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

• Learning the Bitter Lesson: Empirical Evidence from 20 Years of CVPR Proceedings [1.3812010983144802]
  本研究では,コンピュータビジョンとパターン認識に関するemphConference on Computer Vision and Pattern Recognition(CVPR)研究と,Rich Sutton氏の提唱する"ビット・レッスン"の原則の整合性を検討する。 大規模言語モデル(LLM)を用いて,20年にわたるCVPRの抽象概念とタイトルを分析し,これらの原則の受容性を評価する。
  論文  参考訳（メタデータ） (2024-10-12T21:06:13Z)
• Machine Learning for Missing Value Imputation [0.0]
  本論文の主な目的は、ミス・バリュー・インプットにおける最先端の機械学習アプリケーションの解析と同様に、包括的で厳密なレビューを行うことである。 2014年から2023年にかけて発行された100以上の記事が、その方法や発見を考慮して批判的にレビューされている。 最新の文献は,MVI法の動向とその評価を精査するために検討されている。
  論文  参考訳（メタデータ） (2024-10-10T18:56:49Z)
• What is the Role of Large Language Models in the Evolution of Astronomy Research? [0.0]
  ChatGPTや他の最先端の大規模言語モデル(LLM)は、急速に複数のフィールドを変換している。 これらのモデルは、一般に広大なデータセットに基づいて訓練され、人間のようなテキスト生成能力を示す。
  論文  参考訳（メタデータ） (2024-09-30T12:42:25Z)
• MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
  我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。 MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。 我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
  論文  参考訳（メタデータ） (2024-06-10T15:19:09Z)
• The Evolution of Football Betting- A Machine Learning Approach to Match Outcome Forecasting and Bookmaker Odds Estimation [0.0]
  本稿では,プロサッカーの歴史と賭け産業を探求し,その発展過程を生かし,収益性の高い数百万ポンド規模の企業へと辿り着く。 1960年にギャンブルの合法化が始まり、ハロルド・チャールズ・リープが開拓したサッカーデータ収集の進歩によって補完され、これらの分野間の共生関係は急速な成長と革新を促した。 本研究の目的は,MLアルゴリズムを用いてプレミアリーグフットボールの試合結果を予測することである。
  論文  参考訳（メタデータ） (2024-03-24T20:08:16Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  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)
• 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)
• 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)
• 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。