Πρόβλεψη Έκβασης Αγώνων Ποδοσφαίρου με Αλγορίθμους Μηχανικής Μάθησης

Μαζάι, Ενρίκ

dc.contributor.advisor	Tselenti, Panagiota
dc.contributor.author	Μαζάι, Ενρίκ
dc.date.accessioned	2024-10-14T08:38:52Z
dc.date.available	2024-10-14T08:38:52Z
dc.date.issued	2024-10-04
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7709
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7541
dc.description.abstract	Η παρούσα διπλωματική εξετάζει τη χρήση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη αποτελεσμάτων ποδοσφαιρικών αγώνων, με στόχο την αξιολόγηση διάφορων μοντέλων που μπορούν να βελτιώσουν την ακρίβεια των προβλέψεων. Στην αρχή, διεξήχθη αναλυτική βιβλιογραφική ανασκόπηση, κατά την οποία αναλύθηκαν οι προσεγγίσεις και οι τεχνικές από προηγούμενες έρευνες, εντοπίζοντας αδυναμίες και περιορισμούς στις μεθόδους πρόβλεψης. Στη συνέχεια, παρουσιάστηκε το θεωρητικό υπόβαθρο των αλγορίθμων μηχανικής μάθησης, όπως Logistic Regression, Random Forest, Gradient Boosting, k-Nearest Neighbors και Multi-Layer Perceptron, εξετάζοντας πώς αυτές οι τεχνικές μπορούν να βελτιστοποιηθούν για πιο ακριβείς προβλέψεις. Η εργασία εστιάζει κυρίως στην προσέγγιση με ταξινόμηση δύο κλάσεων (binary classification) για την πρόβλεψη των αποτελεσμάτων. Ακολούθησε μια ανάλυση των βημάτων δημιουργίας μοντέλων μηχανικής μάθησης, από τη συλλογή των δεδομένων μέχρι τη βελτιστοποίησή τους. Στο πειραματικό μέρος, χρησιμοποιήθηκαν πραγματικά δεδομένα από ποδοσφαιρικούς αγώνες και εφαρμόστηκαν τεχνικές feature engineering για τη βελτίωση της απόδοσης των αλγορίθμων. Μετά από δύο φάσεις εκτέλεσης και βελτιστοποίησης των αλγορίθμων, τα αποτελέσματα έδειξαν βελτιώσεις στην ακρίβεια των προβλέψεων, ενώ πραγματοποιήθηκε επίσης ανάλυση για την ανίχνευση φαινομένων overfitting και underfitting. H εργασία εξετάζει και την ταξινόμηση πολλαπλών κλάσεων (Multiclass Classification), υπογραμμίζοντας τις προκλήσεις και τις δυνατότητές της. Τέλος, η μελέτη συγκρίνει τα αποτελέσματα των μοντέλων σε όρους ακρίβειας και απόδοσης, αναδεικνύοντας τις διαφορές ανάμεσα στις διάφορες προσεγγίσεις και αναγνωρίζει τους περιορισμούς που υπήρξαν . Συνολικά, η εργασία συμβάλλει στην κατανόηση και βελτίωση των υπαρχουσών μεθόδων πρόβλεψης ποδοσφαιρικών αγώνων, προσφέροντας πιο αξιόπιστα μοντέλα που μπορούν να εφαρμοστούν για τη λήψη αποφάσεων σε επαγγελματικό επίπεδο ή την ανάπτυξη στρατηγικών σε στοιχηματικές και αθλητικές αναλύσεις.	el
dc.format.extent	71	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Classification	el
dc.subject	Αλγόριθμοι	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Logistic regression	el
dc.subject	Random forest	el
dc.subject	Gradient boosting	el
dc.subject	K-Nearest neighbors	el
dc.subject	Feature engineering	el
dc.subject	Multi-Layer perceptron	el
dc.title	Πρόβλεψη Έκβασης Αγώνων Ποδοσφαίρου με Αλγορίθμους Μηχανικής Μάθησης	el
dc.title.alternative	Prediction of Football Matches Outcomes with Machine Learning Algorithms	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Troussas, Christos
dc.contributor.committee	Krouska, Akrivi
dc.contributor.committee	Tselenti, Panagiota
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.description.abstracttranslated	This thesis examines the use of machine learning algorithms for predicting the outcomes of football matches, aiming to evaluate various models that can improve the accuracy of predictions. Initially, a comprehensive literature review was conducted, analyzing the approaches and techniques from previous research, identifying weaknesses and limitations in the prediction methods. Subsequently, the theoretical background of machine learning algorithms was presented, such as Logistic Regression, Random Forest, Gradient Boosting, k-Nearest Neighbors, and Multi-Layer Perceptron, exploring how these techniques can be optimized for more accurate predictions. The work primarily focuses on the binary classification approach for predicting outcomes. An analysis of the steps involved in creating machine learning models was then performed, from data collection to optimization. In the experimental section, real data from football matches was used, and feature engineering techniques were applied to improve the performance of the algorithms. After two phases of execution and optimization of the algorithms, the results showed improvements in prediction accuracy, and an analysis was also conducted for detecting overfitting and underfitting phenomena. The study examines also multiclass classification, highlighting its challenges and potential. Finally, the research compares the results of the models in terms of accuracy and performance, highlighting the differences between various approaches and recognizing the limitations that existed. Overall, the work contributes to understanding and improving existing methods for predicting football match outcomes, providing more reliable models that can be applied for decision-making at a professional level or for developing strategies in betting and sports analytics.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: Mazai_18390080.pdf
Μέγεθος:: 1.210Mb
Τύπος:: PDF
Περιγραφή:: Διπλωματική Εργασία

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές