren var 97 % (hold musen over måleren for å se %)
- Kulen bruker et sekund på å dukke opp, så ikke løp for fort forbi den.
- Kulen er på samme nivå som de åndsbundne mobbene i Ruins of Ogudei-området.
