Utilización de técnicas de aprendizaje automático para la predicción del rendimiento de los jugadores de fútbol

La industria del deporte y concretamente la del fútbol se ha gestionado tradicionalmente por los sentimientos y la intuición. La evolución de la tecnología en distintos ámbitos está suponiendo una verdadera revolución que va a provocar una visión distinta a la hora de practicar el deporte y gestionar los clubes de fútbol, por no hablar de la relación con los fans y el mundo de las apuestas deportivas. Los ámbitos referenciados son: - Los dispositivos IoT, la geolocalización y las técnicas de análisis de video que proporcionan grandes cantidades de datos disponibles para su explotación. - La proliferación de aplicaciones, plataformas y lenguajes de programación orientados al tratamiento y análisis e interpretación de datos masivos. - Los recursos computacionales que proporcionan capacidades no disponibles hasta la actualidad a unos precios asequibles y con unos modelos de consumo adaptados a las necesidades de los usuarios. La situación expuesta está demandando a la sociedad profesionales con una combinación de aptitudes de gran valor añadido como son: - los conocimientos matemáticos para desarrollar modelos predictivos, - los conocimientos de negocio para saber buscar los casos de uso verdaderamente interesantes y, - los conocimientos de programación para trasladar los anteriores a la tecnología. Los fundamentos adquiridos en este máster cubren dos de los aspectos mencionados (matemáticas y programación) y la parte de negocio la aporta el autor y las consultas realizadas por éste a varios clubes profesionales. Este trabajo es la continuación del Trabajo fin del Grado Matemáticas e Informática de la UPM presentado en 2021. Se propone el desarrollo de una red neuronal que prediga el rendimiento de los jugadores de un equipo de fútbol en un partido, otorgándoles una nota del 0 al 10. El objetivo principal es producir un error medio lo más bajo posible usando un diseño eficiente en costes de la arquitectura de la red neuronal. La red neuronal diseñada produce un error absoluto medio < 0,64 en el proceso de validación. Los objetivos secundarios son las respuestas a las preguntas de negocio planteadas a través de algoritmos de Aprendizaje Automático tradicionales. Dichas preguntas son: • ¿Cómo están relacionados los distintos datos de un jugador? Se ha identificado que el número de intervenciones de un jugador está influenciado por la distancia que mantiene con el resto de los compañeros. • ¿Cómo se pueden clasificar a los jugadores según sus datos? La relación entre la velocidad máxima alcanzada con la distancia recorrida clasifica a los jugadores en 6 posiciones. • ¿Cuántos errores graves cometerá un jugador? Mediante un Support Vector Machine se consigue predecir con un 92% de acierto el número de errores que cometerá según los datos de anteriores partidos. • ¿Qué datos influyen a los resultados? Un árbol de clasificación identifica que la cantidad de pases largos acertados hace que el equipo esté más cerca de ganar. La pila tecnológica seleccionada para cubrir los objetivos de negocio de forma eficiente y eficaz surge tras un análisis de herramientas. Estas tecnologías clasificadas por funciones son: • Base de Datos: Mongo DB. • Lenguaje de programación: Python. • Entendimiento y Tratamiento de datos: Sklearn, Seaborn, Matplotlib y Pandas. • Aprendizaje Automático: Sklearn. • Redes neuronales: Tensorflow y Keras. Para el desarrollo se utiliza la metodología CRISP-DM por adaptarse a los proyectos de Ciencia de Datos, ya que todas sus fases giran en torno al dato. Los proyectos de Ciencia de Datos se desarrollan por equipos de trabajo proporcionando la posibilidad de la paralelización de tareas. El proyecto ha tenido una duración de tres meses y ha sido desarrollado íntegramente por el autor al tratarse de un trabajo personal.---ABSTRACT---The sports industry and specifically the football industry has traditionally been managed by feelings and intuition. The evolution of technology in different fields is leading to a revolution that is going to cause a different vision when it comes to practicing sports and managing football clubs, not to mention the relationship with fans and the world of sports betting. The referenced areas are: - IoT devices, geolocation and video analysis techniques that provide a large amount of data available for exploitation. - The large number of applications, platforms and programming languages oriented to the treatment, analysis, and interpretation of massive data. - Computational resources that provide capacities not available until now at affordable prices and with consumption models adapted to the needs of users. The exposed situation is demanding professionals with a combination of skills of great added value, such as: - Mathematical knowledge to develop predictive models, - The business knowledge to know how to look for the truly interesting use cases and, - Programming knowledge to transfer the previous ones to technology. The fundamentals acquired in this master cover two of the aspects mentioned (mathematics and programming) and the business part is provided by the author and the consultations made by him to various professional clubs. This project is the continuation of the Final Project of the Grade in Mathematics and Computer Science in the Universidad Politécnica de Madrid presented in 2021. In this project the author proposes the development of a neural network that predicts the performance of the players of a soccer team in a match, giving them a score from 0 to 10. The main objective is to produce a mean error as low as possible using a cost-efficient design of the neural network architecture. The designed neural network produces a mean absolute error < 0.64 in the validation process. Secondary goals are the answers to business questions posed through traditional Machine Learning algorithms. These questions are: How is the relationship between the different data of a player? It has been identified that the number of interventions of a player is influenced by the distance that he maintains with the rest of his teammates. • How can players be ranked based on their data? The relationship between the maximum speed reached with the distance covered classifies the players in 6 positions. • How many serious errors will a player make? Using a Support Vector Machine, it is possible to predict with a 92% of accuracy the number of errors that he will commit according to the data of previous matches. • What data influences the results? A ranking tree identifies which number of successful long passes brings the team closer to winning. The technological stack selected to meet the business objectives efficiently and effectively arises after an analysis of tools. These technologies classified by function are: • Database: Mongo DB. • Programming language: Python. • Understanding and Data Processing: Sklearn, Seaborn, Matplotlib and Pandas. • Machine Learning: Sklearn. • Neural networks: Tensorflow and Keras. For the development phase, the CRISP-DM methodology is used because its ease to adapt to data science projects, since all its phases are data centric. Data science projects are developed by work teams, providing the possibility of parallelizing tasks. The project has lasted three months and has been developed entirely by the author as it is a personal work