Μηχανική μάθηση στο ποδόσφαιρο

Αποστολόπουλος, Βασίλειος

Machine learning in football

Διπλωματική εργασία

Author

Αποστολόπουλος, Βασίλειος

Date

2023-07-18

Advisor

Nikolaou, Grigoris

Διπλωματική εργασία (5.104Mb)

Keywords

Μηχανική μάθηση ; Ποδόσφαιρο ; Ταξινόμηση ; Επεξεργασία δεδομένων ; Επιχειρηματική αναλυτική ; Εφαρμογές

Abstract

Η παρούσα διπλωματική εργασία πραγματεύεται τις εφαρμογές της μηχανικής μάθησης στο ποδόσφαιρο. Αρχικά, γίνεται μια εισαγωγή στο ποιες ανάγκες προέκυψαν στο ποδόσφαιρο και πώς μπορούν να ικανοποιηθούν από τη μηχανική μάθηση. Για την καλύτερη κατανόηση του θέματος, παρέχεται μια επισκόπηση του θεωρητικού υποβάθρου της μηχανικής μάθησης για προβλήματα ταξινόμησης. Στη συνέχεια, αναφέρονται οι τύποι επιχειρηματικής αναλυτικής, πώς αυτοί μπορούν να μεταφραστούν στο ποδόσφαιρο και τι δεδομένα συλλέγονται. Επομένως, αναλύεται η συλλογή τους και ο ρόλος του cloud computing στην επεξεργασία τους. Έπειτα, παρουσιάζονται οι εφαρμογές της μηχανικής μάθησης στο ποδόσφαιρο, όπως η ανάλυση απόδοσης, η πρόληψη τραυματισμών, η οικονομική βιωσιμότητα της ομάδας αλλά ακόμα και η διαιτησία. Επιπλέον, υλοποιούνται δύο εφαρμογές κώδικα. Η πρώτη αφορά το ποιο μοντέλο ταξινόμησης είναι πιο ικανό να προβλέψει αποτελέσματα αγώνων με βάση το στατιστικό xGoals, ενώ η δεύτερη εξετάζει ποιο μοντέλο ταξινόμησης μπορεί να προβλέψει τις θέσεις που μπορεί να αποδώσει καλύτερα ένας ποδοσφαιριστής βάσει των χαρακτηριστικών του. Τέλος, γίνεται μια ανασκόπηση για να προκύψει το συμπέρασμα αν όλα αυτά βελτιώνουν ή αλλοιώνουν το άθλημα και παραθέτονται μελλοντικές προτάσεις για περαιτέρω εξέλιξη.

Abstract

The present thesis deals with the applications of machine learning in football. Initially, an introduction is given to the needs that have emerged in football and how they can be satisfied by machine learning. For a better understanding of the subject, an overview of the theoretical background of machine learning for classification problems is provided. Next, the types of business analytics are mentioned, how they can be translated into football analytics and what data is collected. Consequently, their collection and the role of cloud computing in processing them are analysed. Thereafter, the applications of machine learning in football are presented, such as performance analysis, injury prevention, football clubs’ financial sustainability and even refereeing. Additionally, two code applications are implemented. The first one concerns which classification model is more capable of predicting match results based on xGoals statistic, while the second one examines which classification model can better predict the positions that a player can perform based on their characteristics. Finally, a review is conducted to draw the conclusion of whether all these improve or alter the sport and future proposals are put forward for further development.