Modeliranje play-by-play podatkov o košarkarskih tekmah s pomočjo vektorske vložitveKolar, Žiga (Avtor) Kononenko, Igor (Mentor) Vračar, Petar (Komentor) globoko učenjegloboke nevronske mrežemodeliranje košarkarskih tekemmodeliranje play-by-play podatkovZ napredkom strojnega učenja se je velik preboj naredil na področju športnega modeliranja. Podatkov play-by-play (podatki iz zapisnika) za eno sezono je več kot 400.000, kar je primerno za modeliranje košarkarske tekme z uporabo umetnih nevronskih mrež. Košarkarska tekma se modelira z dvema korakoma. Prvi je napoved naslednjega dogodka na tekmi, drugi pa je napoved časa med dvema dogodkoma. Algoritem prejme na vhodu vse prejšnje dogodke, kontekst tekme ter zmogljivosti ekip, vrne pa verjetnostno porazdelitev za naslednji dogodek. Slednja se nato vzorči in vrne naslednji dogodek na tekmi. Nato iz vseh dogodkov zgradimo verigo vseh dogodkov in dobimo vsak dogodek na tekmi, iz česar lahko izračunamo, kolikokrat se je vsak dogodek ponovil. Čas med dvema dogodkoma se modelira s homogenim modelom, ki na podlagi trenutnega časa vzorči vsa možna nadaljevanja. V naših poskusih se je za najboljši model izkazal model, ki za upodobitev ekip uporablja kombinacijo ratinga SRS in štirih faktorjev. Logiko vektorske vložitve smo preverjali z algoritmom TSNE. Ugotovili smo, da se algoritem nauči nekaj o ekipah, saj je venomer našel vsaj eno povezavo bodisi s številom točk, bodisi s katerim drugim atributom. Skladno s preteklimi študijami se je stavnica izkazala za najboljšo napovedovalko zmagovalcev košarkarskih tekem.20212021-04-13 11:15:00Diplomsko delo/naloga126153sl