Введение 4
Постановка задачи 5
Глава 1. Обзор методов глубокого обучения 9
1.1 Машинное обучение 9
1.2 Нейронные сети 9
1.3 Глубокое обучение 12
1.4 Рекуррентные нейронные сети 13
1.5 Long Short-Term Memory 14
1.6 Дропаут 15
1.7 Softmax 16
1.8 Перекрестная энтропия 17
1.9 Стохастический градиентный спуск (Adam) 17
Глава 2. LSTM-модель прогнозирования 19
2.1 Описание модели 19
2.2 Настраиваемые параметры 20
Глава 3. Модель прогнозирования исходов футбольных матчей 22
3.1 План работы 22
3.2 Данные 23
3.3 Эксперименты и результаты 25
3.3.1 Библиотеки глубокого обучения 25
3.3.2 Настройка гипер-параметров 25
3.3.3 Результаты 26
Заключение 28
Список литературы 30
Приложение 32
Футбол — это одна из самых популярных игр в мире. Большая часть ставок в сфере беттинга приходится именно на этот вид спорта [1]. В сфере спортивного прогнозирования представляется логичным использовать большое число статистической информации, доступной исследователям: прошлые результаты команды, показатели игроков в различных категориях, расширенные протоколы командных действий, а также дополнительную информацию, такую как количество перелетов команды, погода во время матчей, наем нового персонала и т.д. — все это позволяет различным заинтересованным сторонам оценить шансы клуба на победу в будущих матчах. Эта информация важна из-за финансовой составляющей: букмекеры и ставочные игроки заинтересованы и конкурируют в предварительном приближении шансов.
Глубинные нейронные сети успешно применяются во многих областях науки, бизнеса и промышленности для извлечения информации из больших объемов данных. Однако использование методов глубокого обучения в сферах спорта и спортивной аналитики довольно ограничено. Наиболее широко эти методы применяются в сфере компьютерного спорта по причинам упрощенного доступа к различным показателям и большого их количества. Тем не менее, уже сейчас спортивные организации все чаще обращаются к данным, понимая, что в них содержится огромное количество неиспользованной и неинтерпретированной информации. Интерес к методам использования этих данных неуклонно растет.
Предсказывая исход матча между двумя футбольными командами, человек, как правило, принимает во внимание определенные факторы, такие как результаты команд за определенный период, место проведения матча (дома или в гостях), составы команд и недавние трансферы игроков и т.д. Проблема предсказания исхода человеком в том, что на его решение различные факторы будут влиять различным образом и помимо его воли добавятся такие факторы, как личные предпочтения: отношение к отдельным игрокам, тренерам или даже цвет формы команд.
В данной работе была исследована возможность прогнозирования исходов футбольных матчей с использованием методов глубокого обучения.
В ходе работы:
• рассмотрены некоторые методы глубокого обучения
• рассмотрена архитектура нейронной сети, выбранная для прогнозирования
• описаны и предобработаны данные о футбольных матчах, необходимые для обучения нейронной сети
• на языке Python с использованием библиотеки глубокого обучения Tensorflow была реализована нейросеть выбранной архитектуры и выполнено прогнозирование исходов матчей из набора данных
Таким образом, были выполнены цели, поставленные в начале данной работы.
Говоря о возможностях улучшения созданной системы прогнозирования, следует отметить:
— использование набора данных с большим числом признаков, таких как статистические показатели отдельных игроков; это поможет отслеживать форму команды в целом, опираясь на индивидуальную форму игроков состава;
— использование большего объема исходных данных (информации о большем числе сыгранных матчей) также может положительно сказаться на качестве модели.
