| dc.contributor.advisor | Μπερσίμης, Σωτήριος | |
| dc.contributor.author | Βασιλείου, Λεωνίδας | |
| dc.date.accessioned | 2024-09-06T06:14:33Z | |
| dc.date.available | 2024-09-06T06:14:33Z | |
| dc.date.issued | 2024-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16724 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4146 | |
| dc.description.abstract | Στις μέρες μας η ραγδαία ανάπτυξη της μηχανικής μάθησης αποτελεί ένα χρήσιμο
εργαλείο σε διάφορους κλάδους της καθημερινότητας. Ένας από αυτούς είναι και η
καλαθοσφαίριση.
Στα πλαίσια της διπλωματικής εργασίας εξερευνάται η σχέση της
καλαθοσφαίρισης με την μηχανική μάθηση. Πιο αναλυτικά θα μελετηθούν οι
παράγοντες που επηρεάζουν την απόδοση μιας ομάδας, με την ανίχνευση του
σύγχρονου τρόπου παιχνιδιού μέσω συσταδοποίησης. Επιπλέον ερευνώνται τα
χαρακτηριστικά που δίνουν μεγαλύτερη προβλεπτική ικανότητα, αναμεσά στα
κλασικά στατιστικά και σε πιο αναλυτικούς δείκτες. Για την επίτευξη των
προαναφερθέντων, συλλέχθηκαν δεδομένα από την επίσημη ιστοσελίδα του ΝΒΑ και
εφαρμόστηκαν πολλαπλές μέθοδοι μηχανικής μάθησης, για πιο ακριβή
αποτελέσματα.
Ακόμη δίνεται μια εκτενής ματιά στην ιστορία της καλαθοσφαίρισης, από τα
πρώιμα χρονιά μέχρι και την εισαγωγή των δεδομένων. Γίνεται αναλυτική
βιβλιογραφική ανασκόπηση και ερευνάται επιπλέον το θεωρητικό υπόβαθρο των
μεθόδων.
Από τις εφαρμογές προέκυψαν 12 είδη παικτών, καθώς και η σημασία των
παικτών που είναι αποτελεσματικοί πίσω από την γραμμή τριών πόντων και είναι
κορυφαίοι αμυντικοί, η ρευστότητα των σύγχρονων forward και η σημασία των
ψηλών. Για τα προβλεπτικά μοντέλα προέκυψε ότι η καλύτερη μέθοδος διαφέρει
ανάλογα με την επιλογή των χαρακτηριστικών. Τα συνελικτικά νευρωνικά δίκτυα και
η λογιστική παλινδρόμηση παρουσίασαν την καλύτερη απόδοση για διαφορετικά
σύνολα μεταβλητών. | el |
| dc.format.extent | 120 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Αξιολόγηση ομάδων καλαθοσφαίρισης με τεχνικές μηχανικής μάθησης | el |
| dc.title.alternative | Evaluating basketball teams with machine learning techniques | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | Nowadays, the rapid development of machine learning is a useful tool in various
branches of everyday life. One of them is basketball.
In the context of the thesis, the relationship between basketball and machine
learning is explored. More specifically the factors that affect a team’s performance
will be studied, by identifying the modern playstyle through clustering. In addition,
the characteristics that give greater predictive ability are investigated, among classic
statistics and more analytical metrics. To achieve the above, data was collected from
the official NBA website and multiple machine learning methods were applied for
more accurate results.
Moreover, it is given an extensive look at the history of basketball, from the
earlier years to the introduction of analytics in basketball. An analytical literature
review is carried out and the theoretical background of the methods is additionally
investigated.
From the applications emerged the importance of players who are effective behind
the three-point line and are elite defenders, the fluidity of modern forwards and the
importance of big men. For predictive models it was found that the best method
differs depending on the choice of features. Convolutional neural networks and
logistic regression gave the best performance for different sets of variables. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Sports analytics | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Μηχανικη μαθηση | el |
| dc.subject.keyword | K-means clustering | el |
| dc.subject.keyword | Outcome prediction | el |
| dc.date.defense | 2024-06-25 | |
