Predikování hokejových zápasů pomocí neuronových sítí

Abstract

Cílem práce je vytvořit modely, využívající neuronové sítě, schopné predikce výsledků hokejových zápasů NHL. Na těchto modelech chceme následně ověřit několik doposud nepotvrzených hypotéz, zejména hypotézu tvrdící, že zvýšená granularita vstupních dat pomáhá ke zlepšení predikčních schopností modelu. Dílčími kroky jsou sběr a příprava statisticky významného množství hokejových dat pro učení modelů, tvorba experimentálního protokolu a ladění hyperparametrů.

The aim of this thesis is to create models using neural networks, capable of predicting the results of NHL hockey matches. With these models, we want to subsequently verify several hitherto unconfirmed hypotheses, especially the hypothesis that the increased granularity of the input data helps to improve the predictive capabilities of the models. Partial steps are the collection and preparation of a statistically significant amount of hockey data for learning models, creating an experimental protocol, and tuning hyperparameters.