The Math Behind Basketball's Wildest Moves | Rajiv Maheswaran | TED Talks

1,106,478 views ・ 2015-07-06

TED


Videoyu oynatmak için lütfen aşağıdaki İngilizce altyazılara çift tıklayınız.

Çeviri: pinar sadi Gözden geçirme: Sancak Gülgen
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Çalışma arkadaşlarım ve ben; hareketli nokta bilimi tarafından büyülendik.
00:16
So what are these dots?
1
16927
1150
Bu hareketli noktalar nedir?
00:18
Well, it's all of us.
2
18101
1287
O noktalar biziz.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
Tüm dünyada ve şehirler boyunca evlerimizde, ofislerimizde
00:24
throughout our cities and around the world.
4
24521
2066
alışveriş yaparken ve seyahat ederken yer değiştiriyoruz.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
Tüm bu hareketleri anlayabilseydik harika olmaz mıydı?
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
Tüm bunların örüntüsünü, anlamını ve içyüzünü bulabilsek.
00:34
And luckily for us, we live in a time
7
34259
1785
Şansımıza kendimiz hakkında bilgileri
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
yakalamada iyi olduğumuz bir zamandayız.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
İster video, uygulama, isterse sensörler aracılığıyla
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
çok ince ayrıntılarda hareketleri izleyebiliyoruz.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
Ve görünen o ki en iyi hareket verilerinin alındığı alan
00:53
is sports.
12
53148
1208
spor branşları.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Basketbol ya da beyzbol olsun veya futbol ya da diğer futbolda
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
hareketlerini izleyebilmek için
oyuncularımızı ve stadyumları kullanıyoruz,
01:04
every fraction of a second.
15
64465
1313
saniyenin her parçası için.
01:05
So what we're doing is turning our athletes into --
16
65802
4382
Tam olarak yaptığımız ise atletlerimizi dönüştürüyoruz --
01:10
you probably guessed it --
17
70208
1959
muhtemelen tahmin ettiniz --
01:12
moving dots.
18
72191
1396
hareketli noktalara.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Böylelikle dağlar kadar hareket eden noktamız var ve çoğunluğu işlenmemiş veri,
01:18
it's hard to deal with and not that interesting.
20
78904
2502
uğraşması zor ve o kadar da ilgi çekici değiller.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
Ama bazı şeyler var ki örneğin, basketbol koçlarının bilmek istediği.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
Problem ise bunları bilemezler, çünkü hatırlamak ve işlemek için her oyunun
01:29
of every game, remember it and process it.
23
89057
2589
her saniyesini izlemeleri gerekir.
01:31
And a person can't do that,
24
91804
1930
Bir insan bunu yapamaz
01:33
but a machine can.
25
93758
1310
ama bir makine yapabilir.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
Problem ise; makine oyunu koçun gözünden yorumlayamaz.
01:39
At least they couldn't until now.
27
99363
2261
En azından şimdiye kadar öyleydi.
01:42
So what have we taught the machine to see?
28
102228
2103
Peki, makineye görmesi için ne öğrettik?
01:45
So, we started simply.
29
105569
1787
Basitten başladık.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
Paslar, atışlar ve ribaundlar gibi şeyleri öğrettik.
01:51
Things that most casual fans would know.
31
111203
2541
Çoğu hayranın bildiği şeyler.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
Daha sonra biraz daha karmaşıklarına yöneldik.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Post-up, pick-and-roll (perdele ve yuvarlan)
gibi hücumlar ve isolation gibi.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Bunları bilmiyorsanız sorun yok. Çoğu oyuncu muhtemelen bilir.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
Şu an geldiğimiz nokta, makine karmaşık olayları anlıyor;
02:10
like down screens and wide pins.
36
130924
3073
down screen ve wide pin gibi.
02:14
Basically things only professionals know.
37
134021
2726
Genelde profesyonellerin bildiği şeyler.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Yani makineye koçun gözüyle yorumlamasını öğrettik.
02:22
So how have we been able to do this?
39
142009
1857
Peki bunu nasıl yapabildik?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Bir koçtan pick-and-roll hücumu gibi bir şeyi anlatmasını istesem
02:27
they would give me a description,
41
147653
1640
bana bir tanım verecektir
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
ve eğer onu algoritmaya çevirirsem korkunç olacaktır.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
Pick-and-roll; basketbolda 4 oyuncu, 2 savunma ve 2 hücum, arasında
02:37
two on offense and two on defense.
44
157328
1912
olan bir dans gibidir.
02:39
And here's kind of how it goes.
45
159486
1618
İşte nasıl olduğu.
02:41
So there's the guy on offense without the ball
46
161128
2533
Hücumda topa sahip olmayan adam,
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
topa sahip olanı koruyanın yanına gider,
02:46
and he kind of stays there
48
166918
1257
orada durur
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
ve hepsi de hareket eder, olaylar gelişir ve işte pick-and-roll!
02:51
(Laughter)
50
171540
2215
(Gülüşmeler)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Ayrıca bu berbat bir algoritmanın da bir örneğiydi.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Eğer müdahale eden (perdeleme yapan) oyuncu -- screener denilir --
03:01
goes close by, but he doesn't stop,
53
181278
2872
yakınından gider ama durmazsa
03:04
it's probably not a pick-and-roll.
54
184174
1765
bu muhtemelen pick-and-roll değildir.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
Eğer durur ama yeteri kadar yakın durmazsa,
03:10
it's probably not a pick-and-roll.
56
190529
1761
muhtemelen pick-and-roll değildir.
03:12
Or, if he does go close by and he does stop
57
192642
3237
Veya yakın gider ve durur
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
ama potanın altında yaparlarsa, muhtemelen pick-and-roll değildir.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
Ya da yanılabilirim, hepsi de pick-and-roll olabilir.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
Zamanlamaya, uzaklıklara, konumlara dayanıyor
03:26
and that's what makes it hard.
61
206602
1495
ve zorlaştıran da bunlar zaten.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Neyse ki, makine öğrenmesiyle yeteneklerimizin ötesine gidebiliriz
03:33
to describe the things we know.
63
213547
1743
bildiklerimizi betimlemek için.
03:35
So how does this work? Well, it's by example.
64
215314
2280
Peki, bu nasıl oluyor? Örnekle.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Makineye gidiyoruz ve diyoruz ki, "Günaydın makine.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
Burada birkaç pick-and-roll olan ve olmayan şeyler var.
03:44
Please find a way to tell the difference."
67
224720
2252
Lütfen farkı söylemek için bir yol bul."
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
Tüm bunların anahtarı ise ayrıştırabilecek özellikleri bulmakta.
03:50
So if I was going to teach it the difference
69
230807
2109
Yani eğer bir elma ile portakal arasındaki
03:52
between an apple and orange,
70
232940
1381
farkı öğreteceksem:
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
"Neden renk veya şekli kullanmıyorsun?" diyebilirim.
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
Ve burada çözdüğümüz problem ise, bu şeyler ne?
03:59
What are the key features
73
239711
1247
Ana unsurlar nedir,
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
bilgisayarın hareketli noktalar dünyasını yönlendirebileceği?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Tüm bu göreli ve mutlak konum, uzaklık, zamanlama, hızlar
04:09
distance, timing, velocities --
76
249352
1909
ilişkilerini çözmek --
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
hareketli noktalar biliminin kilidi ya da hitap etmeyi sevdiğimiz şekliyle,
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
Uzaysal/Zamansal Örüntü Tanımlama, akademik dilde.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Çünkü ilk olarak kulağa zor gelen bir şey yapmalısınız--
04:22
because it is.
80
262847
1278
çünkü öyle.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Kilit şey ise, NBA koçları için, pick-and-roll olup olmadığını
04:27
whether a pick-and-roll happened or not.
82
267575
1922
bilmek istemeleri değil.
04:29
It's that they want to know how it happened.
83
269521
2076
Nasıl olduğunu bilmek istemeleri.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Neden onlar için bu kadar önemli? İşte biraz içgörü.
04:34
It turns out in modern basketball,
85
274631
1771
Anlaşılan o ki modern basketbolda,
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
bu pick-and-roll belki de en önemli oyun olmuş durumda.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Ve nasıl oynandığını bilmek, nasıl savunulacağını bilmek
04:41
is basically a key to winning and losing most games.
88
281709
2670
aslında çoğu oyunu kazanmanın ve kaybetmenin anahtarı.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Görünüşe göre bu dans birçok harika çeşitlemelere sahip
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
ve asıl önemli olan çeşitlemeleri tanımlamak,
04:51
and that's why we need this to be really, really good.
91
291900
2529
bu yüzden bunun çok çok iyi olması gerekiyor.
04:55
So, here's an example.
92
295228
1176
İşte bir örnek.
04:56
There are two offensive and two defensive players,
93
296428
2379
İki hücum, iki savunma oyuncusu var,
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
pick-and-roll dansına hazırlanan.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
Pekâlâ, toplu olan adam alabilir veya geri çevirebilir.
05:04
His teammate can either roll or pop.
96
304086
3001
Takım arkadaşı ya devrilebilir ya da dışarı açılabilir.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
Topu koruyan adam ya üstten geçebilir ya da alttan.
Onun takım arkadaşı show-up ya da yakın temas
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
veya soft show-up oynayabilir
05:14
and together they can either switch or blitz
99
314710
2618
ve birlikte switch (değişme) ya da blitz yapabilirler,
05:17
and I didn't know most of these things when I started
100
317352
2659
başladığımda bunların çoğunu bilmiyordum
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
ve herkes bu oklara göre hareket etseler çok iyi olurdu.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
İşlerimizi kolaylaştırırdı ama görünen o ki hareket oldukça karışık.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
İnsanlar fazla hareket ediyor ve tüm bu değişimleri saptamak,
05:33
with very high accuracy,
104
333555
1303
üstelik yüksek kesinlikte,
05:34
both in precision and recall, is tough
105
334882
1868
hem duyarlılıkta hem de geri almada zor,
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
çünkü bunların hepsi, koçun size inanması için gerekenler.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Ve tüm zorluklara rağmen, doğru uzaysal/zamansal özelliklerle
05:43
we have been able to do that.
108
343820
1474
yapabildik.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Koçlar, bu değişimleri saptamada makinemizin yeteneğine güvendi.
05:49
We're at the point where almost every single contender
110
349478
3533
Şu an olduğumuz nokta, neredeyse her bir yarışmacı
05:53
for an NBA championship this year
111
353035
1623
bu yılki NBA şampiyonluğu için
05:54
is using our software, which is built on a machine that understands
112
354682
4408
yazılımımızı kullanıyor, basketbolun hareketli noktalarını anlayan
05:59
the moving dots of basketball.
113
359114
1634
makineye kurulmuş olan.
06:01
So not only that, we have given advice that has changed strategies
114
361872
5153
Yalnız bu değil, stratejileri değiştirecek tavsiyeler de verdik,
06:07
that have helped teams win very important games,
115
367049
3352
takımların çok önemli maçları yenmelerine yardım eden
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
ve çok heyecan verici bir şey bu, çünkü 30 yıldır ligde olan
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
makineden tavsiye almaya hevesli koçlar var.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
Çok heyecan verici, pick'n roll'dan çok daha fazla.
06:20
Our computer started out with simple things
119
380804
2076
Bilgisayarımız basit şeylerle başladı
06:22
and learned more and more complex things
120
382904
2064
ve gitgide daha karmaşık şeyler öğrendi
06:24
and now it knows so many things.
121
384992
1561
ve artık çok fazla şey biliyor.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
Açıkçası, yaptığının çoğunu anlamıyorum
06:29
and while it's not that special to be smarter than me,
123
389436
3715
ve benden akıllı olması o kadar da özel olmamasına rağmen
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
merak ediyorduk, bir makine koçtan daha fazla bilebilir mi?
06:36
Can it know more than person could know?
125
396843
2055
Bir insandan fazlasını bilebilir mi?
06:38
And it turns out the answer is yes.
126
398922
1745
Ve görünüşe göre cevap, evet.
06:40
The coaches want players to take good shots.
127
400691
2557
Koçlar, oyuncuların iyi sayılar atmalarını isterler.
06:43
So if I'm standing near the basket
128
403272
1651
Yani, potaya yakın duruyorsam
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
ve yakınımda kimse yoksa, bu iyi atıştır.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
Savunma oyuncularıyla çevrili ve uzaktaysam, bu genelde kötü bir atıştır.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
Ama iyinin ne kadar "iyi" olduğunu veya
kötününse ne kadar "kötü" olduğunu nicel olarak bilemeyiz.
06:56
Until now.
132
416209
1150
Şimdiye kadar.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Yani yapacağımız, tekrardan, uzaysal/zamansal özellikleri
07:00
we looked at every shot.
134
420853
1374
kullanarak her şuta baktık.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
Görebiliyoruz ki: Atış nerede? Potaya olan açı ne?
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
Savunma oyuncularının konumları neresi? Uzaklıkları nasıl?
Açıları nasıl?
07:08
What are their angles?
137
428066
1331
Çoklu savunma oyuncuları için
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
oyuncuların nasıl hareket ettiklerine bakabilir
07:12
and predict the shot type.
139
432422
1433
ve atış tipini kestirebiliriz.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Hızlarına bakabilir ve bir model tasarlayabiliriz,
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
bu şartlar altında yapılan atışın olabilirliğini tahmin edebilecek.
07:22
So why is this important?
142
442188
1500
Peki bu neden önemli?
07:24
We can take something that was shooting,
143
444102
2803
Atışa ait herhangi bir şeyi alıp
07:26
which was one thing before, and turn it into two things:
144
446929
2680
ki bu tek bir şeydi önceden, bunu iki şeye çevirebiliriz:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
Şutun kalitesi ve şut atanın kalitesi.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Ve kabarcık grafiği, çünkü kabarcık grafiksiz bir TED nedir ki?
07:36
(Laughter)
147
456966
1014
(Kahkahalar)
07:38
Those are NBA players.
148
458004
1311
Bunlar NBA oyuncuları.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
Büyüklük oyuncuların boyları ve renkte pozisyon.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
X ekseninde atış olasılıkları var.
07:44
People on the left take difficult shots,
151
464639
1953
Soldaki kişiler zor şutları atanlar,
07:46
on the right, they take easy shots.
152
466616
2229
sağdakiler ise kolay şutları atanlar.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
Y ekseni ise atış kabiliyetleri.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
İyi olan kişiler üstte, kötüler ise altta.
07:53
So for example, if there was a player
155
473861
1760
Örneğin, eğer şutlarının
07:55
who generally made 47 percent of their shots,
156
475621
2097
genelde %47'sini atan bir oyuncu varsa,
07:57
that's all you knew before.
157
477718
1389
tek bildiğiniz sadece buydu.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Ama bugün, bu oyuncunun şutu ortalama bir NBA oyuncusunun
08:04
would make 49 percent of the time,
159
484219
1961
zamanın yüzde 49'u kadar yaptığı
08:06
and they are two percent worse.
160
486204
1684
ve yüzde 2 kadar daha az.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
Ve önemli olmasının sebebi de orada bir sürü %47'ler var.
08:13
And so it's really important to know
162
493714
2549
Yani eğer 100 milyon dolar vermeyi düşündüğünüz 47;
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
kötü atışlar atan iyi bir şut atan mı
08:20
is a good shooter who takes bad shots
164
500267
3055
yoksa iyi atışlar atan kötü bir şut atan mı
08:23
or a bad shooter who takes good shots.
165
503346
2397
olduğunu bilmek gerçekten önemli.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
Makine öğrenmesi sadece oyunculara nasıl baktığımızı değiştirmez
08:30
it changes how we look at the game.
167
510487
1858
ama oyuna nasıl baktığımızı değiştirir.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
NBA finallerinde birkaç yıl önce çok heyecan verici bir maç vardı.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
Miami 3 sayı gerideydi, 20 saniye kalmıştı.
08:39
They were about to lose the championship.
170
519379
2025
Şampiyonayı kaybetmek üzereydiler.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
LeBron James adındaki beyefendi geldi ve eşitlik için 3'lük denedi.
08:44
He missed.
172
524793
1198
Kaçırdı.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
Takım arkadaşı Chris Bosh ribaund aldı,
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
diğer takım arkadaşı, Ray Allen'a pas attı.
08:50
He sank a three. It went into overtime.
175
530059
1919
Bir 3'lük attı. Maç uzatmaya gitti.
08:52
They won the game. They won the championship.
176
532002
2096
Maçı kazandılar. Şampiyonayı kazandılar.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Basketbolun en heyecanlı maçlarından biriydi.
08:57
And our ability to know the shot probability for every player
178
537438
3429
Ve her oyuncu için her saniyede şut olasılığını bilmede
09:00
at every second,
179
540891
1188
bizim yeteneğimiz ve
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
her saniyede ribaund almalarındaki olabilirlik
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
daha önce olmamış bir şekilde bu ana ışık tutabilir.
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
Şimdi maalesef, o videoyu gösteremem.
09:12
But for you, we recreated that moment
183
552310
4493
Ama sizin için, o anı canlandırdık,
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
haftalık basketbol maçımızda üç hafta önce.
09:19
(Laughter)
185
559279
2167
(Kahkahalar)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
Ve içyüzüne ışık tutan izlemeyi de tekrar canlandırdık.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Ve işte biz. Burası Los Angeles Çin mahallesinde
09:29
a park we play at every week,
188
569478
1564
her hafta oynadığımız bir park
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
ve bu da Ray Allen anını ve ilgili
09:33
and all the tracking that's associated with it.
190
573321
2229
tüm izlemeleri canlandıran bizler.
09:36
So, here's the shot.
191
576772
1517
Ve işte şut.
09:38
I'm going to show you that moment
192
578313
2516
Size o anı göstereceğim
09:40
and all the insights of that moment.
193
580853
2587
ve o anın bütün içyüzünü.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
Tek fark, profesyonel oyuncular yerine biz varız
09:47
and instead of a professional announcer, it's me.
195
587218
2618
ve profesyonel spiker yerine ben varım.
09:49
So, bear with me.
196
589860
1477
Bu yüzden, sabredin.
09:53
Miami.
197
593153
1150
Miami
09:54
Down three.
198
594671
1150
3 sayı geride.
09:56
Twenty seconds left.
199
596107
1150
20 saniye kaldı.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff topu getiriyor.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh yakaladı, 3'lük deniyor!
10:04
[Calculating shot probability]
202
604631
1849
[Atış olasılığı hesaplanıyor]
10:07
[Shot quality]
203
607278
1150
[Atış kalitesi]
10:09
[Rebound probability]
204
609048
1785
[Ribaund olasılığı]
10:12
Won't go!
205
612373
1173
Girmedi!
10:13
[Rebound probability]
206
613570
1446
[Ribaund olasılığı]
10:15
Rebound, Noel.
207
615777
1256
Ribaund Noel'de.
10:17
Back to Daria.
208
617057
1150
Daria'ya geldi.
10:18
[Shot quality]
209
618509
3365
[Atış kalitesi]
10:22
Her three-pointer -- bang!
210
622676
1620
3'lük atışı -- basket!
10:24
Tie game with five seconds left.
211
624320
2197
5 saniye kala eşitlik.
10:26
The crowd goes wild.
212
626880
1618
Kalabalık çıldırır.
10:28
(Laughter)
213
628522
1659
(Kahkahalar)
10:30
That's roughly how it happened.
214
630205
1547
Bu kabaca nasıl gerçekleştiğiydi.
10:31
(Applause)
215
631776
1151
(Alkış)
10:32
Roughly.
216
632951
1175
Yaklaşık olarak.
10:34
(Applause)
217
634150
1531
(Alkış)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
O an, NBA'de yaklaşık %9 gerçekleşme ihtimaline sahip,
10:41
and we know that and a great many other things.
219
641629
2261
biz bunu biliyoruz ve daha birçok diğer şeyleri.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Bunun gerçekleşmesinin ne kadar zamanımızı aldığını söylemeyeceğim.
10:47
(Laughter)
221
647429
1747
(Gülüşmeler)
10:49
Okay, I will! It was four.
222
649200
1872
Tamam, söyleyeceğim! Dört kez.
10:51
(Laughter)
223
651096
1001
(Gülüşmeler)
10:52
Way to go, Daria.
224
652121
1165
Tebrikler Daria.
10:53
But the important thing about that video
225
653647
4263
Ama videoyla ilgili önemli şey
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
ve her NBA maçının her saniyesinin bilgilerindeki şey-- bu değil.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
Gerçek şu ki, hareketleri izlemek için profesyonel bir takım olmanıza gerek yok.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
Harekete ilişkin bilgiler için profesyonel bir oyuncu olmanıza gerek yok.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
Hatta, spor bile olmasına gerek yok, çünkü her yere hareket ediyoruz.
11:15
We're moving in our homes,
230
675654
2369
Evlerimizde hareket ediyoruz,
11:21
in our offices,
231
681428
1205
ofislerimizde,
11:24
as we shop and we travel
232
684238
2690
alışveriş yaparken ve seyahat ederken,
11:29
throughout our cities
233
689318
1253
şehirler boyunca
11:32
and around our world.
234
692065
1618
ve tüm dünyada.
11:35
What will we know? What will we learn?
235
695270
2295
Ne anlayacağız? Ne öğreneceğiz?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Belki de, pick'n rolları tanımlamak yerine,
11:39
a machine can identify the moment and let me know
237
699918
3010
bir makine anı tanımlayabilir ve bana
11:42
when my daughter takes her first steps.
238
702952
2059
kızımın ilk adımlarını haber verebilir.
11:45
Which could literally be happening any second now.
239
705035
2536
Ki şu an gerçekten gerçekleşiyor olabilir.
Belki de binalarımızı daha iyi kullanabilir
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
ve şehirlerimizi daha iyi planlayabiliriz.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
İnanıyorum ki; hareketli noktalar biliminin gelişimiyle
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
daha iyi, daha akıllı ve daha ileri hareket edeceğiz.
12:00
Thank you very much.
243
720607
1189
Çok teşekkürler.
12:01
(Applause)
244
721820
5045
(Alkışlar)
Bu web sitesi hakkında

Bu site size İngilizce öğrenmek için yararlı olan YouTube videolarını tanıtacaktır. Dünyanın dört bir yanından birinci sınıf öğretmenler tarafından verilen İngilizce derslerini göreceksiniz. Videoyu oradan oynatmak için her video sayfasında görüntülenen İngilizce altyazılara çift tıklayın. Altyazılar video oynatımı ile senkronize olarak kayar. Herhangi bir yorumunuz veya isteğiniz varsa, lütfen bu iletişim formunu kullanarak bizimle iletişime geçin.

https://forms.gle/WvT1wiN1qDtmnspy7