Implementación de Machine Learning para el pronóstico de resultados en los torneos de Basketball de la división 1 de la NCAA

RESUMEN : La presente monografía es el resultado de la materialización del trabajo necesario para la especialización analítica y ciencia de datos cursada en la Universidad de Antioquia -UdeA. En este documento se da recuento de las metodologías y estrategias implementadas para generar el análisis necesario para la predicción de resultados en los torneos de basketball de la competencia National Collegiate Athletic - NCAA. Dicho trabajo y análisis se hace en el marco de la competencia de la plataforma kaggle.com Como ejercicio académico se analizó la data suministrada y se generó una limpieza de la misma, posteriormente se plantean metodologías en pro de predecir resultados de los diversos encuentros deportivos, y se genera una evaluación de los modelos implementados. A su vez, se compara y alimenta el modelo con los ejercicios realizados por parte de los concursantes ganadores de la competencia en la plataforma Kaggle. De manera paralela, se investiga cómo la ciencia de datos, y las metodologías de machine learning benefician los negocios de casas de apuestas, en función de proyecciones de resultados que se pueden generar. De esta manera, se busca generar comparaciones y relaciones en el comportamiento del modelo generado según variaciones que se hagan en el tratamiento de la data y variables estadísticas, con el fin de poder encontrar un modelo predictivo que se encuentre más ajustado a la realidad y a su vez, compararlo con el ejercicio implementado por los ganadores de la competencia y nutrirlo con alternativas que hayan propuesto estos competidores. Las predicciones deportivas no son únicamente un modelo de negocio que se implementa por casas de apuestas, sino que, a su vez permiten a los equipos de diferentes deportes tomar decisiones frente a las estrategias a implementar a nivel deportivo y gerencial, las cuales repercuten directamente en las finanzas de esta industria.

• Autores: Ramirez Vargas, Felipe
• Tipo de recurso: Tesis
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/37579
• Acceso en línea: https://hdl.handle.net/10495/37579
• Palabra clave: Aprendizaje automático (inteligencia artificial); Machine learning; Técnicas de predicción; Forecasting techniques; Baloncesto; Basketball
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/