Data Mining

Resultados Desportivos

PROJETO FEUP | MIEGI

TURMA 1 | EQUIPA 2

SUPERVISOR Armando Leitão MONITOR Luís Dias

André Pinto | Bárbara Ribeiro |Beatriz Gonçalves | Margarida Silva | Teresa Matos

Objetivos

3DATA MINING – RESULTADOS DESPORTIVOS 2

• Caraterizar Data Mining;

• Apresentar vantagens e desvantagens;

• Explorar o possível impacto nos resultados desportivos;

• Data Mining como ferramenta de melhoria a nível desportivos;

• Demonstrar desportos onde seja evidenciada a utilização do Data Mining.

MIEGI | TURMA 1 | EQUIPA 2

Conceito de Data Mining

34DATA MINING – RESULTADOS DESPORTIVOS 3

Recolha, seleção e análise quantitativa de informação, transformando-a

em conhecimento organizado e útil.

• Avaliação e identificação de relacionamentos entre variáveis

• Registo e dedução de padrões, exceções, tendências

• Propósitos: previsão, classificação e otimização

MIEGI | TURMA 1 | EQUIPA 2

Conceito de Data Mining

44DATA MINING – RESULTADOS DESPORTIVOS 4

Fig 1. Etapas do processo KDD (Knowledge Discovery in Databases)

MIEGI | TURMA 1 | EQUIPA 2

Etapas para aplicação

5DATA MINING – RESULTADOS DESPORTIVOS

Seleção de dados Limpeza de dados

Transformação / Codificação

Processamento

5MIEGI | TURMA 1 | EQUIPA 2

Principais

técnicas/algoritmos

6DATA MINING – RESULTADOS DESPORTIVOS 6

Árvores de decisão

Fig 2. Exemplo de árvore de decisão

MIEGI | TURMA 1 | EQUIPA 2

Principais

técnicas/algoritmos

6DATA MINING – RESULTADOS DESPORTIVOS 7

Redes Neuronais

Fig 3. Estrutura de uma rede neuronal

MIEGI | TURMA 1 | EQUIPA 2

Principais

técnicas/algoritmos

6DATA MINING – RESULTADOS DESPORTIVOS 8

Regras de associação

Representam padrões de relacionamento entre itens de uma base

de dado, se a presença de um conjunto de itens implica a presença

de um outro.X → Y

MIEGI | TURMA 1 | EQUIPA 2

9

ferramentas

DATA MINING – RESULTADOS DESPORTIVOS

SAS (Interprise Miner) Weka RapidMiner

Fig 4. Logótipo SAS Fig 5. Logótipo Weka Fig 6. Logótipo RapidMiner

9MIEGI | TURMA 1 | EQUIPA 2

10

vantagens

DATA MINING – RESULTADOS DESPORTIVOS

• Previsão de tendências futuras;

• Ajuda na tomada de decisões;

• A exposição de hábitos de aquisição;

• O aumento do rendimento das empresas / organizações desportivas;

• Fácil deteção de fraudes.

10MIEGI | TURMA 1 | EQUIPA 2

11

desvantagens

DATA MINING – RESULTADOS DESPORTIVOS

• Processo dispendioso;

• Violação de privacidade;

• Problemas de segurança;

• Uso inapropriado de informação;

• Limitação associada à precisão dos dados.

11MIEGI | TURMA 1 | EQUIPA 2

12

Data mining associado

ao desporto

DATA MINING – RESULTADOS DESPORTIVOS

Análises estatísticas e descoberta de padrões

• Prever desempenhos e resultados

• Selecionar jogadores

• Planear melhores estratégias de treino

• Reduzir a frequência e o impacto de testes físicos

12

Fig 7. Modalidades desportivas

MIEGI | TURMA 1 | EQUIPA 2

Previsão de possíveis lesões dos jogadores.

Vantagem competitiva na prevenção de lesões.

Melhor performance do jogador e valorização no mercado

de transferências do futebol.13

DATA MINING – RESULTADOS DESPORTIVOS

Futebol

13

Fig 8. Jogador do AC Milan

MIEGI | TURMA 1 | EQUIPA 2

Data mining associado

ao desporto

14DATA MINING – RESULTADOS DESPORTIVOS

Basquetebol

Classificação da Eficácia do Jogador (PER)

Zonas de Lançamento

Previsão das respostas às campanhas de marketing

14

Fig 9. Jogador de Basquetebol

MIEGI | TURMA 1 | EQUIPA 2

Data mining associado

ao desporto

15DATA MINING – RESULTADOS DESPORTIVOS

Fórmula 1 Idade Faixa etária entre os 27 e 36 anos

Grelhas Primeiras grelhas

Número de paragens Duas paragens

15

Fig 10. Veículo de Fórmula 1

MIEGI | TURMA 1 | EQUIPA 2

Data mining associado

ao desporto

16

Conclusão

DATA MINING – RESULTADOS DESPORTIVOS 16

• Data Mining pode ser definido como o processo de recolha e posterior análise de

informação, convertendo-a em conhecimento organizado.

• Ao nível do desporto, o recurso a este processo implica melhorias dos resultados e

desempenho das equipas desportivas.

• O Data Mining é um processo recente e inovador com uma grande margem de

progressão, sendo relevante aprofundar e investigar esta temática.

MIEGI | TURMA 1 | EQUIPA 2

MIEGI | TURMA 1 | EQUIPA 2 17

Obrigado!

SUPERVISOR Armando Leitão MONITOR Luís Dias

André Pinto | Bárbara Ribeiro |Beatriz Gonçalves | Margarida Silva | Teresa Matos

2016/2017