Ce cours propose une introduction à l'utilisation de Python pour analyser les performances des équipes sportives. Les apprenants découvriront une variété de techniques qui peuvent être utilisées pour représenter les données sportives et comment extraire des récits basés sur ces techniques analytiques. L'accent sera mis sur l'utilisation de l'analyse de régression pour analyser les données de performance des équipes et des joueurs, en utilisant des exemples tirés de la National Football League (NFL), de la National Basketball Association (NBA), de la National Hockey League (NHL), de l'English Premier League (EPL, football) et de l'Indian Premier League (IPL, cricket).
Fondements de l'analyse sportive : Données, représentation et modèles dans le sport
Ce cours fait partie de Spécialisation Analyse des performances sportives
Instructeurs : Wenche Wang
21 941 déjà inscrits
Inclus avec
(182 avis)
Expérience recommandée
Ce que vous apprendrez
Utilisez Python pour analyser les performances d'une équipe sportive.
Devenez un producteur d'analyses sportives plutôt qu'un consommateur.
Compétences que vous acquerrez
- Catégorie : Analyse des Données
- Catégorie : Programmation en Python
- Catégorie : analyse du sport
Détails à connaître
Ajouter à votre profil LinkedIn
13 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 6 modules dans ce cours
Cette semaine présente un exemple simple d'analyse sportive en pratique - le calcul de l'espérance pythagoricienne pour modéliser la victoire dans les sports d'équipe. Ce calcul peut également être utilisé à des fins de prédiction. Des exemples sont développés pour cinq ligues sportives différentes, la Major League Baseball (MLB), la National Basketball Association (NBA), la National Hockey League (NHL), l'English Premier League (EPL-soccer) et l'Indian Premier League (IPL-cricket).
Inclus
8 vidéos6 lectures1 devoir7 laboratoires non notés
Cette semaine, nous utiliserons les données NBA pour présenter les codes Python de base et importants afin de procéder au nettoyage et à la préparation des données. Cette semaine aborde également les analyses sommaires et descriptives à l'aide de statistiques et de graphiques afin de comprendre la distribution des données, les caractéristiques et la structure des variables ainsi que la relation entre deux variables. À la fin de cette semaine, nous introduirons les coefficients de corrélation pour résumer la relation linéaire entre deux variables.
Inclus
6 vidéos6 lectures3 devoirs5 laboratoires non notés
Ce module présente quelques méthodes de représentation des données à l'aide d'exemples tirés de la MLB, de la NBA et de l'Indian Premier League. Les données de la MLB sont utilisées pour analyser la distribution spatiale des différents coups. Les données de la NBA sont utilisées pour générer des cartes thermiques afin d'illustrer les différentes façons dont les joueurs contribuent. Les données de l'IPL sont utilisées pour montrer comment les performances des équipes peuvent être comparées graphiquement.
Inclus
4 vidéos6 lectures2 devoirs5 laboratoires non notés
Cette semaine présente les principes fondamentaux de l'analyse de régression. Nous verrons comment effectuer une analyse de régression à l'aide de Python et comment interpréter les résultats de la régression. Nous utiliserons les données de la NHL pour estimer des modèles de régression multiple afin d'identifier les facteurs de performance au niveau de l'équipe qui affectent le pourcentage de victoire de l'équipe. Nous utiliserons également des données de cricket de l'Indian Premier League pour effectuer des analyses de régression afin d'examiner si les performances des joueurs ont un impact sur leur salaire.
Inclus
6 vidéos6 lectures3 devoirs4 laboratoires non notés
Ce module utilise l'analyse de régression pour étudier la relation entre les dépenses salariales des équipes et les performances des équipes en NBA, NHL, EPL et IPL. Le module explore différentes manières de définir le modèle de régression et d'interpréter les résultats de modèles de régression concurrents.
Inclus
4 vidéos4 lectures1 devoir5 laboratoires non notés
Cette semaine, nous étudions un sujet intéressant dans le domaine du sport, la main chaude. Nous présenterons le concept de hot hand et discuterons de la recherche universitaire qui examine si le hot hand est un phénomène ou une erreur. Nous montrerons comment tester analytiquement la main chaude à l'aide des données du journal des tirs de la NBA. Nous testerons si les joueurs de la NBA ont la main chaude en calculant les probabilités conditionnelles et les coefficients d'autocorrélation, ainsi qu'en effectuant des analyses de régression.
Inclus
8 vidéos7 lectures3 devoirs5 laboratoires non notés
Instructeurs
Offert par
Recommandé si vous êtes intéressé(e) par Analyse des Données
University of Minnesota
American Council on Exercise
Wesleyan University
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
182 avis
- 5 stars
65,02 %
- 4 stars
24,59 %
- 3 stars
4,37 %
- 2 stars
2,73 %
- 1 star
3,27 %
Affichage de 3 sur 182
Révisé le 26 août 2021
Great course. Although this course focuses on sports analysis, the analyzing process I learned from it can apply to any other areas of analysis.
Révisé le 7 mars 2022
An excellent way to get hands-on experience exploring sports data in Python/R
Révisé le 13 oct. 2024
Excellent course! All of a sudden, I understand statistical concepts I struggled to grasp in undergrad.
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.