Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL)
Σήμερα κυριαρχεί η πεποίθηση ότι η πληροφορική αποτελεί αναπόσπαστο κομμάτι σε κάθε επάγγελμα. Εξαίρεση δεν θα μπορούσε να αποτελεί και ο αθλητισμός. Η παρούσα μελέτη λοιπόν, ασχολείται με την επιστήμη της ανάλυσης δεδομένων στον στίβο του αθλητισμού. Πιο συγκεκριμένα, εστιάζει στο αμερικάνικο ποδόσ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25469 |
| id |
nemertes-10889-25469 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Νευρωνικά δίκτυα Αθλητισμός Αμερικάνικο ποδόσφαιρο Τεχνητή νοημοσύνη Machine learning Neural networks Sports American football Artifical intelligence |
| spellingShingle |
Μηχανική μάθηση Νευρωνικά δίκτυα Αθλητισμός Αμερικάνικο ποδόσφαιρο Τεχνητή νοημοσύνη Machine learning Neural networks Sports American football Artifical intelligence Πέτσας, Ιωάννης Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL) |
| description |
Σήμερα κυριαρχεί η πεποίθηση ότι η πληροφορική αποτελεί αναπόσπαστο κομμάτι σε κάθε επάγγελμα. Εξαίρεση δεν θα μπορούσε να αποτελεί και ο αθλητισμός. Η παρούσα μελέτη λοιπόν, ασχολείται με την επιστήμη της ανάλυσης δεδομένων στον στίβο του αθλητισμού. Πιο συγκεκριμένα, εστιάζει στο αμερικάνικο ποδόσφαιρο. Η συνεχής ανάγκη λήψης αποφάσεων από τους προπονητές, η στρατηγική και οι υπόλοιποι παράγοντες του παιχνιδιού καθιστούν την υιοθέτηση της προσέγγισης της επιστήμης δεδομένων αναγκαία. Για αυτό και άλλωστε σήμερα είναι αναπόσπαστο κομμάτι του παιχνιδιού. Χρησιμοποιείται τόσο για βραχυπρόθεσμες αποφάσεις, κατά την διάρκεια του αγώνα, όσο και για μακροπρόθεσμες για τη στελέχωση της ομάδας. Η δική μας μελέτη εστιάζει στην ανάλυση λάθους ενός παίκτη (συγκεκριμένα του Kicker) και τον μετέπειτα ρόλο του στη διάρκεια του αγώνα. Βεβαίως, κάθε άνθρωπος έτσι και αθλητής αντιδρά διαφορετικά και κατά συνέπεια λοιπόν, θα εξετάσουμε διάφορους παράγοντες. Στόχος της μελέτης είναι να δούμε αν και πόσο θα επηρεάσει τον παίχτη ένα χαμένο Field Goal, με αποτέλεσμα να διευκολύνουμε τον προπονητή για την χρησιμοποίηση του εν λόγω παίχτη.
Για την επίτευξη αυτού του στόχου, θα χρησιμοποιήσουμε ένα νευρωνικό δίκτυο για να προβλέψουμε το expected field goal (την πιθανότητα δηλαδή το field goal να είναι επιτυχημένο), λαμβάνοντας υπόψη διάφορους παράγοντες. Έπειτα θα συγκρίνουμε τα αποτελέσματα αυτού του μοντέλου με ένα δεύτερο το οποίο εκπαιδεύεται αφού ο παίκτης έχει χάσει ένα field goal. Συγκρίνοντας τα δύο μοντέλα, σκοπεύουμε να προσδιορίσουμε πόσο μεγάλη επίδραση έχει ένα χαμένο field goal στην απόδοση του παίκτη και πόσο αξιόπιστη μπορεί να είναι η απόδοσή του κατά το υπόλοιπο του παιχνιδιού. Τα αποτελέσματα της παρούσας μελέτης είναι συμβατά με την υπάρχουσα ακαδημαϊκή βιβλιογραφία, υποστηρίζοντας ότι, παρά την παρατηρούμενη μείωση στην αθλητική επίδοση, η ψυχολογική ορμή δεν διαδραματίζει τόσο κρίσιμο ρόλο όπως καταλαμβάνεται από τους εμπλεκόμενους στον αθλητισμό. |
| author2 |
Petsas, Ioannis |
| author_facet |
Petsas, Ioannis Πέτσας, Ιωάννης |
| author |
Πέτσας, Ιωάννης |
| author_sort |
Πέτσας, Ιωάννης |
| title |
Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL) |
| title_short |
Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL) |
| title_full |
Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL) |
| title_fullStr |
Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL) |
| title_full_unstemmed |
Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL) |
| title_sort |
μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (nfl) |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25469 |
| work_keys_str_mv |
AT petsasiōannēs mēchanikēmathēsēgiaaxiopoiēsēstatistikōnstoicheiōnstoamerikanikopodosphaironfl AT petsasiōannēs machinelearningforutilizingstatisticaldatainamericanfootballnfl |
| _version_ |
1771297206310010880 |
| spelling |
nemertes-10889-254692023-07-11T03:55:34Z Μηχανική μάθηση για αξιοποίηση στατιστικών στοιχείων στο αμερικάνικο ποδόσφαιρο (NFL) Machine learning for utilizing statistical data in american football (NFL) Πέτσας, Ιωάννης Petsas, Ioannis Μηχανική μάθηση Νευρωνικά δίκτυα Αθλητισμός Αμερικάνικο ποδόσφαιρο Τεχνητή νοημοσύνη Machine learning Neural networks Sports American football Artifical intelligence Σήμερα κυριαρχεί η πεποίθηση ότι η πληροφορική αποτελεί αναπόσπαστο κομμάτι σε κάθε επάγγελμα. Εξαίρεση δεν θα μπορούσε να αποτελεί και ο αθλητισμός. Η παρούσα μελέτη λοιπόν, ασχολείται με την επιστήμη της ανάλυσης δεδομένων στον στίβο του αθλητισμού. Πιο συγκεκριμένα, εστιάζει στο αμερικάνικο ποδόσφαιρο. Η συνεχής ανάγκη λήψης αποφάσεων από τους προπονητές, η στρατηγική και οι υπόλοιποι παράγοντες του παιχνιδιού καθιστούν την υιοθέτηση της προσέγγισης της επιστήμης δεδομένων αναγκαία. Για αυτό και άλλωστε σήμερα είναι αναπόσπαστο κομμάτι του παιχνιδιού. Χρησιμοποιείται τόσο για βραχυπρόθεσμες αποφάσεις, κατά την διάρκεια του αγώνα, όσο και για μακροπρόθεσμες για τη στελέχωση της ομάδας. Η δική μας μελέτη εστιάζει στην ανάλυση λάθους ενός παίκτη (συγκεκριμένα του Kicker) και τον μετέπειτα ρόλο του στη διάρκεια του αγώνα. Βεβαίως, κάθε άνθρωπος έτσι και αθλητής αντιδρά διαφορετικά και κατά συνέπεια λοιπόν, θα εξετάσουμε διάφορους παράγοντες. Στόχος της μελέτης είναι να δούμε αν και πόσο θα επηρεάσει τον παίχτη ένα χαμένο Field Goal, με αποτέλεσμα να διευκολύνουμε τον προπονητή για την χρησιμοποίηση του εν λόγω παίχτη. Για την επίτευξη αυτού του στόχου, θα χρησιμοποιήσουμε ένα νευρωνικό δίκτυο για να προβλέψουμε το expected field goal (την πιθανότητα δηλαδή το field goal να είναι επιτυχημένο), λαμβάνοντας υπόψη διάφορους παράγοντες. Έπειτα θα συγκρίνουμε τα αποτελέσματα αυτού του μοντέλου με ένα δεύτερο το οποίο εκπαιδεύεται αφού ο παίκτης έχει χάσει ένα field goal. Συγκρίνοντας τα δύο μοντέλα, σκοπεύουμε να προσδιορίσουμε πόσο μεγάλη επίδραση έχει ένα χαμένο field goal στην απόδοση του παίκτη και πόσο αξιόπιστη μπορεί να είναι η απόδοσή του κατά το υπόλοιπο του παιχνιδιού. Τα αποτελέσματα της παρούσας μελέτης είναι συμβατά με την υπάρχουσα ακαδημαϊκή βιβλιογραφία, υποστηρίζοντας ότι, παρά την παρατηρούμενη μείωση στην αθλητική επίδοση, η ψυχολογική ορμή δεν διαδραματίζει τόσο κρίσιμο ρόλο όπως καταλαμβάνεται από τους εμπλεκόμενους στον αθλητισμό. Today there is a prevailing belief that computer science is an integral part of every profession. Sports could be no exception. Hence, the present study deals with the science of data analysis in the field of sports. More specifically, it deals with the American football. The constant need for decision making by coaches, strategy and other factors of the game make the use of data science necessary. That is why it is an indispensable part of the game today. It is used both for short term decisions during the game and long-term decisions for team staffing. Our study focuses on the error analysis of a player (specifically of the kicker) and his subsequent role during the game. Of course, every human being and as such an athlete reacts differently and thus, we will therefore consider various factors. The aim of this study is to see if and how much a missed field goal will affect the player, thereby making it easier for the coach to use the player in question. To achieve this goal, we will use a neural network to predict the expected field goal (the probability that the field goal will be successful), considering several factors. We will then compare the results of this model with a second one that is trained after the player has missed a field goal. By comparing the two models, we intend to determine how much of an impact a missed field goal has on the player's performance and how reliable his performance can be for the rest of the game. The results of the present study are consistent with existing academic literature, arguing that, despite the observed decrease in performance, psychological drive does not play as critical a role as it is perceived by those involved in sport. 2023-07-10T13:44:52Z 2023-07-10T13:44:52Z 2023-07-10 https://hdl.handle.net/10889/25469 el Attribution-NoDerivs 3.0 United States http://creativecommons.org/licenses/by-nd/3.0/us/ application/pdf |
