Strojové učení v bojových sportech

Mikoláš Bartoš

Machine learning in combat sports

Type of document

bakalářská práce
bachelor thesis

Author

Mikoláš Bartoš

Supervisor

Uhrín Matej

Opponent

Drchal Jan

Field of study

Software

Study program

Otevřená informatika

Institutions assigning rank

katedra počítačů

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Tato bakalářská práce zkoumá příležitosti pro generování profitu na sázkařských trzích pro smíšená bojová umění (MMA) za pomoci strojového učení. Oficiální data z Ultimate Fighting Championship (UFC) byla shromážděna za účelem předpovídání výsledků budoucích zápasů pomocí navržené neuronové sítě. Experimentální ztrátové funkce byly použity ke snížení korelace s předpovědmi bookmakera s cílem využít výhodnější pozice sázkaře v porovnání s bookmakerem. Kellyho kritérium a jeho alternativní podoba pro více souběžně konaných zápasů byly následně aplikovány jako kritérium pro alokaci finančních zdrojů na sázkařské příležitosti. Pro zhodnocení navrženého modelu společně s dvěma strategiemi sázení byla využita metoda bootstrap, která zvyšuje pravděpodobnost, že dosažený profit není výsledkem náhody.

This work examines the opportunities for profit generation on the mixed martial arts (MMA) betting market using machine learning. Official data from the Ultimate Fighting Championship (UFC) was acquired and processed to be used by the proposed neural network model to predict fight outcomes. Experimental loss functions decreasing correlation with bookmaker's estimates were used in the training process to exploit the discussed advantage a bettor holds over a bookmaker. The Kelly Criterion and its alternative for simultaneous games were then applied as wealth allocation policies on historical odds. The model and the two betting strategies were assessed using the bootstrap method to rule out any randomness of the achieved betting returns.