Módulos e Conteúdo

Módulo 1: Fundamentos da Análise Esportiva: Dados, Representação e Modelos em Esportes Este curso fornece uma introdução ao uso do Python para analisar o desempenho da equipe nos esportes. Os alunos descobrirão uma variedade de técnicas que podem ser usadas para representar dados esportivos e como extrair narrativas com base nessas técnicas analíticas. O foco principal da introdução será o uso da análise de regressão para analisar dados de desempenho de times e jogadores, usando exemplos extraídos da National Football League (NFL), da National Basketball Association (NBA), da National Hockey League (NHL), a Premier League inglesa (EPL, futebol) e a Premier League indiana (IPL, críquete).

Módulo 2: Moneyball e além O livro Moneyball desencadeou uma revolução na análise de estatísticas de desempenho em esportes profissionais, mostrando que a análise de dados poderia ser usada para aumentar a porcentagem de vitórias da equipe. Este curso mostra como programar dados usando Python para testar as afirmações que estão por trás da história do Moneyball e examinar a evolução das estatísticas do Moneyball desde que o livro foi publicado. O aluno é conduzido pelo processo de cálculo das estatísticas de desempenho do beisebol a partir de conjuntos de dados disponíveis publicamente. O curso progride da análise da porcentagem de base e porcentagem de slugging para medidas mais avançadas derivadas usando a matriz de expectativa de execução, como vitórias acima da substituição (WAR). No final deste curso, o aluno será capaz de usar essas estatísticas para conduzir suas próprias análises de times e jogadores.

Módulo 3: Modelos de previsão com dados esportivos Neste curso, o aluno aprenderá como gerar previsões de resultados de jogos em esportes profissionais usando Python. A ênfase principal do curso está no ensino do método de regressão logística como forma de modelar resultados de jogos, usando dados de gastos da equipe. O aluno é levado através do processo de modelar os resultados anteriores e, em seguida, usar o modelo para prever os resultados dos jogos ainda não jogados. O curso mostrará ao aluno como avaliar a confiabilidade de um modelo usando dados sobre probabilidades de apostas. A análise é aplicada primeiro à Premier League inglesa, depois à NBA e à NHL. O curso também fornece uma visão geral da relação entre análise de dados e jogos de azar, sua história e as questões sociais que surgem em relação às apostas esportivas, incluindo os riscos pessoais. Este curso não explica simplesmente métodos e técnicas, mas permite ao aluno aplicá-los a conjuntos de dados esportivos de interesse para que possam gerar seus próprios resultados, em vez de depender do processamento de dados realizado por outros. Como consequência, o aprendizado será capacitado para explorar suas próprias ideias sobre o desempenho da equipe esportiva, testá-las usando os dados e, assim, tornar-se um produtor de análises esportivas em vez de um consumidor. Enquanto os materiais do curso foram desenvolvidos usando Python, o código também foi produzido para derivar todos os resultados em R, para aqueles que preferem esse ambiente.

Módulo 4: Tecnologias vestíveis e análises esportivas A análise esportiva agora inclui conjuntos de dados massivos de atletas e equipes que quantificam os esforços de treinamento e competição. Dispositivos de tecnologia vestível estão sendo usados ​​por atletas todos os dias e oferecem oportunidades consideráveis ​​para uma análise aprofundada do estresse e da recuperação dos atletas durante temporadas inteiras. A captura desses grandes conjuntos de dados levou a novas hipóteses e estratégias relacionadas à prevenção de lesões, bem como feedback detalhado para os atletas tentarem otimizar o treinamento e a recuperação. Este curso é uma introdução aos dispositivos de tecnologia vestível e seu uso em treinamento e competição como parte do campo mais amplo das ciências do esporte. Inclui uma introdução aos princípios fisiológicos relevantes para o treinamento físico e o desempenho esportivo e como os dispositivos vestíveis podem ser usados ​​para ajudar a caracterizar o treinamento e o desempenho. Ele inclui acesso a alguns grandes conjuntos de dados de equipes esportivas e usa programação em python para explorar conceitos relacionados a treinamento, recuperação e desempenho.

Módulo 5: Introdução ao aprendizado de máquina em análises esportivas Neste curso, os alunos explorarão técnicas de aprendizado de máquina supervisionado usando o kit de ferramentas python scikit learning (sklearn) e dados atléticos do mundo real para entender os algoritmos de aprendizado de máquina e como prever resultados atléticos. Com base nos cursos anteriores da especialização, os alunos aplicarão métodos como máquinas de vetores de suporte (SVM), árvores de decisão, floresta aleatória, regressão linear e logística e conjuntos de alunos para examinar dados de ligas esportivas profissionais, como NHL e MLB bem como dispositivos vestíveis, como o Apple Watch e unidades de medição inercial (IMUs). No final do curso, os alunos terão uma ampla compreensão de como as técnicas de classificação e regressão podem ser usadas para permitir a análise esportiva em atividades e eventos atléticos.