Buscar
  • Daniel Takata

O crescente uso de deep learning na análise esportiva

Você já ouviu falar de machine learning?


É um termo razoavelmente conhecido. Trata-se do emprego de modelos matemáticos para análise de dados (em geral, muitos dados) baseados em algoritmos computacionais intensos para detecção de padrões.


Os modelos "aprendem" à medida que recebem mais dados, por isso o termo.


Daí originou-se o termo deep learning.


Refere-se também a modelos de machine learning, só que modelos específicos: baseados nas deep neural networks (redes neurais profundas).


Redes neurais são modelos matemáticos/computacionais poderosíssimos, que tem propriedades teóricas muito convenientes.


(foto: reprodução/stats.com)

Uma delas é que uma rede neural adequadamente escolhida pode se aproximar muito bem da relação verdadeira entre os dados (por exemplo, a relação entre jogar em casa e vencer o jogo), relação essa que em geral é desconhecida.


Na prática, obviamente não temos somente duas variáveis, mas uma infinidade delas para os quais queremos detectar padrões.


Redes neurais se baseiam em composição de funções matemáticas (função de função) complexas, não-lineares.


E, nos últimos anos, as redes neurais profundas têm estado cada vez mais em voga.


Redes neurais profundas, por sua vez, se baseiam em cadeias de composições de funções (função de função de função de função...).


O que a princípio poderia aumentar a complexidade do modelo e a dificuldade para lidar com ele.


Mas, na prática, descobriu-se que tais redes são mais rápidas e eficientes, se adequadamente escolhidas.


Por isso, na área esportiva, em que o desafio é extrair informação relevante de um mundo de variáveis que hoje estão disponíveis, as redes neurais profundas têm tido um papel cada vez mais crescente.


No Congresso de Análise Esportiva que ocorreu em março deste ano, em Boston (sobre o qual escrevi nesse post), vários trabalhos sobre o tema estiveram entre os que concorreram ao melhor artigo.


Como não poderia deixar de ser, o trabalho vencedor tinha como tema o deep learning, aplicado ao basquete: Using deep learning to understand paterns of player movement in the NBA.


Outros dois mereceram destaque e estiveram entre os oito melhores trabalhos: Deep learning with player tracking to quantify quarterback decision-making & performance; e Decomposing the immeasurable sport: a deep learning expected possession value framework for soccer.


Assista ao vídeo disponível no canal do Esportístico no YouTube para maiores informações.





0 visualização

Entre em contato

Caso tenha dúvidas, críticas, sugestões ou simplesmente queira entrar em contato, preencha o formulário e clique em "Enviar".
  • LinkedIn Social Icon
  • Facebook Social Icon
  • Instagram
  • Twitter Social Icon
  • YouTube

© 2019 por Daniel Takata.