Sport Analytics: Optimización de estrategias de equipo en deportes

El objetivo de este trabajo es desarrollar un modelo de aprendizaje por refuerzo (AR) para optimizar las decisiones tácticas de un equipo durante un partido, con un enfoque en deportes como el fútbol o baloncesto. El sistema aprendería a partir de datos históricos de partidos y ajustaría las decisiones de ataque o defensa en función del contexto del partido: posición en el campo, tiempo restante, acciones del equipo contrario, etc.

Metodología

• Definir el entorno: El partido se modelará como un entorno de AR donde los jugadores o el equipo completo representan el agente que toma decisiones (acciones).

• Acciones: Las acciones pueden incluir estrategias de pase, tiro, cambios de formación, o decisiones defensivas.

• Recompensas: Las recompensas se basarán en las métricas de éxito como goles anotados (en fútbol) o canastas (en baloncesto), posesión, intercepciones o recuperación de balón.

• Simulaciones: Utilizar simulaciones de partidos para que el modelo aprenda las estrategias óptimas en diferentes situaciones del juego.

• Validación: Evaluar el rendimiento del modelo en situaciones reales de partido, comparando las estrategias sugeridas con las que realmente se utilizaron.

BBDD necesarias

• Kaggle Football Dataset: Datos de eventos en partidos de fútbol, incluyendo pases, goles, tarjetas, etc.

• NBA Stats: Información detallada de partidos de la NBA como posiciones de los jugadores, tiros realizados, asistencias, etc.

• Opta Sports: Ofrece datos avanzados sobre los movimientos de jugadores y eventos en los partidos.