Preditor de posicionamento de times em campeonatos baseado em temporadas anteriores
dc.contributor.advisor | Geyer, Claudio Fernando Resin | pt_BR |
dc.contributor.author | Barp, Thiago | pt_BR |
dc.date.accessioned | 2023-02-18T03:27:59Z | pt_BR |
dc.date.issued | 2022 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/10183/254863 | pt_BR |
dc.description.abstract | No mundo do futebol é possível ver que poucos clubes acabam dominando a maior parte das ligas do mundo. Nos últimos dez anos os mesmos cinco times que ganharam campeonatos domésticos se repetem. No lado oposto, os outros times acabam lutando para não serem rebaixados ou são times que não são ruins a ponto de serem rebaixados, mas nem bons o suficiente para ganharem títulos. Esse trabalho busca confirmar a seguinte afirmação: é possível predizer com alta acurácia quais times irão ficar entre os quatro primeiros em cada temporada. Para isso será feito uma análise completa dos indicadores que podem afetar esses resultados. Partindo do retrospecto do time na temporada anterior será feita uma base com informações consideradas relevantes, exemplo delas seriam os pontos, gols e a divisão do campeonato que o time se encontra. Posteriormente será feita uma análise sobre os seguintes modelos de Inteligência Artificial: Rede Neural, Floresta Aleatória e Floresta com XGBoost. O primeiro será baseado no modelo de aprendizagem profunda sequencial disponibilizado pelo Keras. O segundo utilizara o modelo Random ForestClassifier desenvolvido no SKLearn. O último utilizará o código disponibilizado pelo XGBoost, o XGBoostClassifier. Com base nos resultados obtidos serão apresenta das conclusões sobre cada um dos modelos e sobre o trabalho em geral. Por último serão apresentadas algumas possibilidades de melhoria para futuros trabalhos, disponibilizando ideias que podem melhorar a acurácia do modelo | pt_BR |
dc.description.abstract | In the world of football it is possible to see that few clubs end up dominating most of the leagues in the world. Over the last ten years the same five teams have repeatedly won domestic championships. On the opposite side, the other teams end up fighting so they don’t get relegated or they are teams that are not bad enough to be relegated, but not good enough to win titles. This paper seeks to confirm the following statement: it is possible to predict with high accuracy which teams will be among the top four in each season. For this, a complete analysis of the indicators that can affect these results will be carried out. Based on the team’s history in the previous season, a base will be created with information considered relevant, such as points, goals and the league division in which the team is. Subsequently, an analysis will be made on the following models of Artificial Intelligence: Neural Network, Random Forest and Forest with XGBoost. The first will be based on the sequential deep learning model provided by Keras. The second will use the RandomForestClassifier model developed in SKLearn. The last one will use the code provided by XGBoost, the XGBoostClassifier. Based on the results obtained, conclusions will be presented on each of the models and on the paper in general. Finally, some improvement possibilities for future papers will be presented, providing ideas that can improve the accuracy of the model. | en |
dc.format.mimetype | application/pdf | pt_BR |
dc.language.iso | eng | pt_BR |
dc.rights | Open Access | en |
dc.subject | Football | en |
dc.subject | Futebol | pt_BR |
dc.subject | Aprendizagem | pt_BR |
dc.subject | Deep Learning | en |
dc.subject | Random Forest | en |
dc.title | Preditor de posicionamento de times em campeonatos baseado em temporadas anteriores | pt_BR |
dc.type | Trabalho de conclusão de graduação | pt_BR |
dc.contributor.advisor-co | Anjos, Julio Cesar Santos dos | pt_BR |
dc.identifier.nrb | 001162673 | pt_BR |
dc.degree.grantor | Universidade Federal do Rio Grande do Sul | pt_BR |
dc.degree.department | Instituto de Informática | pt_BR |
dc.degree.local | Porto Alegre, BR-RS | pt_BR |
dc.degree.date | 2022 | pt_BR |
dc.degree.graduation | Ciência da Computação: Ênfase em Ciência da Computação: Bacharelado | pt_BR |
dc.degree.level | graduação | pt_BR |
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)