Die Sportanalytik hat sich zu einem Forschungsgebiet entwickelt, das sich zunehmender Beliebtheit erfreut, was zum Teil auf den realen Erfolg des Bestsellers und Kinofilms Moneyball zurückzuführen ist. Die Analyse von Mannschafts- und Spielerdaten hat die Sportindustrie auf dem Spielfeld, auf dem Platz und auf dem Eis ebenso revolutioniert wie in den Wohnzimmern von Fantasy-Sportlern und Online-Sportwetten.
Anhand von realen Datensätzen aus der Major League Baseball (MLB), der National Basketball Association (NBA), der National Hockey League (NHL), der English Premier League (EPL-Fußball) und der Indian Premier League (IPL-Cricket) lernen Sie, wie Sie Vorhersagemodelle erstellen, um die Leistung von Teams und Spielern vorherzusagen. Sie werden auch den Erfolg von Moneyball mit Hilfe echter statistischer Modelle wiederholen, das Linear Probability Model (LPM) verwenden, um kategorische Ergebnisvariablen in Sportwettbewerben vorherzusagen, erforschen, wie Teams die Leistungsdaten eines Sportlers mit Hilfe von Wearable-Technologien sammeln und organisieren und wie man maschinelles Lernen in einem Sportanalysekontext anwendet.
Diese Einführung in den Bereich der Sportanalytik richtet sich an Sportmanager, Trainer, Physiotherapeuten sowie Sportfans, die die Wissenschaft hinter der Leistung von Sportlern und der Spielvorhersage verstehen wollen. Neue Python-Programmierer und Datenanalysten, die nach einer unterhaltsamen und praktischen Möglichkeit suchen, ihre Kenntnisse in Python, Statistik oder prädiktiver Modellierung anzuwenden, werden die Kurse dieser Reihe genießen.
Praktisches Lernprojekt
Die Lernenden wenden die erlernten Methoden und Techniken auf Sportdatensätze an, um ihre eigenen Ergebnisse zu generieren, anstatt sich auf die Datenverarbeitung durch andere zu verlassen. Dadurch werden die Lernenden in die Lage versetzt, ihre eigenen Ideen über die Leistung von Sportteams zu erforschen, sie anhand der Daten zu testen und so vom Konsumenten zum Produzenten von Sportanalysen zu werden.
