Tecnologías Específicas

Computación

Descripcion y Objetivos

El interés por la predicción de los resultados en eventos deportivos ha subido considerablemente en los últimos años, de la mano entre otras cosas, de la proliferación de los centros de apuestas deportivas. Se trata sin duda de eventos complejos de predecir, pero para los que una ligera ventaja sobre la incertidumbre habitual, puede suponer una alta rentabilidad. En este TFG nos centramos en el baloncesto y particularmente en la liga estrella a nivel mundial, la NBA.

El objetivo principal es diseñar procesos de clasificación basados en técnicas de aprendizaje automático que permitan predecir, con un acierto superior a la decisión aleatoria, el resultado de un partido. Actualmente las tasas de acierto en la predicción están en torno al 60%. Para ello contaremos con un conjunto de datos disponible en la plataforma Kaggle (https://www.kaggle.com/datasets/nathanlauga/nba-games) que contiene resultados y estadísticas de juego y jugadores de las temporadas 2004 hasta la 2020, obtenida de las estadísticas oficiales facilitadas por la NBA (https://www.nba.com/stats). Los objetivos parciales pasan por la fusión de las distintas fuentes de datos, enriquecimiento de las mismas mediante scrapping de nuevos datos o construcción de características derivadas de las actuales, análisis exploratorio de datos, preprocesamiento, minería de datos y selección de modelos. Todo ello guiado por un riguroso proceso de validación que permita evaluar los modelos obtenidos de forma honesta.

 

Metodología y Competencias

Metodología:

1. Estudio de lilteratura disponible y aproximaciones desde las técnicas de aprendizaje automático para la predicción de partidos de baloncesto.
2. Estudio de los conjuntos de datos objetivo de este trabajo. Se realizará un análisis exploratorio de los conjuntos seleccionados.
3. Se preprocesará el conjunto de datos aplicando p.e. técnicas de selección y construcción de variables.
4. Diseño e implementación de los algoritmos o procesos de aprendizaje automático basados en clasificadores individuales (regresión logística, árboles de decisión, modelos probabilísticos, etc.) y de ensemble (random forest, gradient boosting, etc..
5. Validación y prueba de los resultados obtenidos.
6. Diseño e implementación de una aplicación escritorio para poner en explotación los modelos aprendidos.
7. Redacción de la memoria.

 

Competencias:

Se trabajarán principalmente (en distinto grado) las siguientes competencias específicas de la tecnología de computación:

• [CM4] Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
• [CM5] Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
• [CM7] Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

 

Medios a utilizar

Ordenadores personales, compiladores y entornos de programación. Todo disponible en la ESIIAB o recursos en la nube (Kaggle, Colab, etc.)

 

Bibliografía

Libros y manuales de inteligencia artificial y aprendizaje automático. Libros y manuales de lenguajes de programación y librerías específicas de aprendizaje automático. Documentación online y artículos científicos sobre predicción de resultados para partidos de baloncesto. Todo disponible en la ESIIAB y/o recursos en internet.