Πρόβλεψη αποτελεσμάτων αγώνων με τεχνικές αναλυτικής δεδομένων αθλητών
| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Κωνσταντίνου, Σταυρούλα | |
| dc.date.accessioned | 2022-11-30T12:38:32Z | |
| dc.date.available | 2022-11-30T12:38:32Z | |
| dc.date.issued | 2022-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14860 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2282 | |
| dc.description.abstract | Στην εποχή της ραγδαίας μετάδοσης της πληροφορίας και της συνεχούς εξέλιξης των μεθόδων συλλογής και ανάλυσης δεδομένων αθλητών, η παγκόσμια βιομηχανία του ποδοσφαίρου δε θα μπορούσε να μείνει αμέτοχη. Υπέρογκα χρηματικά ποσά διατίθενται σε αναλύσεις για κατάλληλο σχηματισμό ομάδων, και σχεδιασμό παιχνιδιών. Μεγάλα χρηματικά ποσά επενδύονται στην εξόρυξη γνώσης από αθλητικά δεδομένα, με σκοπό την αύξηση κερδών και θεαματικότητας. Οι μέθοδοι αξιολόγησης παικτών είναι ένας τομέας ανάλυσης που βοηθά στη χάραξη στρατηγικών και στη διαμόρφωση ισχυρών ποδοσφαιρικών ομάδων. Στη μελέτη αυτή εφαρμόσαμε ένα καινοτόμο πλαίσιο αξιολόγησης και βαθμολογικής κατάταξης παικτών ποδοσφαίρου, το οποίο θεμελιώνεται σε μεθόδους μηχανικής μάθησης, και τροφοδοτείται με έναν συγκεκριμένο τύπο δεδομένων, τα λεγόμενα soccer-logs. Τα αποτελέσματα των αλγορίθμων έδειξαν ότι το πλαίσιο αυτό αποδίδει καλύτερα σε μεγάλου όγκου δεδομένα τέτοιας μορφής. | el |
| dc.format.extent | 66 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Πρόβλεψη αποτελεσμάτων αγώνων με τεχνικές αναλυτικής δεδομένων αθλητών | el |
| dc.title.alternative | Match outcome forecasting with sport analytic techniques | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | In the era of rapid information transfer and the continuous development of sports data collection and analytics methods, the global soccer industry could not be uninvolved. Exorbitant amounts of money are invested in the proper team formation and game planning analysis. Considerable amounts of money are invested in sports data mining, with the intention of profit and ratings increase. Football players evaluation is an analysis field that helps in strategic planning and constructing powerful teams. In this study we implement an innovative framework of rating and ranking football players which is based on machine learning algorithms and accepts a specific data type as input, the so-called soccer-logs. The results showed that this framework performs better on big data of this type. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Ποδόσφαιρο | el |
| dc.subject.keyword | Εξόρυξη γνώσης | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Soccer-logs | el |
| dc.date.defense | 2022-10-31 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα