Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA
Históricamente, la recogida de datos y el análisis de datos en los diferentes deportes se centra en estadísticas acumuladas anuales para comparar el desempeño de los diferentes jugadores. Con el gran avance que se ha producido en la recogida y procesamiento de datos, existe la posibilidad de realiza...
| Autor: | |
|---|---|
| Tipo de documento: | Tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/99126 |
| Acceso en línea: | http://hdl.handle.net/10609/99126 |
| Nivel de acceso: | Acceso abierto |
| Palabra clave: | analytics data mining basketball learning to rank analítica minería de datos baloncesto aprendizaje de clasificación mineria de dades bàsquet aprenentatge de classificació Data mining -- TFM Mineria de dades -- TFM Minería de datos -- TFM |
| _version_ | 1878733222605488129 |
|---|---|
| author | Iturbe Azcorra, Iker |
| author_browse | Iturbe Azcorra, Iker |
| author_facet | Iturbe Azcorra, Iker |
| author_role | author |
| collection | O2, repositorio institucional de la UOC |
| description | Históricamente, la recogida de datos y el análisis de datos en los diferentes deportes se centra en estadísticas acumuladas anuales para comparar el desempeño de los diferentes jugadores. Con el gran avance que se ha producido en la recogida y procesamiento de datos, existe la posibilidad de realizar análisis más avanzados. Serán análisis que nos permitan ponderar y realizar una clasificación, aplicando los conceptos del learning to rank, de los jugadores en función de aspectos que puedan ser influyentes a la hora de comparar su desempeño. La hipótesis en que se basa este estudio sobre la NBA es que hay dos factores interrelacionados que influyen en el desempeño y que no suelen tomarse en consideración. El primero, es el conocimiento del juego que permite a un jugador aplicar la estrategia correcta según se plantee un problema en forma de defensa adversaria. El segundo es la importancia del partido, ya que varía mucho según el momento de la temporada sea. En la NBA no existen descensos de categoría, la temporada regular es muy larga y en los playoffs las franquicias se juegan el trabajo de todo el año. El objetivo de este estudio es conseguir un análisis estadístico que tenga en cuenta ambos factores para poder comparar los puntos fuertes y débiles de los jugadores. El resultado del estudio aportará información que permita a los entrenadores y directores deportivos realizar una rápida toma de decisiones en un mercado de fichajes muy cambiante. |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| id | ES_523844e5635fc3d4cb34c5743aaa3bad |
| institution | Universitat Oberta de Catalunya (UOC) |
| instname_str | Universitat Oberta de Catalunya (UOC) |
| network_acronym_str | ES |
| network_name_str | España |
| oai_identifier_str | oai:openaccess.uoc.edu:10609/99126 |
| publishDate | 2019 |
| publishDateSort | 2019 |
| publisher | Universitat Oberta de Catalunya (UOC) |
| publisherStr | Universitat Oberta de Catalunya (UOC) |
| reponame_str | O2, repositorio institucional de la UOC |
| spelling | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA Iturbe Azcorra, Iker analytics data mining basketball learning to rank analítica minería de datos baloncesto aprendizaje de clasificación mineria de dades bàsquet aprenentatge de classificació Data mining -- TFM Mineria de dades -- TFM Minería de datos -- TFM Históricamente, la recogida de datos y el análisis de datos en los diferentes deportes se centra en estadísticas acumuladas anuales para comparar el desempeño de los diferentes jugadores. Con el gran avance que se ha producido en la recogida y procesamiento de datos, existe la posibilidad de realizar análisis más avanzados. Serán análisis que nos permitan ponderar y realizar una clasificación, aplicando los conceptos del learning to rank, de los jugadores en función de aspectos que puedan ser influyentes a la hora de comparar su desempeño. La hipótesis en que se basa este estudio sobre la NBA es que hay dos factores interrelacionados que influyen en el desempeño y que no suelen tomarse en consideración. El primero, es el conocimiento del juego que permite a un jugador aplicar la estrategia correcta según se plantee un problema en forma de defensa adversaria. El segundo es la importancia del partido, ya que varía mucho según el momento de la temporada sea. En la NBA no existen descensos de categoría, la temporada regular es muy larga y en los playoffs las franquicias se juegan el trabajo de todo el año. El objetivo de este estudio es conseguir un análisis estadístico que tenga en cuenta ambos factores para poder comparar los puntos fuertes y débiles de los jugadores. El resultado del estudio aportará información que permita a los entrenadores y directores deportivos realizar una rápida toma de decisiones en un mercado de fichajes muy cambiante. Històricament, la recollida de dades i l'anàlisi de dades en els diferents esports se centra en estadístiques acumulades anuals per comparar l'acompliment dels diferents jugadors. Amb el gran avanç que s'ha produït en la recollida i processament de dades, hi ha la possibilitat de realitzar anàlisis més avançats. Seran anàlisi que ens permetin ponderar i realitzar una classificació, aplicant els conceptes de learning to rank, dels jugadors en funció d'aspectes que puguin ser influents a l'hora de comparar el seu acompliment. La hipòtesi en què es basa aquest estudi sobre la NBA és que hi ha dos factors interrelacionats que influeixen en l'acompliment i que no se solen prendre en consideració. El primer és el coneixement del joc, que permet a un jugador aplicar l'estratègia correcta segons es plantegi un problema en forma de defensa adversària. El segon és la importància del partit, ja que varia molt segons el moment de la temporada sigui. A la NBA no existeixen descensos de categoria, la temporada regular és molt llarga i en els playoffs les franquícies es juguen el treball de tot l'any. L'objectiu d'aquest estudi és aconseguir una anàlisi estadística que tingui en compte tots dos factors per poder comparar els punts forts i febles dels jugadors. El resultat de l'estudi aportarà informació que permeti als entrenadors i directors esportius realitzar una ràpida presa de decisions en un mercat de fitxatges molt canviant. Historically, data gathering and processing in sports has been based on yearly cumulative statistics to compare players' performance. In the current Big Data Era, we have seen a large increase in the amount of data available. This enables to perform much more advanced statistical analyses by weighing the information about, for example, the defensive capabilities and performances of the opponents or the importance of the game. There are two inter-related hypotheses on which this advanced study of the NBA player´s offensive performance is based. The first one is that the advanced knowledge of the game is what helps the player to make proper decisions when the opponent team poses a new problem by means of their defensive strategy. And the second one is the importance of the game. In the particular case of the NBA, there is no relegation at the end of the league and the regular season is far too long compared to European leagues. All this means that the players' physical performance is much more important than the knowledge of the game, so that yearly cumulative data loses its significance in the comparison of players' performance. The main aim of this study is providing a good statistical analysis taking into account these two factors to compare players' weak and strong points. The result will help coaches and managers when making quick and accurate decisions about recruiting their future staff in a very volatile market. Universitat Oberta de Catalunya (UOC) http://hdl.handle.net/10609/99126 |
| spellingShingle | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA Iturbe Azcorra, Iker analytics data mining basketball learning to rank analítica minería de datos baloncesto aprendizaje de clasificación mineria de dades bàsquet aprenentatge de classificació Data mining -- TFM Mineria de dades -- TFM Minería de datos -- TFM |
| title | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA |
| title_full | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA |
| title_fullStr | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA |
| title_full_unstemmed | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA |
| title_short | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA |
| title_sort | Learning to rank aplicado al análisis avanzado del desempeño de jugadores en la NBA |
| topic | analytics data mining basketball learning to rank analítica minería de datos baloncesto aprendizaje de clasificación mineria de dades bàsquet aprenentatge de classificació Data mining -- TFM Mineria de dades -- TFM Minería de datos -- TFM |
| topic_facet | analytics data mining basketball learning to rank analítica minería de datos baloncesto aprendizaje de clasificación mineria de dades bàsquet aprenentatge de classificació Data mining -- TFM Mineria de dades -- TFM Minería de datos -- TFM |
| url | http://hdl.handle.net/10609/99126 |