📄Работа №126063
Тема: Прогнозирование исходов спортивных событий с использованием методов машинного обучения
Тип работы
Бакалаврская работа
Предмет
программирование
Объем:
34 листов
Год:
2020
Просмотров:
71
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
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
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
📖 Введение
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.
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.
✅ Заключение
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.
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.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.