Valencia, España
El aprendizaje automático brinda la capacidad de examinar conjuntos de datos masivos y descubrir patrones dentro de los datos sin depender de suposiciones a priori. Su aplicación al ámbito del deporte, que está experimentando un rápido crecimiento, se divide en modelos predictivos (programas de entrenamiento, resultados...) y explicativos (lesiones). En esta memoria, que forma parte de un proyecto final para una asignatura de máster, empleamos técnicas de aprendizaje no supervisado (mapas autoorganizados y clústering) para agrupar jugadores en función de diferentes estadísticas (pases, goles, faltas, etc) y comparamos los resultados con sus posiciones reales de juego. Asimismo, se describen las herramientas utilizadas para implementar y visualizar los resultados, con el objetivo de que un lector pueda inspirarse para realizar su propio proyecto.
Machine learning provides the ability to examine massive datasets and discover patterns within the data without relying on a priori assumptions. Its application to the field of sport (which is experiencing rapid growth) is divided into predictive (training programmes, results...) and explanatory (injuries) models. In this report, which is part of a final project for a master’s degree course, we use unsupervised learning techniques (self-organised maps and clustering) to group players according to different statistics (passes, goals, fouls, etc.) and compare the results with their real playing positions. We also describe the tools used to implement and visualise the results, so that a reader can be inspired to carry out their own project.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados