論文の概要: The Application of Machine Learning Techniques for Predicting Results in
Team Sport: A Review
- arxiv url: http://arxiv.org/abs/1912.11762v1
- Date: Thu, 26 Dec 2019 03:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-10 08:30:05.323049
- Title: The Application of Machine Learning Techniques for Predicting Results in
Team Sport: A Review
- Title(参考訳): チームスポーツにおける結果を予測するための機械学習技術の応用:レビュー
- Authors: Rory Bunker (1), Teo Susnjak (2) ((1) Nagoya Institute of Technology,
Japan, (2) Massey University, Auckland, New Zealand)
- Abstract要約: 我々は,1996年から2019年までのチームスポーツの結果を予測するために機械学習を用いた研究のレビューを行った。
本稿は、この分野でMLアルゴリズムが使われる傾向にあることや、成功した結果に現れ始めていることの洞察を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past two decades, Machine Learning (ML) techniques have been
increasingly utilized for the purpose of predicting outcomes in sport. In this
paper, we provide a review of studies that have used ML for predicting results
in team sport, covering studies from 1996 to 2019. We sought to answer five key
research questions while extensively surveying papers in this field. This paper
offers insights into which ML algorithms have tended to be used in this field,
as well as those that are beginning to emerge with successful outcomes. Our
research highlights defining characteristics of successful studies and
identifies robust strategies for evaluating accuracy results in this
application domain. Our study considers accuracies that have been achieved
across different sports and explores the notion that outcomes of some team
sports could be inherently more difficult to predict than others. Finally, our
study uncovers common themes of future research directions across all surveyed
papers, looking for gaps and opportunities, while proposing recommendations for
future researchers in this domain.
- Abstract(参考訳): 過去20年間で、スポーツの結果を予測するために機械学習(ML)技術がますます利用されるようになった。
本稿では,チームスポーツの結果を予測するためにMLを用いた研究のレビューを行い,1996年から2019年までの研究を取り上げる。
我々はこの分野の論文を幅広く調査しながら、5つの重要な研究課題に答えようとした。
本稿は、この分野でMLアルゴリズムが使われる傾向にあること、および、成功した結果が出現し始めていることを考察する。
本研究は,本アプリケーション領域における精度評価のための頑健な戦略を明らかにする。
本研究は,様々なスポーツで達成されたアキュラティティーを考察し,チームスポーツの結果は本質的に他のスポーツよりも予測が困難であると考える。
最後に、この研究は、すべての調査論文における将来の研究の方向性に関する共通のテーマを明らかにし、ギャップと機会を探しながら、この分野の将来の研究者への勧告を提案している。
関連論文リスト
- Machine Learning for Soccer Match Result Prediction [0.9002260638342727]
本章では、利用可能なデータセット、モデルと機能のタイプ、モデルパフォーマンスを評価する方法について論じる。
本章の目的は,サッカーの試合結果予測のための機械学習の現状と今後の展開について概説することである。
論文 参考訳(メタデータ) (2024-03-12T14:00:50Z) - The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [56.00281164118548]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳(メタデータ) (2023-12-01T16:00:25Z) - Unveiling the Sentinels: Assessing AI Performance in Cybersecurity Peer
Review [4.081120388114928]
サイバーセキュリティの分野では、ダブルブラインドピアレビューの実践がデファクトスタンダードである。
本稿では、ピアレビューの聖杯に触れ、学術的セキュリティカンファレンスのレビューにおけるAIのパフォーマンスについて光を当てることを目的としている。
本研究では,人間レビュアーと機械学習モデルから得られた結果を比較し,評価結果の予測可能性について検討する。
論文 参考訳(メタデータ) (2023-09-11T13:51:40Z) - Why is the winner the best? [78.74409216961632]
IEEE I SBI 2021 と MICCAI 2021 の範囲で実施した80のコンペすべてを対象に,マルチセンターで実施した。
勝者となるソリューションとしては、マルチタスク学習(63%)、マルチステージパイプライン(61%)、拡大(100%)、画像前処理(97%)、データキュレーション(79%)、後処理(66%)などがある。
高ランクのチームでは、メソッド設計におけるメトリクスの反映と、障害ケースの分析と処理に焦点を当てた2つの中核的な開発戦略が目立った。
論文 参考訳(メタデータ) (2023-03-30T21:41:42Z) - Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。
我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。
結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
論文 参考訳(メタデータ) (2023-03-28T17:42:13Z) - Towards Informed Design and Validation Assistance in Computer Games
Using Imitation Learning [65.12226891589592]
本稿では,自動ゲーム検証とテストのための新しいアプローチを提案する。
本手法は,データ駆動型模倣学習技術を活用し,時間と労力をほとんど必要とせず,機械学習やプログラミングの知識も必要としない。
論文 参考訳(メタデータ) (2022-08-15T11:08:44Z) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳(メタデータ) (2022-05-23T08:34:25Z) - Measuring Domain Knowledge for Early Prediction of Student Performance:
A Semantic Approach [5.721241882795979]
研究者らは、パフォーマンスモデリング研究に様々な予測器を使用してきた。
約0.35万の観測に関する協会の採掘は、事前の認知が学生のパフォーマンスに影響を及ぼすことを証明している。
ドメイン知識を測定するという提案されたアプローチは、初期のパフォーマンスモデリング研究が予測子として使うのに役立ちます。
論文 参考訳(メタデータ) (2021-07-15T23:46:27Z) - OpenHoldem: An Open Toolkit for Large-Scale Imperfect-Information Game
Research [82.09426894653237]
OpenHoldemは、NLTHを用いた大規模不完全情報ゲーム研究のための統合ツールキットです。
1)異なるNLTH AIを徹底的に評価するための標準化された評価プロトコル、2)NLTH AIのための3つの公的に利用可能な強力なベースライン、3)公開NLTH AI評価のための使いやすいAPIを備えたオンラインテストプラットフォーム。
論文 参考訳(メタデータ) (2020-12-11T07:24:08Z) - Topic Space Trajectories: A case study on machine learning literature [0.0]
本稿では,研究トピックの包括的追跡を可能にする構造であるトピック空間トラジェクトリを提案する。
我々は,32の出版会場から50年間の機械学習研究を対象とする出版コーパスへのアプローチの適用性を示した。
本手法は,論文分類,今後の研究課題の予測,未発表の論文提出のための会議や雑誌の掲載を推奨するために利用することができる。
論文 参考訳(メタデータ) (2020-10-23T10:53:42Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳(メタデータ) (2020-08-02T00:09:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。