L'analyse sportive est un domaine de recherche de plus en plus populaire, propulsé en partie par le succès réel illustré par le best-seller et le film Moneyball. L'analyse des données relatives aux performances des équipes et des joueurs a continué à révolutionner l'industrie du sport sur le terrain, le court et la glace, ainsi que dans les salons des joueurs de sports fantastiques et de paris sportifs en ligne.
En vous appuyant sur des ensembles de données réelles de la Major League Baseball (MLB), de la National Basketball Association (NBA), de la National Hockey League (NHL), de l'English Premier League (EPL-soccer) et de l'Indian Premier League (IPL-cricket), vous apprendrez à construire des modèles prédictifs afin d'anticiper les performances des équipes et des joueurs. Vous reproduirez également le succès de Moneyball en utilisant de vrais modèles statistiques, vous utiliserez le modèle de probabilité linéaire (LPM) pour anticiper les variables de résultats catégoriels dans les compétitions sportives, vous explorerez comment les équipes collectent et organisent les données de performance d'un athlète avec des technologies portables, et vous apprendrez à appliquer l'apprentissage automatique dans un contexte d'analyse sportive.
Cette introduction au domaine de l'analyse sportive est conçue pour les managers sportifs, les entraîneurs, les kinésithérapeutes, ainsi que les fans de sport qui veulent comprendre la science derrière la performance des athlètes et la prédiction des matchs. Les nouveaux programmeurs Python et les analystes de données qui recherchent un moyen amusant et pratique d'appliquer leurs compétences en Python, en statistiques ou en modélisation prédictive apprécieront les cours de cette série.
Projet d'apprentissage appliqué
Les apprenants appliqueront les méthodes et les techniques apprises à des ensembles de données sportives pour générer leurs propres résultats plutôt que de s'appuyer sur le traitement des données effectué par d'autres. En conséquence, l'apprenant sera en mesure d'explorer ses propres idées sur les performances des équipes sportives, de les tester en utilisant les données et de devenir ainsi un producteur d'analyses sportives plutôt qu'un consommateur.
