Εμφάνιση απλής εγγραφής

Ανάλυση και πρόβλεψη αποτελεσμάτων UEFA Champions League: πληροφορίες απόδοσης παικτών και αγώνων από το 2016-2022

dc.contributor.advisorTselenti, Panagiota
dc.contributor.advisorTselenti, Panagiota
dc.contributor.authorΛίτσο, Σπυρίδων
dc.date.accessioned2025-03-27T12:51:42Z
dc.date.available2025-03-27T12:51:42Z
dc.date.issued2025-02-05
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/8913
dc.description.abstractΗ παρούσα διατριβή είναι αφιερωμένη στην εφαρμογή της προγνωστικής μοντελοποίησης στον αθλητισμό: μια περίπτωση αποτελεσμάτων UEFA Champions League (2016-2022). Εξετάζει την εφαρμογή στατιστικών και ενός τύπου τεχνητής νοημοσύνης –μηχανική μάθηση, λογιστική παλινδρόμηση και random forest ειδικότερα– μεθόδων για την πρόβλεψη των αποτελεσμάτων των αγώνων και την αξιολόγηση της απόδοσης των παικτών. Τα επιδιωκόμενα οφέλη περιλαμβάνουν: βελτιωμένη στρατηγική ομάδας, χειρισμός τραυματισμών παικτών και διαχείριση υποστηρικτών εκτός από τη μεταμόρφωση των αθλητικών στοιχημάτων και των παιχνιδιών φαντασίας. Η προτεινόμενη προσέγγιση ενσωματώνει μια συστηματική ανασκόπηση της βιβλιογραφίας με πειραματική αξιολόγηση και εστιάζει στην προ επεξεργασία δεδομένων, τη μηχανική χαρακτηριστικών και την εξελιγμένη μοντελοποίηση. Η ποιότητα των δεδομένων, η υπερπροσαρμογή και η δυναμική των αθλητικών εκδηλώσεων και παιχνιδιών περιγράφονται ως σημαντικές προκλήσεις, οι οποίες μπορούν να μετριαστούν με την ανάπτυξη προσαρμοστικών μοντέλων σε πραγματικό χρόνο και την ενσωμάτωση καλύτερων δεδομένων. Μεγαλύτερες εφαρμογές όπως η παρακολούθηση παικτών, η βιομετρία και η βαθιά μάθηση έχουν διευρύνει τους ορίζοντες των μοντέλων πρόβλεψης. Οι μελλοντικές προοπτικές για τον τομέα αφορούν τη διεπιστημονική και ηθική χρήση των δεδομένων. Συνολικά, η εργασία δείχνει πώς η προγνωστική μοντελοποίηση φέρνει επανάσταση στην αθλητική ανάλυση για την κατανάλωση παικτών/ομάδων και φιλάθλων.el
dc.format.extent72el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectUEFA Champions Leagueel
dc.subjectΠρόβλεψη αγώνωνel
dc.subjectΜηχανική εκμάθησηel
dc.subjectΛογιστική παλινδρόμησηel
dc.subjectRandom forestel
dc.subjectΑνάλυση απόδοσης παικτώνel
dc.subjectΑθλητικά αναλυτικά στοιχείαel
dc.subjectΑφοσίωση θαυμαστώνel
dc.subjectΠρωταθλήματα φαντασίαςel
dc.subjectAθλητικά στοιχήματαel
dc.subjectΤεχνολογία δυνατοτήτωνel
dc.subjectΠροετοιμασία δεδομένωνel
dc.titleΑνάλυση και πρόβλεψη αποτελεσμάτων UEFA Champions League: πληροφορίες απόδοσης παικτών και αγώνων από το 2016-2022el
dc.title.alternativeUEFA Champions League results analysis and prediction: player and match performance information from 2016-2022el
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeTroussas, Christos
dc.contributor.committeeΚρούσκα, Ακριβή
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.description.abstracttranslatedThis thesis is dedicated to the application of predictive modeling in sports: a case of UEFA Champions League results (2016-2022). It examines the application of statistics and a type of artificial intelligence – machine learning, logistic regression and random forest in particular – methods to predict match results and evaluate player performance. Intended benefits include: improved team strategy, player injury handling and supporter management in addition to transforming sports betting and fantasy gaming. The paper focuses on such promotional effects of the application of the so-called "predictive analysis" in sports, i.e. its application in the development of strategies for teams and athletes, managing their physical condition, interacting with fans and in the realm of sports bet. The methodological systematic review is integrated with the experimental analysis and focuses on data pre-processing, feature selection and model evaluation. I look at issues ranging from data quality to overfitting and the nature of sports and solve them with strategies like real-time adaptive models and advanced data integration. The study also highlights the use of other advances, including biometrics, of player tracking and deep learning that help increase predictive performance. Thus, offering recommendations for teams, players and other stakeholders, the thesis shows that predictive modeling is poised to transform sports analysis as well as strategic planningel


Αρχεία σε αυτό το τεκμήριο

Thumbnail
Όνομα:
LITSO_711171161.pdf
Μέγεθος:
1.054Mb
Τύπος:
PDF
Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

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