Framework pro rozsáhlé studie strojového učení ve sportech

Abstract

Práce pojednává o návrhu a implementaci frameworku pro strojové učení v doméně prediktivní sportovní analýzy. Hlavním cílem framworku je umožnení tvorby příslušných workflows, reprezentujích grafy podléhající operacím, od transformací dat až po trénování modelů. V doméně prediktivní sportovní analýzy jsou tyto workflows poměrně komplexní. To je způsobeno především časově závislou charakteristikou soutežicích a častým hierarchickým skládáním heterogenních prediktivních modelů. Součástí práce je také kategorizace existujících sportů a modelů, umožňující snadnější přenos mezi doménami a implementaci nových workflows. Přínostnost frameworku je pak demonstrována na vybraných případových studiích, které popisují možnosti knihovny a její použití.

This thesis seeks to examine the design and implementation of a framework for machine learning, namely, the domain of predictive sports analysis. The mentioned framework’s main objective is to enable the creation of respective workflows represented by graphs of individual operations ranging from data transformations to model training. Moreover, these workflows are especially complex given the context of predictive sports analysis, mainly due to the time-dependent characteristics of competitors and the frequent hierarchical composition of heterogeneous predictive models. Additionally, this thesis documents the categorisation of existing sports and models allowing a more seamless transfer between domains and the implementation of new workflows. The advantages of such framework are then displayed by presenting selected case studies describing the libraries' possibilities and its use.