Ανάλυση δεδομένων καλαθοσφαίρισης για την πρόβλεψη αποτελεσμάτων με επιλογή χαρακτηριστικών
| dc.contributor.advisor | Μαγκλογιάννης, Ηλίας | |
| dc.contributor.author | Μιχαλάκης, Ζαχαρίας | |
| dc.date.accessioned | 2024-05-16T08:20:36Z | |
| dc.date.available | 2024-05-16T08:20:36Z | |
| dc.date.issued | 2024-05 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16461 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3883 | |
| dc.description.abstract | Η παρούσα Μεταπτυχιακή Διπλωματική εργασία εμβαθύνει στον τομέα της Ανάλυσης Αθλητικών Δεδομένων (Sports Analytics) από το άθλημα της Καλαθοσφαίρισης (Basketball) με σκοπό την πρόβλεψη αποτελεσμάτων και την επιλογή χαρακτηριστικών (Feature Selection) που συμβάλλουν στην επίτευξη αυτού του στόχου. Η εργασία αναπτύσσει και εφαρμόζει σύγχρονες μεθοδολογίες μηχανικής μάθησης (Machine Learning) και στατιστικής ανάλυσης για την επεξεργασία και την αξιολόγηση των δεδομένων, επιδιώκοντας να αναγνωρίσει ποια δεδομένα και στατιστικά στοιχεία έχουν την μεγαλύτερη προβλεπτική αξία. Η έρευνα αρχίζει με μια εκτενή ανασκόπηση της σχετικής βιβλιογραφίας, εξετάζοντας προηγούμενες μελέτες που έχουν ασχοληθεί με την πρόβλεψη αποτελεσμάτων στον αθλητισμό και ειδικότερα στην καλαθοσφαίριση. Στη συνέχεια, παρουσιάζεται η μεθοδολογία που υιοθετήθηκε για την επεξεργασία των δεδομένων, η οποία περιλαμβάνει τεχνικές προεπεξεργασίας, επιλογής χαρακτηριστικών, και μοντελοποίησης. Ειδική έμφαση δίνεται στην εφαρμογή αλγορίθμων μηχανικής μάθησης, όπως η Logistic Regression, k-nearest neighbors (KNN), Support Vector Machine (SVM), Random Forest, για την αξιολόγηση της προβλεπτικής τους ικανότητας σε σχέση με τα αποτελέσματα των αγώνων. Ακολούθως, παρουσιάζονται τα αποτελέσματα της εφαρμογής των μεθόδων αυτών σε ένα σύνολο δεδομένων που περιλαμβάνει στατιστικά από επαγγελματικούς αγώνες καλαθοσφαίρισης και συγκεκριμένα στο Ευρωπαϊκό Πρωτάθλημα (Euroleague). Η ανάλυση επικεντρώνεται στην αξιολόγηση της σημασίας κάθε χαρακτηριστικού και της συνεισφοράς του στην πρόβλεψη του αποτελέσματος των αγώνων, καθώς και στην αποτελεσματικότητα των διαφορετικών μοντέλων πρόβλεψης. Απώτερος στόχος ήταν να κάνουμε πρόβλεψη αποτελέσματος με τους παραπάνω κατηγοριοποιητές βάσει του διαθέσιμου συνόλου δεδομένων. Τέλος, η εργασία καταλήγει με μια συζήτηση για τις προκλήσεις και τις προοπτικές της πρόβλεψης αποτελεσμάτων στην καλαθοσφαίριση, προτείνοντας διευρύνσεις για μελλοντικές ερευνητικές προσπάθειες. Επιπλέον, αναγνωρίζεται η σημασία της ενσωμάτωσης περισσότερων δεδομένων και της βελτίωσης των αλγορίθμων μηχανικής μάθησης για την αύξηση της ακρίβειας των προβλέψεων. Η εργασία αυτή συμβάλλει στον τομέα της αναλυτικής αθλητικής επιστήμης, προσφέροντας πολύτιμες διορατικότητες για την εφαρμογή της μηχανικής μάθησης στην πρόβλεψη αθλητικών αποτελεσμάτων. | el |
| dc.format.extent | 58 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
| dc.title | Ανάλυση δεδομένων καλαθοσφαίρισης για την πρόβλεψη αποτελεσμάτων με επιλογή χαρακτηριστικών | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | This Master's thesis delves into the field of Sports Data Analysis from the sport of Basketball in order to predict results and select characteristics that contribute to the achievement of this goal. The paper develops and applies modern machine learning and statistical analysis methodologies to process and evaluate data, seeking to identify which data and statistics have the greatest predictive value. The research begins with an extensive review of the relevant literature, examining previous studies that have dealt with outcome prediction in sport and basketball in particular. The methodology adopted for data processing is then presented, which includes pre-processing, feature selection, and modelling techniques. Special emphasis is given to the application of machine learning algorithms, such as Logistic Regression, k-nearest neighbors (KNN), Support Vector Machine (SVM), Random Forest, Neural Network(Multi-layer Perceptron), to evaluate their predictive ability with respect to game outcomes. Another goal was to make a forecast of the last 5 years with the above classifiers, based on previous years for each dataset. In the following, the results of the application of these methods to a dataset that includes statistics from professional basketball games, specifically the European League (Euroleague), are presented. The analysis focuses on evaluating the importance of each attribute and its contribution to predicting the outcome of the games, as well as the effectiveness of the different prediction models. The ultimate goal was to make outcome prediction with the above categorizers based on the available dataset. Finally, the paper concludes with a discussion of the challenges and prospects of outcome prediction in basketball, suggesting extensions for future research efforts. In addition, the importance of incorporating more data and improving machine learning algorithms to increase the accuracy of predictions is acknowledged. This work contributes to the field of analytical sports science by providing valuable insights for the application of machine learning to sports outcome prediction. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Basketball | el |
| dc.subject.keyword | Euroleague | el |
| dc.subject.keyword | Sports Analytics | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Logistic regression | el |
| dc.subject.keyword | Support vector machine | el |
| dc.subject.keyword | Random forest | el |
| dc.subject.keyword | k-nearest neighbors | el |
| dc.subject.keyword | Big data | el |
| dc.date.defense | 2024-04 |
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 - Παρόμοια Διανομή 3.0 Ελλάδα
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα