dc.contributor.author | Gasparini, Randal | |
dc.date.accessioned | 2018-04-13T14:37:50Z | |
dc.date.available | 2018-04-13T14:37:50Z | |
dc.date.issued | 2018-02-26 | |
dc.identifier.citation | GASPARINI, Randal. Análise posicional de jogadores brasileiros de futebol utilizando dados GPS. 2018. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/9748. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/9748 | |
dc.description.abstract | The 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.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Aprendizado de Máquina | por |
dc.subject | Futebol | por |
dc.subject | Classificação | por |
dc.subject | GPS | por |
dc.subject | Machine Learning | eng |
dc.subject | Soccer | eng |
dc.subject | Classification | por |
dc.subject | Aprendizaje de máquina | esp |
dc.subject | Fútbol | esp |
dc.subject | Clasificación | esp |
dc.title | Análise posicional de jogadores brasileiros de futebol utilizando dados GPS | por |
dc.title.alternative | Positional analysis of brazilian soccer players using GPS data | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Álvaro, Alexandre | |
dc.contributor.advisor1Lattes | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4735082P8 | por |
dc.description.resumo | O 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.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC-So | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus Sorocaba | por |
dc.contributor.authorlattes | http://buscatextual.cnpq.br/buscatextual/visualizacv.do?metodo=apresentar&id=K8162101J2 | por |