Analyse et optimisation de l'expected goal : application au machine learning
SONAR|HES-SO
- Paulino, David
- Kalousis, Alexandros (Degree supervisor)
- Schätti, Nils (Degree supervisor)
- Genève : Haute école de gestion de Genève
61 p.
Bachelor of Science HES-SO en Informatique de gestion: Haute école de gestion de Genève, 2023
French
Ce travail se concentre sur l’analyse des statistiques sportives, en mettant particulièrement l’accent sur les expected goals (xG) dans le football. La première partie du travail présente la problématique générale des statistiques dans le sport, puis introduit les expected goals comme une métrique pertinente pour évaluer les performances d’une équipe ou d’un joueur.
Ensuite, une revue de la littérature est réalisée pour explorer les travaux existants sur les expected goals. Cette étape permet d’acquérir une compréhension approfondie des avancées antérieures dans ce domaine et d’identifier les lacunes ou les opportunités de recherche supplémentaires.
Pour poursuivre, l’obtention d’un ensemble de données approprié est cruciale. Ainsi, des recherches sont menées pour trouver un dataset pertinent et fiable contenant les informations nécessaires pour calculer les expected goals. Une fois le dataset obtenu, une analyse approfondie des méthodes de collecte des données est effectuée afin de bien comprendre leur origine et leur fiabilité.
Après avoir collecté les données, des étapes de prétraitement, d’analyse et de transformation sont réalisées. Cela peut inclure des tâches telles que le nettoyage des données, l’extraction de caractéristiques pertinentes et la normalisation des variables, afin de préparer les données pour l’apprentissage automatique.
Finalement, plusieurs modèles de classification sont mis en oeuvre pour résoudre la problématique spécifique de prédire les expected goals dans le football. Ces modèles sont entraînés sur les données préalablement traitées et évalués quant à leurs performances. Les mesures de performance comparatives entre les modèles permettent de déterminer le meilleur modèle répondant à la problématique étudiée.
Ensuite, une revue de la littérature est réalisée pour explorer les travaux existants sur les expected goals. Cette étape permet d’acquérir une compréhension approfondie des avancées antérieures dans ce domaine et d’identifier les lacunes ou les opportunités de recherche supplémentaires.
Pour poursuivre, l’obtention d’un ensemble de données approprié est cruciale. Ainsi, des recherches sont menées pour trouver un dataset pertinent et fiable contenant les informations nécessaires pour calculer les expected goals. Une fois le dataset obtenu, une analyse approfondie des méthodes de collecte des données est effectuée afin de bien comprendre leur origine et leur fiabilité.
Après avoir collecté les données, des étapes de prétraitement, d’analyse et de transformation sont réalisées. Cela peut inclure des tâches telles que le nettoyage des données, l’extraction de caractéristiques pertinentes et la normalisation des variables, afin de préparer les données pour l’apprentissage automatique.
Finalement, plusieurs modèles de classification sont mis en oeuvre pour résoudre la problématique spécifique de prédire les expected goals dans le football. Ces modèles sont entraînés sur les données préalablement traitées et évalués quant à leurs performances. Les mesures de performance comparatives entre les modèles permettent de déterminer le meilleur modèle répondant à la problématique étudiée.
- Language
-
- French
- Classification
- Computer science and technology
- Notes
-
- Haute école de gestion Genève
- Informatique de gestion
- hesso:hegge
- Persistent URL
- https://susi.usi.ch/global/documents/328132
Statistics
Document views: 83
File downloads:
- Paulino David.pdf: 56