Framework pro provozní operace strojového učení ve sportech

Abstract

Tato práce se zaměřuje na vývoj komplexního softwarového frameworku pro efektivní empirické testování modelů strojového učení v prediktivní sportovní analytice. Cílem práce je poskytnout možnost provádět sledovatelné, reprodukovatelné, modulární a efektivní experimenty dodržující zásady MLOps a vylepšit současný systém pro predikci výsledků zápasů začleněním modulů určených pro optimalizaci sázek. Systém bude vyhodnocen pomocí různých modelů předpovědí a strategií optimalizace portfolia aplikovaných na různé oblasti sportovních dat. Tato práce ukáže integraci stávajících zdrojů do jediného softwarového frameworku v souladu s řešeními MLOps, vytvoření robustního protokolu pro vyhodnocování workflow, širokou škálu experimentů za různých podmínek, analýzu výsledků a případná vylepšení. Tato práce umožní dosáhnout pokroku v chápání a používání metod strojového učení v prediktivní sportovní analytice a zároveň zdůrazní význam efektivního experimentování a reprodukovatelnosti. Kromě toho má tato práce využít výpočetní možnosti počítačového clusteru k urychlení procesu experimentování a podrobně se zabývá praktickou implementací frameworku, včetně nezbytných softwarových požadavků na nastavení počítačového clusteru.

This thesis focuses on the development of a comprehensive software framework for efficient empirical testing of machine learning models in predictive sports analytics. The goal of the work is to provide the option to conduct trackable, reproducible, modular and efficient experiments adhering to MLOps principles, and to improve the current framework for predicting match results by incorporating blocks responsible for betting optimization. The system will be evaluated using different prediction models and portfolio optimization strategies applied to different areas of sports data. This work will demonstrate the integration of existing resources into a single software framework consistent with MLOps solutions, the creation of a robust workflow evaluation protocol, a wide range of experiments under various conditions, the analysis of results, and potential improvements. This work advances the understanding and application of machine learning methods in predictive sports analytics while emphasizing the importance of efficient experimentation and reproducibility. Furthermore, this work is to leverage the computational capabilities of a computer cluster to accelerate the experimentation process and discusses the practical implementation of the framework, including the necessary software requirements for setting up the computer cluster.