論文の概要: Deep Artificial Intelligence for Fantasy Football Language Understanding
- arxiv url: http://arxiv.org/abs/2111.02874v1
- Date: Thu, 4 Nov 2021 14:02:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 14:12:46.679715
- Title: Deep Artificial Intelligence for Fantasy Football Language Understanding
- Title（参考訳）: ファンタジーフットボール言語理解のための深層人工知能
- Authors: Aaron Baughman, Micah Forester, Jeff Powell, Eduardo Morales, Shaun
McPartlin, Daniel Bohm
- Abstract要約: 本研究ではESPN Fantasy Footballチームを管理するための機械学習パイプラインの結果について論じる。
このシステムは自然言語を100%の類似検定精度と80%のキーワード検定精度で理解する。
ディープラーニングフィードフォワードニューラルネットワークは、プレイヤーがバスト、ブーム、隠れた怪我でプレイしたり、累積的な72%の精度で意味のあるタッチをプレイしたりといったプレイヤーの分類を提供する。
- 参考スコア（独自算出の注目度）: 0.32622301272834525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fantasy sports allow fans to manage a team of their favorite athletes and
compete with friends. The fantasy platform aligns the real-world statistical
performance of athletes to fantasy scoring and has steadily risen in popularity
to an estimated 9.1 million players per month with 4.4 billion player card
views on the ESPN Fantasy Football platform from 2018-2019. In parallel, the
sports media community produces news stories, blogs, forum posts, tweets,
videos, podcasts and opinion pieces that are both within and outside the
context of fantasy sports. However, human fantasy football players can only
analyze an average of 3.9 sources of information. Our work discusses the
results of a machine learning pipeline to manage an ESPN Fantasy Football team.
The use of trained statistical entity detectors and document2vector models
applied to over 100,000 news sources and 2.3 million articles, videos and
podcasts each day enables the system to comprehend natural language with an
analogy test accuracy of 100% and keyword test accuracy of 80%. Deep learning
feedforward neural networks provide player classifications such as if a player
will be a bust, boom, play with a hidden injury or play meaningful touches with
a cumulative 72% accuracy. Finally, a multiple regression ensemble uses the
deep learning output and ESPN projection data to provide a point projection for
each of the top 500+ fantasy football players in 2018. The point projection
maintained a RMSE of 6.78 points. The best fit probability density function
from a set of 24 is selected to visualize score spreads. Within the first 6
weeks of the product launch, the total number of users spent a cumulative time
of over 4.6 years viewing our AI insights. The training data for our models was
provided by a 2015 to 2016 web archive from Webhose, ESPN statistics, and
Rotowire injury reports. We used 2017 fantasy football data as a test set.
- Abstract（参考訳）: ファンタジースポーツは、ファンがお気に入りのアスリートのチームを管理し、友人と競うことを可能にする。
ファンタジー・プラットフォームは、スポーツ選手の実際の統計成績をファンタジーのスコアと一致させ、2018年から2019年にかけてESPN Fantasy Footballプラットフォームで440億のプレイヤー・カードビューで月間9100万のプレイヤーに着実に人気を増している。
並行して、スポーツメディアコミュニティは、ファンタジースポーツの文脈内外に存在するニュースストーリー、ブログ、フォーラム投稿、ツイート、ビデオ、ポッドキャスト、オピニオンピースを制作している。
しかし、人間のファンタジーフットボール選手は平均3.9の情報源しか分析できない。
我々はespnファンタジーフットボールチームを管理するための機械学習パイプラインの結果について論じる。
10万以上のニュースソースと230万の記事、ビデオ、ポッドキャストに適用される訓練された統計エンティティ検出器とDocument2vectorモデルを使用することで、システムは自然言語を100%、キーワードテスト精度80%で理解することができる。
ディープラーニングフィードフォワードニューラルネットワークは、プレイヤーがバスト、ブーム、隠れた怪我でプレイしたり、累積的な72%の精度で意味のあるタッチをプレイしたりといったプレイヤーの分類を提供する。
最後に、複数の回帰アンサンブルがディープラーニング出力とespn投影データを使用して、2018年のトップ500以上のファンタジーフットボール選手それぞれにポイントプロジェクションを提供する。
点投影は6.78点のRMSEを維持した。
スコアスプレッドを可視化するために、24組の集合からベスト適合確率密度関数を選択する。
プロダクトのローンチから6週間以内に、総ユーザー数は4.6年以上の累積的な時間をAIの洞察に費やした。
私たちのモデルのトレーニングデータは、webhose、espn statistics、rotowire injury reportsによる2015年から2016年までのwebアーカイブによって提供されました。
テストセットとして2017年のファンタジーフットボールデータを使用しました。
関連論文リスト
- Perception Test: A Diagnostic Benchmark for Multimodal Video Models [78.64546291816117]
本稿では,事前学習したマルチモーダルモデルの知覚と推論能力を評価するために,新しいマルチモーダルビデオベンチマークを提案する。
知覚テストは、スキル(記憶、抽象化、物理学、セマンティックス)と、ビデオ、オーディオ、テキストモダリティ間の推論(記述的、説明的、予測的、反ファクト的)のタイプに焦点を当てている。
このベンチマークは、ゼロショット/少数ショットまたは限定的な微調整方式で、転送機能の事前訓練されたモデルを探索する。
論文 参考訳（メタデータ） (2023-05-23T07:54:37Z) - NBA2Vec: Dense feature representations of NBA players [0.0]
本稿では,各プレーヤの高密度特徴表現を抽出するWord2Vecに基づくニューラルネットワークモデルであるNBA2Vecを提案する。
NBA2Vecは、2017年のNBAプレイオフシリーズの結果を正確に予測する。
NBA2Vec埋め込みの今後の応用は、プレイヤーのスタイルを特徴付けることで、プレイヤーの獲得とコーチング決定のための予測モデルに革命をもたらす可能性がある。
論文 参考訳（メタデータ） (2023-02-26T19:05:57Z) - Can a face tell us anything about an NBA prospect? -- A Deep Learning
approach [0.0]
画像解析と畳み込みニューラルネットワークを,各ドラフトクラスから新たに作成した選手のキャリア軌跡を予測するために展開する。
1990年以降のドラフト毎に,約1500枚の画像データからなるデータベースを構築した。
筆者らは,データ中の一般的な事前学習画像分類モデルを訓練し,新人選手のキャリアを確実に予測するモデルを作成するために,一連の実験を行った。
論文 参考訳（メタデータ） (2022-12-13T18:36:29Z) - Data Science Approach to predict the winning Fantasy Cricket Team Dream
11 Fantasy Sports [0.0]
データサイエンスと分析の応用は現代世界ではユビキタスである。
ゲームプレイヤのパフォーマンスを予測する予測モデルを構築した。
論文 参考訳（メタデータ） (2022-09-15T01:58:57Z) - Graph Neural Networks to Predict Sports Outcomes [0.0]
スポーツに依存しないグラフによるゲーム状態の表現を導入する。
次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
論文 参考訳（メタデータ） (2022-07-28T14:45:02Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳（メタデータ） (2022-06-02T13:19:36Z) - SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in
Soccer Videos [62.686484228479095]
本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。
データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。
分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
論文 参考訳（メタデータ） (2022-04-14T12:22:12Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳（メタデータ） (2022-03-10T02:37:39Z) - Large Scale Diverse Combinatorial Optimization: ESPN Fantasy Football
Player Trades [0.25457638766329754]
新規で多様な最適化システムは、貿易公正性のバランスをとるために、相補的なチーム間の高いボリュームとユニークなプレーヤの取引を提案する。
いくつかのアルゴリズムは、各ファンタジーフットボール選手のバリュエーションを作成する。
プレイヤーの引き抜きのコストは、位置の深さ、スロット数、位置の重要性など、チームのロースターに関係している。
論文 参考訳（メタデータ） (2021-11-04T13:39:40Z) - Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。
フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
論文 参考訳（メタデータ） (2020-11-18T10:26:02Z) - Interpretable Real-Time Win Prediction for Honor of Kings, a Popular
Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。
実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文 参考訳（メタデータ） (2020-08-14T12:00:58Z)
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。