Все что вам нужно знать о добыче и крафте в Андромеде, а также здесь вы узнаете, где найти определенные материалы.
В Mass Effect Andromeda очень много перестрелок, но время для исследований все же найдется. Это позволит вам создать новую броню, оружие, модификации, апгрейды для «Кочевника » и многое другое.
Три типа исследований
В Mass Effect Andromeda данные исследований разделены на три категории:
- Исследования млечного пути – данные, относящиеся к колонистам и их оборудованию
- Исследования Хилиуса – данные, относящиеся к расам, обнаруженным в Андромеде
- Исследования Реликтов – данные, относящиеся к древней заброшенной технологии
Как сканировать в Mass Effect Andromeda?
Это очень просто. Активируйте свой сканер нажав на . Объект или форма жизни окрашивается в оранжевый, если её можно просканировать.
При сканировании новой формы жизни или технологии, вы будете получать данные исследований для одной из категорий, которые затем могут быть использованы для покупки чертежей.
Создание чертежей и крафт в Mass Effect Andromeda
Подходите к исследовательскому центру, который вы можете найти на корабле или дружественной локации и выбирайте пункт «Исследование ». Здесь вы сможете увидеть, к каким чертежам у вас есть доступ и какие вы можете купить. У большинства предметов есть уровни, поэтому вы получите доступ к следующему уровню, только тогда, когда у вас уже будет создан предмет более низкого уровня.
После появления чертежа переходите к пункту «Разработка » для создания оружия, доспехов и обновления машины, если у вас для этого есть необходимые материалы. Иногда могут потребоваться редкие ингредиенты.
Если у вас есть чертежи для модификаций, то вы сможете применить их к создаваемым предметам, чтобы добавить улучшение.
Добыча материалов
В Mass Effect Andromeda есть различные способы добычи. Минеральные породы – самые простые для добычи, которые можно собрать с помощью омни-тула Райдера.
Зоны добычи намного богаче, но требуют наличия «Кочевника ». Когда вы устанавливаете передовую станцию, то все зоны добычи появляются на общей карте. Езжайте туда на машине, включайте поиск и следите за графиком. Чем больше будет график перед появлением дрона для добычи, тем больше ресурсов вы получите.
Орбитальное и системное сканирование
При использовании Галактической карты в режиме Система / Орбита, вы часто будете получать предупреждения о аномалии от Суви. После этого вы должны нажать / для включения сканера, затем следуйте за стрелкой на экране, чтобы найти аномалию. Как только вы нашли аномалию, нажимайте / для запуска зонда. Обычно там могут быть минералы или же данные исследований.
(атомные электростанции, подземные коммуникации - , шахты; свалки, подземные коммуникации, кладбища);
- в местах его проживания (из-за конфликтов, а также из-за разнообразных предметов, которые вносят изменения в энергетическую структуру помещения - картины, статуэтки и т.д.);
- в местах воздействия НЛО и прочих неизвестных объектов на поверхность .
Эти аномальные зоны вредны для психического и физического здоровья человека. Не зря в народе они «гиблыми» местами. Но у них есть и другая, обратная сторона: в аномальных зонах в несколько раз чаще, чем в обычных местах, происходят явления полтергейста, взаимодействия с НЛО, также эти места, как считают парапсихологи, являются порталом в параллельные миры.
Хотя аномальных зон науке пока неизвестны, подмечено, что зоны находятся около подземных вод (они создают круговое движение энергии) или поворотов реки. Также отмечено нахождение в таком месте мощных геопатогенных полос. Кроме того, аномальные зоны находятся в местах каменных выходов, разломов.
При исследовании аномальных зон не последнее значение имеют накопленная информация и интуиция исследователя. Выводы о природе зоны можно сделать во время замеров энергетических полей, по внешнему виду местности, по поведению животных, по растительности. После того, как получится общая картина из этих признаков, можно будет делать выводы. Имея достаточный опыт по исследованию аномальных зон, можно составить представление о зоне уже при приближении к ней. А также выявить природу зоны или хотя бы ее влияние на человека и опасность при посещении этого места.
Поэтому отдельное предупреждение для тех, кто привык сразу действовать: посещать аномальные зоны небезопасно и для физического здоровья, и душевного, и даже для жизни исследователя. Аномальные зоны оказывают сильное, обычно негативное воздействие на энергетические структуры человека. При проведении измерений энергетических полей человека до и после посещения зоны и после они показали следующее: после посещения такой зоны энергетика человека имеет «рваную структуру». Кроме того, если обычное биополе человека имеет яйцеобразную форму, лишь слегка приплюснутую по бокам, то после посещения аномальной зоны этот разрушается целостность кокона, а в отдельных случаях его может быть совсем не видно. Все это чревато нарушениями здоровья. Вследствие этого для исследователя необходимо содержать свои энергетические структуры в сбалансированном и гармоничном состоянии, для чего нужно выполнять специальные упражнения (например, техники для чакр).
Признаков наличия аномальной зоны достаточно много. Вот некоторые из них:
- при проведении биоизмерений маятник или биолокационная рамка ведут себя странным образом;
- взгляд непроизвольно цепляется за определенную область, притягивается к ней;
- отсутствие всяческой живности в локальных местах;
- странного вида растительность, чем-либо отличающаяся от находящейся неподалеку от зоны;
- неадекватное поведение животных;
- различного рода звуки, появление которых не поддается логическому объяснению;
- возникающие картины и видения;
- наличие странных предметов;
- необычные ощущения в теле и психике при нахождении в зоне.
Вступительный Ролик
Глава 1: Выхода нет
Важно! Вся полезная информация, связанная с квестами, находиться после текстового описания прохождения на ней.1. После вступительного ролика видим неизвестного в плаще, просыпаемся.
2. Разговариваем с Лютым, узнаем, что с нами случилось, получаем сигнал о помощи, отправляемся вместе с Москитом к Резаку, уничтожать зомби.
3. Зачищаем территорию от зомбированных, у одного из зомби находим листок, читаем.
4. Отправляемся с Москитом на базу.
5. Рассказываем Лютому о зомбированных, появляется контролер, убиваем его, разговариваем на счет контролера с Лютым.
6. Из диалога узнаем, что раньше уже встречались с контролером, поэтому всех кроме нас у него получилось почти взять под контроль, по совету Лютого идем спать.
7. Проснувшись, слышим звук лопастей, идем на поляну, видим вертолет, которое через некоторое время падает, идем на место крушения.
8. Подходим к месту крушения, находим сержанта Олейника, даем аптечку, доводим до лагеря. Поговорив с солдатом идем к Лютому.
9. После разговора идем к Дуболому, узнаем, что уже встречались с ним ранее, идем убивать кабанов, чтобы приготовить себе пищу из их мяса. Убиваем кабана, отрезаем мясо, готовим на костре, относим кусок Дуболому.
10. Подходим к Змею, поговорив с ним, соглашаемся помочь ему, сопровождаем его во время поиска аномального растения для чистки воды. Возвращаемся на базу, если кончится вода, обращаемся к нему.
11. Подходим к Резаку поблагодарить за спасение, спрашиваем про место, где он нас нашел, идем туда еще раз все проверить. После поисков, идем говорить с Лютым, как и договаривались.
12. Поговорив с Лютым, получаем задание на поиск Падальщика.
13. Разговариваем с ребятами из лагеря, получаем задания(изображения с местами предметов внизу): Москит просит найти патроны для СВД, Кувалде нужно найти топливо для генератора, Маркус просит найти артефакт Выверт. Выйдя из лагеря слышим мысли главного героя, говорящий о телепортах, при помощи которых можно найти Падальщика.
Хабар Падальщика
14. Находим нужный нам телепорт на краю локации, рядом с танком15. Находим труп Падальщика, читаем записи в его ПДА, находим его тайник, выходим при помощи телепорта.
16. Рассказываем ему о информации, прочитанной из ПДА, получаем задания на поиск хабара Падальщика и дешифратора. Идем к Дуболому и военному.
17. Военный просит найти два мотка проволоки и аккумулятор для передатчика, а Дуболом просит помочь в убийстве химеры, ждем 2 часов ночи.
18. Сдаем предметы по доп. квестам.
19. Отправляемся в 2 часа ночи к бункеру вместе с Дуболомом, убиваем химеру, возвращаемся на базу, разговариваем с ним, идем к Маркусу.
Внимание!
Если до этого момента не был найден артефакт для Маркуса, квест будет провален.
20. Разговариваем с Маркусом, получаем задание на поиск пропавшего - Гильзы.
21. Находим тайник Падальщика, возвращаемся к Лютому, ждем когда Шуруп сможет взломать контейнер-ящик.
22. В подвале в центре локации находим призрака Шпалу, берем и читаем записку, выпиваем водку со стола.
23. Оказываемся в подвале, доходим до конца, появляется зомбированный Гильза, убиваем его, забираем жетон, разговариваем с Отшельником, возвращаемся к Маркусу.
24. Поговорив с Маркусом, получаем SOS сообщение, идем к месту.
25. Разговариваем с Мурадом, доводим его до лагеря.
26. Идем узнаем, что там с контейнером-ящиком Падальщика, выбираем нужное, идем к Лютому.
27. Разговариваем с Лютым, идем к Мураду за подробностями, получаем от него аккумулятор, идем к Маркусу.
Медная проволока для Олейника
28. Перед этим собираем два мотка медной проволоки и сдаем все, ждем сообщения от военного, а пока разговариваем с Маркусом.
29. Отправляемся со Змеем и Кувалдой убивать плотей, после возвращаемся к Маркусу, на место его нет, идем расспрашивать у Лютого информацию. Заодно расспрашиваем военного на счет радиопередатчика.30. Поговорив с Лютым, бежим к последнему месту сигнала КПК Маркуса. Теряем сознание.
31. Оказываемся в какой-то пещере рядом с Маркусом, встречаем Стронглава.
Дешифратор
32. Есть два варианта: либо тихо сидим до исчезновения Стронглава, а после спокойно выходим из норы либо стреляем в него, после чего появляются два кровососа, убиваем их и также выходим из норы, разницы в дальнейшем нет. Чтобы выйти из норы, нужно найти в тайнике устройство -дешифратор.
33. Выйдя из норы, встречаем Мракобеса, на этом первая глава заканчивается, начинаются воспоминания.
). Как и выброс «новый объект» — это объект, который отличается по своим свойствам от объектов (обучающей) выборки. Но в отличие от выброса, его в самой выборке пока нет (он появится через некоторое время, и задача как раз и заключается в том, чтобы обнаружить его при появлении). Например, если вы анализируете замеры температуры и отбрасываете аномально большие или маленькие, то Вы боретесь с выбросами. А если Вы создаёте алгоритм, который для каждого нового замера оценивает, насколько он похож на прошлые, и выбрасывает аномальные — Вы «боретесь с новизной».
Выбросы являются следствием:
- ошибок в данных (неточности измерения, округления, неверной записи и т.п.)
- наличия шумовых объектов (неверно классифицированных объектов)
- присутствия объектов «других» выборок (например, показаниями сломавшегося датчика).
На рис. 1 видно, что шум (noise) — это выброс «в слабом смысле» (он может немного размывать границы класса/кластера). Нас же интересуют, прежде всего, выбросы «в сильном смысле», которые искажают эти границы.
Новизна, как правило, появляется в результате принципиально нового поведения объекта. Скажем, если наши объекты – описания работы системы, то после проникновения в неё вируса объекты становятся «новизной». Ещё пример – описания работы двигателя после поломки. Здесь важно понимать, что «новизна» называется новизной по той причине, что такие описания для нас абсолютно новые , а новые они потому, что мы не можем в обучающей выборке иметь информацию о всевозможных заражениях вирусами или всевозможных поломках. Формирование такой обучающей выборки трудозатратно и часто не имеет смысла. Зато можно набрать достаточно большую выборку примеров нормальной (штатной) работы системы или механизма.
Приложений здесь море:
- Обнаружение подозрительных банковских операций (Credit-card Fraud)
- Обнаружение вторжений (Intrusion Detection)
- Обнаружение нестандартных игроков на бирже (инсайдеров)
- Обнаружение неполадок в механизмах по показаниям датчиков
- Медицинская диагностика (Medical Diagnosis)
- Сейсмология
Стоит отметить, что возможных постановок задач здесь тоже много. Например, задача Positive-Unlabeled Classificatio n (PU learning) – это когда часть выбросов обозначена (класс 1), но в остальных объектах обучения (класс 0) также могут содержаться выбросы. Например, нам эксперт сказал, что оборудование давало сбой в такие-то моменты времени, но он мог заметить не все сбои.
Даже когда задачи обнаружения аномалий похожи на обычные задачи классификации, есть особенности, скажем дисбаланс классов (например, поломки оборудования относительно редки).
Аномалии бывают не только в табличных данных, они могут быть в графах, временных рядах и т.д.
Рис. 2. Пример выбросов во временном ряде.
Рис. 3. Пример выбросов в графах и последовательностях.
Функционалы качества в задачах детектирования аномалий используют примерно такие же, как и в задачах классификации: PR AUC, AUROC , здесь всё определяется контекстом задачи (заказчиком).
Методы обнаружения выбросов
1. Статистические тесты
Как правило, применяют для отдельных признаков и отлавливают экстремальные значения (Extreme-Value Analysis). Для этого используют, например, Z-value или Kurtosis measure.
Рис. 4. Пример выбросов.
Любой практик имеет какой-нибудь свой проверенный способ нахождения экстремальных значений для определённых типов данных. Многие методы визуализации, например ящик с усами , имеют встроенные средства для детектирования и показа таких экстремальных значений.
Важно понимать, что экстремальное значение и аномалия это разные понятия. Например, в небольшой выборке
Рис. 5. Пример выбросов в задаче с двумя признаками.
2. Модельные тесты
Идея очень простая – мы строим модель, которая описывает данные. Точки которые сильно отклоняются от модели (на которых модель сильно ошибается) и есть аномалии (см. рис. 2). При выборе модели мы можем учесть природу задачи, функционал качества и т.п.
Такие методы хороши для определения новизны, но хуже работают при поиске выбросов. Действительно, при настройке модели мы используем данные, в которых есть выбросы (и она под них «затачивается»).
Рис. 6. Применение SVD для нахождение выбросов в матрице
На рис. 6 показано применение модельного подхода. У нас есть матрица и требуется найти в ней выбросы. Мы используем неполное сингулярное разложение (SVD), чтобы найти матрицу небольшого ранга максимально похожую на нашу (для наглядности все числа округлены). Элементы, которые сильно отличаются от соответствующих элементов матрицы небольшого ранга, будем считать выбросами.
3. Итерационные методы
Методы, которые состоят из итераций, на каждой из которых удаляется группа «особо подозрительных объектов». Например, в n-мерном признаковом пространстве можно удалять выпуклую оболочку наших точек-объектов, считая её представителей выбросами. Как правило, методы этой группы достаточно трудоёмки.
Рис. 7. Выпуклые оболочки множества точек.
4. Метрические методы
Судя по числу публикаций, это самые популярные методы среди исследователей. В них постулируется существование некоторой метрики в пространстве объектов, которая и помогает найти аномалии. Интуитивно понятно, что у выброса мало соседей, а у типичной точки много. Поэтому хорошей мерой аномальности может служить, например «расстояние до k-го соседа» (см. метод Local Outlier Factor). Здесь используются специфические метрики, например расстояние Махалонобиса .
Рис. 8. Соседи нескольких элементов выборки, связь с 5м показана красным
5. Методы подмены задачи
Когда возникает новая задача, есть большой соблазн решить её старыми методами (ориентированными на уже известные задачи). Например, можно сделать кластеризацию, тогда маленькие кластеры, скорее всего, состоят из аномалий. Если у нас есть частичная информация об аномалиях (как в задаче PUC), то можно решить её как задачу классификации с классами 1 (размеченные аномалии) и 0 (все остальные объекты). Если бы класс 0 состоял только из нормальных объектов, то такое решение было бы совсем законным, иначе остаётся надеяться, что недетектированных аномалий в нём немного.
Рис. 9. Пример кластеризации на малый (красный) и большой (синий) кластер.
6. Методы машинного обучения
А что если воспринять задачу нахождения аномалий как новую задачу машинного обучения (отличную от классификации и кластеризации)?!
Самые популярные алгоритмы (есть реализация даже в scikit-learn) здесь:
- Метод опорных векторов для одного класса (OneClassSVM)
- Изолирующий лес (IsolationForest)
- Эллипсоидальная аппроксимация данных (EllipticEnvelope)
Рис. 10. Визуализация работы разных алгоритмов поиска аномалий.
- kernel – ядро (линейное: linear, полиномиальное: poly, радиальные базисные функции: rbf, сигмоидальное: sigmoid, своё заданное)
- nu – верхняя граница на %ошибок и нижняя на % опорных векторов (0.5 по умолчанию)
- degree – степень для полиномиального ядра
- gamma – коэффициент для функции ядра (1/n_features по умолчанию)
- coef0 – параметр в функции полиномиального или сигмоидального ядра
- n_estimators – число деревьев
- max_samples – объём выборки для построения одного дерева (если вещественное число, то процент всей выборки)
- contamination – доля выбросов в выборке (для выбора порога)
- max_features – число (или %) признаков, которые используются при построении одного дерева (пока работает только со значением 1.0)
- bootstrap – включение режима бутстрепа при формировании подвыборки
7. Ансамбли алгоритмов
В методы решения задач обнаружения аномалий также проникла идея «один алгоритм хорошо, а сто лучше», поэтому часто строят много разных алгоритмов. Каждый из них даёт оценку аномальности и эти оценки потом «усредняют».
Поскольку ключевым моментов в реальных задачах обнаружения аномалий является выбор признаков, которые характеризуют те или иные отклонения от нормы, алгоритмы из ансамбля строят пытаясь угадать хорошие пространства. Здесь популярны:
- Feature Bagging (не очень удачное название) – для каждого алгоритма берут случайное признаковое подпространство,
- Rotated Bagging – в выбранном случайном признаковом подпространстве совершают случайный поворот.
Кстати, здесь «усреднение» не обязательно означает среднее арифметическое всех оценок, интуитивно понятно, что часто может сработать максимум (если какой-то алгоритм уверен в аномальности объекта, то скорее всего так оно и есть).
История из практики
В задачах поиска аномалий важно понимать, как работают алгоритмы поиска, и объяснить это заказчику. Например, когда автор последний раз участвовал в решении подобной задачи, заказчик хотел средство для детектирования поломок, но из-за природы модели получился алгоритм детектирования «неправильного функционирования оборудования», т.е. он давал сигнал не только в случае поломок, но и в случае некорректной эксплуатации прибора, а также при работе в очень редких режимах. Некоторые поломки (очень частые) он всё-таки пропускал, т.к. «они уже стали для прибора нормой». Понятно, что при наличии большой размеченной выборки таких проблем не возникало бы, но на практике оборудование работает не так долго, поломок тоже мало (и не все возможные случаются), а некоторые поломки могли не заметить или заметить с запозданием. Кроме того, некоторые поломки никак не отражаются на показаниях датчиков. Изначально качество очень расстроило заказчика, но когда ему объяснили, как работает алгоритм, заказчик сверился с данными испытаний и убедился, что алгоритм очень полезный, даже если не находит какие-то поломки: его можно использовать как верификатор «работает ли прибор в штатном режиме», а это самое главное.
П.С. Код для получения рис.10 можно взять .
