Show simple item record

dc.creatorGasparini, Randal
dc.date.accessioned2018-04-13T14:37:50Z
dc.date.available2018-04-13T14:37:50Z
dc.date.issued2018-02-26
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/9748
dc.description.abstractThe professional soccer is always changing and is constantly searching tools and data to help the decision-making, providing tatics and techniques to the team. In Brazil, this sport goes to same way and the investiments are considerables. The One Sports is a company that capture GPS data from professional soccer players of some brazilian teams. This set of data has a lot of features and the One Sports asked if was possible to predict the ideal position of a player. Then, was firmed a cooperation between a academic study and a comercial company. This work find to understand a propose methods and techniques to predict the ideal position of soccer player, using machine learning algorithms. The database has more of one million of tuples. It was submited to pre-processing step, what is fundamental, because generated new features, removed incomplete and noisy data, generated new balaced dataset and delete outliers, preparing the data to execution of the algorithms k-NN, decision trees, logistic regression, SVM and neural networks. With the purpose to understand the performance and accuracy, some scenarios was tested. There was poor results when executed multi-class problems. The best results come from binary problems. The models k-NN and SVM, specifically to this study, had the best accuracy. It is important to note that SVM spent more than six hours to finish your execution, and k-NN used less than one and half minute to end.eng
dc.description.sponsorshipNão recebi financiamentopor
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rights.uriAcesso abertopor
dc.subjectAprendizado de Máquinapor
dc.subjectFutebolpor
dc.subjectClassificaçãopor
dc.subjectGPSpor
dc.subjectMachine Learningeng
dc.subjectSoccereng
dc.subjectClassificationpor
dc.subjectAprendizaje de máquinaesp
dc.subjectFútbolesp
dc.subjectClasificaciónesp
dc.titleAnálise posicional de jogadores brasileiros de futebol utilizando dados GPSpor
dc.title.alternativePositional analysis of brazilian soccer players using GPS dataeng
dc.typeDissertaçãopor
dc.contributor.advisor1Álvaro, Alexandre
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4735082P8por
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?metodo=apresentar&id=K8162101J2por
dc.description.resumoO futebol profissional vem se transformando ao longo do tempo e busca constantemente ferramentas e dados que auxiliem a tomada de decisão, entregando informações táticas e técnicas para o time. Não diferente, a modalidade esportiva no Brasil segue a mesma tendência e os investimentos são cada vez mais consideráveis. A exemplo disso, a empresa One Sports é responsável pela captura de dados GPS de jogadores que atuam profissio- nalmente em determinados clubes nacionais. Uma vez que a coleta existe e a mesma é rica em atributos, esse estudo aborda a possibilidade de inferir a posição tática ideal de um jogador profissional de futebol. Desse modo, promovendo uma parceria entre uma empresa comercial e um estudo acadêmico, esse trabalho busca entender e propor métodos e técnicas para inferir o posicionamento ideal dos jogadores de futebol, adotando algoritmos de aprendizado de máquina. A base de dados contém mais de um milhão de tuplas e passou pela etapa de pré-processamento, a qual demonstrou ser fundamental e de extrema importância, uma vez que gerou novos atributos, eliminou dados incompletos e ruidosos, realizou o balanceamento das classes e removeu outliers, preparando assim a base para a execução dos algoritmos k-NN, árvores de decisão, regressão logística, SVM e redes neurais. Com o objetivo de ampliar o entendimento sobre o desempenho e as taxas de acerto, diferentes cenários foram considerados e testados. Houve baixa taxa de acerto quando os algoritmos trabalharam com um problema multi-classe. Os melhores resultados foram obtidos ao utilizar apenas duas classes. Os modelos k-NN e SVM, especificamente para esse estudo, foram aqueles que obtiveram as melhores taxas de acerto. É importante salientar que o SVM consumiu mais de seis horas para finalizar a sua execução, enquanto o k-NN utilizou menos de um minuto para a entrega dos resultados.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma de Pós-Graduação em Ciência da Computação - PPGCC-Sopor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOpor
dc.ufscar.embargoOnlinepor
dc.publisher.addressCâmpus Sorocabapor


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record