izpis_h1_title_alt

Uporaba strojnega učenja na področju športne analitike : magistrsko delo
Brglez, Domen (Avtor), Todorovski, Ljupčo (Komentor)

URLURL - Predstavitvena datoteka, za dostop obiščite http://pefprints.pef.uni-lj.si/5710/ Povezava se odpre v novem oknu

Izvleček
Magistrsko delo se ukvarja z uporabo algoritmov strojnega učenja za športno analitiko. Športno analitiko lahko definiramo kot upravljanje s strukturiranimi podatki, ki jih zbiramo iz opazovanj športnih dogodkov s ciljem pridobivanja konkurenčne prednosti za športno ekipo ali posameznika. V magistrskem delu sem dokumentiral celotni postopek analize športnih podatkov, od zbiranja in urejanja podatkov v primerno obliko, preko preverjanja različnih nastavitev parametrov metod za učenje modelov, do izbire najbolj točnih napovednih modelov. Glavni namen magistrskega dela je bil priprava učnega gradiva za uvod v uporabo metod strojnega učenja, ki bi popolnim začetnikom omogočil spoznavanje različnih metod strojnega učenja skozi konkreten primer njihove uporabe. Zato v prvem delu predstavim različne metode strojnega učenja za gradnjo napovednih modelov iz podatkov in postopke merjenja točnosti napovedi. V drugem, praktičnem delu, pa se osredotočam na izbiro najbolj ustreznega napovednega modela za napovedovanje izidov tekem. Rezultati na podatkih iz lige NBA so pokazali, da so linearni modeli najbolj ustrezni za napovedovanje izidov tekem. Prvo raziskovalno vprašanje se je nanašalo na koristnost metode analize glavnih komponent za predobdelavo podatkov. Po pričakovanjih, glede na veliko število napovednih spremenljivk, se je izkazalo, da uporaba predobdelave poveča točnost napovednih modelov. Drugo raziskovalno vprašanje se je nanašalo na povezavo med uvrstitvijo ekipe in točnostjo modela za napovedovanje izidov njihovih tekem. Rezultati kažejo, da ni povezave med uvrstitvijo ekipe na lestvici NBA ob koncu sezone in točnostjo modela za napovedovanje njihovih tekem.

Jezik:Slovenski jezik
Ključne besede:športna analitika, strojno učenje, programski jeziki, napovedni modeli, liga NBA, algoritmi, umetna inteligenca
Vrsta gradiva:Magistrsko delo/naloga (mb22)
Tipologija:2.09 - Magistrsko delo
Organizacija:PEF - Pedagoška fakulteta
Leto izida:2019
Založnik:[D. Brglez]
Št. strani:94 str.
UDK:519.85:796(043.2)
COBISS.SI-ID:12427337 Povezava se odpre v novem oknu
Število ogledov:303
Število prenosov:78
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
 
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
:
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Machine learning in sports analytics
Izvleček:
This thesis deals with applying machine learning algorithms in sports analytics. Sports analytics can be defined as management of structured data collected from sport activities that would allow for getting competitive advantage for a sport team or an individual. More specifically, I am interested in predicting the results of basketball games. I used machine learning algorithms to builds prediction models from data on the outcomes of the games played within the NBA league and data on the league participants. The thesis documents the whole process of data analysis, from the early phase of data collection and transformation, through selecting optimal settings of the parameters of the algorithms for learning predictive models, to the final phase of selecting the most accurate predictive models. The main purpose of the thesis is a preparation of a guide for beginners in the field of machine learning that would familiarize interested students with machine learning algorithms through a show case of their application. To follow the purpose, the first, theoretical part of the thesis introduces different machine learning algorithms for building prediction models from data and methods for measuring the models' accuracy. The focus of the second, practical part is on building accurate models for predicting the outcomes of NBA games. Results obtained on data from the last three NBA seasons show that linear models are the most accurate ones. First research question was related to the benefit of using principal component analysis for data pre-processing. As expected, due to the large number of predictive variables, the use of principal component analysis leads to more accurate models. The focus of the second research question was on exploring the impact of team’s rank in the standings on the predictive accuracy. Results show that team’s place in the standings at the end of the season is not related to the accuracy of the model for predicting the outcomes of their games.

Ključne besede:programming, physical education, programiranje, športna vzgoja

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj