Predikce sportovních zápasů s neurálními modely

Abstract

Tato práce prozkoumává problém predikce sportovních výsledků a nabízí dva přístupy řešení pomocí neuronových sítí. První přístup je tradiční umělá neuronová síť s embeddingem jednotlivých týmu. Druhé řešení je relativně nový přístup používající Konvoluční Grafové Neuronové Sítě pro reprezentaci týmů. Práce je inovativní tím, že modely nepoužívají vlastnosti specifické pro jednotlivé sporty. Modely se učí na základě výsledků minulých zápasů a jsou vytvořeny, natrénovány a otestovány na dvou doménách: fotbalu a hokeji. Výsledky modelů jsou uspokojivé, pokud se bere v potaz jejich obecnost. Nicméně, výsledné modely ještě nemůžou soupeřit s nejmodernějšími modely a systémy existujícími na trhu.

This thesis explores the problem of predicting sports results and offers two approaches that utilize neural networks. The first approach is a traditional artificial neural network with the embedding of the individual teams. The second one is a relatively new approach that employs Convolutional Graph Neural Networks for team representation. The innovation of this work is that the models do not utilize any sport-specific features. Instead, the models are supposed to learn using merely the results of the past matches. The models are created, trained, and tested on two sports domains: soccer and ice hockey. The results turned out to be satisfactory, taking into consideration the generality of the models. However, the resulting models cannot yet compete with state-of-the-art models and market systems.