Αναλυτική αθλητικών δεδομένων : αξιολόγηση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη νικητήριας ομάδας για το αγγλικό πρωτάθλημα ποδοσφαίρου (EPL)
| dc.contributor.advisor | Μαγκλογιάννης, Ηλίας | |
| dc.contributor.author | Γιάχου, Σεβαστή | |
| dc.date.accessioned | 2023-03-24T10:13:10Z | |
| dc.date.available | 2023-03-24T10:13:10Z | |
| dc.date.issued | 2023-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15283 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2705 | |
| dc.description.abstract | Οι τεχνικές εξόρυξης δεδομένων έχουν εφαρμοστεί με επιτυχία σε πολλούς επιστημονικούς, βιομηχανικούς και επιχειρηματικούς τομείς. Στον τομέα του επαγγελματικού αθλητισμού είναι γνωστό πως συλλέγονται τεράστιες ποσότητες δεδομένων για κάθε παίκτη, προπόνηση, ομάδα, παιχνίδι και σεζόν, ωστόσο η αποτελεσματική χρήση αυτών των δεδομένων εξακολουθεί να είναι περιορισμένη. Πολλοί αθλητικοί οργανισμοί έχουν αρχίσει να συνειδητοποιούν ότι υπάρχει πληθώρα αναξιοποίητων γνώσεων που περιέχονται στα δεδομένα τους και υπάρχει αυξανόμενο ενδιαφέρον για τεχνικές για τη χρήση αυτών. Ο στόχος αυτής της μελέτης είναι η ανάπτυξη ισχυρών μοντέλων με σκοπό την πρόβλεψη της νικητήριας ομάδας του αγγλικού πρωταθλήματος με την υψηλότερη δυνατή ακρίβεια, χρησιμοποιώντας και αξιολογώντας την απόδοση των σχετικών με το πρόβλημα, αλγορίθμων επιβλεπόμενης μηχανικής μάθησης. Χρησιμοποιήθηκαν στατιστικά στοιχεία για είκοσι δύο σεζόν του Αγγλικού Πρωταθλήματος τα οποία αποκτήθηκαν με την μέθοδο web-scrapping από την ιστοσελίδα transfermarkt. Τόσο η απόκτηση των δεδομένων, όσο και η υλοποίηση έγινε εξολοκλήρου σε γλώσσα προγραμματισμού Python και το επίπεδο ακρίβειας που επιτεύχθηκε κατά την υλοποίηση του προβλεπτικού μοντέλου, ανέρχεται σε 90 %. | el |
| dc.format.extent | 61 | 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 | Αναλυτική αθλητικών δεδομένων : αξιολόγηση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη νικητήριας ομάδας για το αγγλικό πρωτάθλημα ποδοσφαίρου (EPL) | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Data mining techniques have been successfully applied in many scientific, industrial and business fields. In the field of professional sports it is known that huge amounts of data are collected for every player, practice, team, game and season, but the effective use of this data is still limited. Many sports organizations are beginning to realize that there is a wealth of untapped knowledge contained in their data and there is a growing interest in techniques to use it. The objective of this study is the development of robust models to predict the winning team of the English league with the highest possible precision using and evaluating the performance of problem-specific supervised machine learning algorithms. Statistics for the twenty two seasons of the English Championship were used which were obtained by using web-scraping method from the transfermarkt website. Both the acquisition of the data and the implementation was done entirely in Python programming language and the level of accuracy achieved during the implementation of the predictive model is 90 %. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Ανάλυση αθλητικών δεδομένων | el |
| dc.subject.keyword | Τεχνητά νευρωνικά δίκτυα | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.date.defense | 2023-03-06 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
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