Πρόβλεψη αποτελέσματος αγώνα ΝΒΑ με τη χρήση Μηχανικής Μάθησης

Κετσέας, Σταύρος; Ketseas, Stavros

dc.contributor.author	Κετσέας, Σταύρος	el
dc.contributor.author	Ketseas, Stavros	en
dc.date.accessioned	2023-01-23T08:56:09Z
dc.date.available	2023-01-23T08:56:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56818
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24516
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.relation	info:eu-repo/NBAGameResultPrediction/EC/FP7/12345	el
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Πρόβλεψη	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Δυαδική Ταξινόμηση	el
dc.subject	Ορθότητα	el
dc.subject	Machine Learning	en
dc.subject	Prediction	en
dc.subject	Deep Learning	en
dc.subject	Binary Classification	en
dc.subject	Accuracy	en
dc.title	Πρόβλεψη αποτελέσματος αγώνα ΝΒΑ με τη χρήση Μηχανικής Μάθησης	el
dc.title	NBA game result prediction using Machine Learning	en
heal.type	masterThesis
heal.classification	Επιστήμη Δεδομένων	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-11-18
heal.abstract	Η Μηχανική Μάθηση αποτελεί ένα σύγχρονο τεχνολογικό εργαλείο επεξεργασίας στοιχείων, με στόχο την πρόβλεψη αξιόπιστων αποτελεσμάτων, ϐασισμένη σε ιστορικά γεγονότα. Η κατάλληλη χρήση της, δύναται να εξοπλίσει τη ϕαρέτρα όλων των εμπλεκομένων που απαρτίζουν το άθλημα της καλαθοσφαίρισης, ξεκινώντας από τους παίκτες και τους προπονητές, έως και τους χορηγούς, διευθυντές, αλλά και τους ίδιους τους ϕιλάθλους, καθώς ενισχύει την προβλεπτική τους ικανότητα, η οποία κάλλιστα ϑα μπορούσε να εφαρμοστεί και στον στοιχηματισμό. Το γεγονός αυτό αποτελεί, συνεπώς, πόλο έλξης του ενδιαφέροντος πάσης ϕύσεως εταιρείας στοιχηματισμού αθλητικών γεγονότων. Στην παρούσα διπλωματική εργασία οι αλγόριθμοι Μηχανικής Μάθησης που ϑα εφαρμοστούν είναι οι Logistic Regression, K Neighbors Classifier, Naive Bayes, Decision Tree Classifier, SVM - Linear Kernel, SVM - Radial Kernel, Gaussian Process Classifier, MLP Classifier, Ridge Classifier, Random Forest Classifier, Quadratic Discriminant Analysis, Ada Boost Classifier, Gradient Boosting Classifier, Linear Discriminant Analysis, Extra Trees Classifier, Extreme Gradient Boosting, Light Gradient Boosting Machine και ο CatBoost Classifier. Το πρόβλημα που χρήζει επίλυσης, είναι η δυαδική ταξινόμηση του αποτελέσματος του αγώνα σε νίκη ή ήττα για τη γηπεδούχο ομάδα ή αντίστοιχα για τη ϕιλοξενούμενη. Η επίλυση αυτή είναι απότοκο της κατάλληλης διαχείρισης και επεξεργασίας των ιστορικών δεδομένων, παρελθοντικών αγώνων του ΝΒΑ, με στόχο την ανακάλυψη εκείνων των χαρακτηριστικών ή ακόμη και την κατασκευή νέων, τα οποία ϑα ϐελτιστοποιήσουν στο μέγιστο δυνατό το επιθυμητό αποτέλεσμα. Η μετρική ως προς την οποία ϑα κριθεί η αποτελεσματικότητα της παρούσας εργασίας είναι η ακρίβεια ή accuracy. Στην προσπάθεια αυτή επέκτασης της εργασίας, ϑα δοκιμαστούν και δύο μέθοδοι ϐαθιάς μηχανικής μάθησης, τα LSMT και TCN, καθώς και ένα τεχνητό νευρωνικό δίκτυο ANN. Τέλος, η εργασία αυτή πιθανότατα να αποτελέσει πηγή έμπνευσης σε μελλοντικούς ερευνητές, για πιθανή εφαρμογή της, τόσο σε νέα δεδομένα αγώνων ΝΒΑ, όσο και σε διαφορετικά αθλήματα, αλλά και για περιθώρια ϐελτίωσής της.	el
heal.advisorName	Στάμου, Γεώργιος	el
heal.advisorName	Τζούβελη, Παρασκευή	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	146	el
heal.fullTextAvailability	false