Πρόβλεψη μελλοντικής απόδοσης ποδοσφαιριστών με χρήση μεθόδων μηχανικής μάθησης και νευρωνικών δικτύων
Loading...
Date
2026-07-02
Authors
Ρόζος, Ευάγγελος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Το ποδόσφαιρο αποτελεί ένα από τα δημοφιλέστερα αθλήματα λόγω της ξεχωριστής δομής και απρόβλεπτης φύσης του. Η εφαρμογή των Sport Analytics έρχεται αντιμέτωπη με την πρόκληση εντοπισμού μοτίβων μέσα από χιλιάδες ενέργειες που συμβαίνουν στον αγωνιστικό χώρο. Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία διερευνά την εφαρμογή μεθόδων Μηχανικής Μάθησης και Νευρωνικών Δικτύων για την πρόβλεψη της μελλοντικής απόδοσης ποδοσφαιριστών, αξιοποιώντας ιστορικά δεδομένα από τα πέντε κορυφαία Ευρωπαϊκά πρωταθλήματα. Ενοποιήθηκαν τρία ετερογενή σύνολα δεδομένων, με τα παραδοσιακά στατιστικά να συμπληρώνονται από δεδομένα του ηλεκτρονικού παιχνιδιού FIFA για έξι αγωνιστικές περιόδους. Η δημοτικότητα του παιχνιδιού έχει οδηγήσει στην καταγραφή των ικανοτήτων των παικτών με μεγάλη ακρίβεια καθιστώντας το αξιόπιστη πηγή και πολύτιμο εργαλείο. Στη συνέχεια αναπτύχθηκαν και συγκρίθηκαν διαφορετικά μοντέλα πρόβλεψης, συμπεριλαμβανομένων παραδοσιακών αλγορίθμων παλινδρόμησης και μοντέλων Βαθιάς Μάθησης. Το πρόβλημα προσεγγίστηκε ως ανάλυση χρονοσειρών, με τα Νευρωνικά Δίκτυα Long Short Term Memory (LSTM) και Gated Recurrent Unit (GRU) να επιλέγονται για την παραγωγή προβλέψεων. Η αξιολόγηση πραγματοποιήθηκε μέσω κατάλληλων μετρικών σφάλματων, ενώ εφαρμόστηκαν τεχνικές ερμηνευσιμότητας για την κατανόηση της συμβολής των επιμέρους χαρακτηριστικών στις τελικές προβλέψεις. Παράλληλα, η ανάπτυξη γραφικής διεπαφής χρήστη επιτρέπει την εύκολη οπτικοποίηση και αξιοποίηση των αποτελεσμάτων και προσφέρει ένα πρακτικό εργαλείο υποστήριξης αποφάσεων. Η εργασία επιβεβαιώνει ότι οι τεχνικές Μηχανικής Μάθησης και Deep Learning μπορούν να συμβάλουν ουσιαστικά στην πρόβλεψη της αθλητικής απόδοσης και να αποτελέσουν βασικό πυλώνα στη διαδικασία αξιολόγησης και ανάπτυξης ποδοσφαιριστών.
Description
Keywords
Μηχανική μάθηση, Χρονοσειρές, Αλγόριθμοι παλινδρόμησης, Ερμηνευσιμότητα μοντέλων