Labdarúgó fogadási szokások optimalizálása gépi tanulás segítségével

Kóti Marcell (2021) Labdarúgó fogadási szokások optimalizálása gépi tanulás segítségével. Pénzügyi és Számviteli Kar.

	PDF Labdarugo_fogadasi_szokasok_optimalizalasa_KM.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (2MB)
	PDF Osszefoglalas_es_Temavazlat_KM.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (206kB)

Absztrakt (kivonat)

A dolgozat elsődleges célja a sportfogadások és a gépi tanulás kapcsolatának a vizsgálata felhasználói szempontból, azaz, a gépi tanuló algoritmusok megértésével, majd azok segítségével szeretné a fogadó életét a sportfogadások terén megkönnyíteni. Ehhez először alapvető fogalmakat tisztáz a sportfogadásról és szerencsejátékról, és egy felszínes képet fest a fogadás világának eddigi történelméről. Utána egy kérdőív segítségével felméri, hogy manapság Magyarországon milyenek a fogadási szokások, ezzel alapot kapva ahhoz, hogy mik is azok az elvek, amik később javításra, esetleg cserére szorulnak. Bemutatja az eszközöket, amiket a későbbi kísérletekben használni fog, modell és környezet oldalról egyaránt. Modellként elmélyed a döntési fa (véletlenszerű erdő) és a neurális hálózatok működésében, eszközként pedig röviden taglalja a Python programnyelvet és annak alapvető könyvtárait, illetve ebben az ebben a környezetben megtalálható modellépítési lehetőségeket, továbbá röviden bemutat egy másik felhasznált eszközt, a node-alapokra épülő Microsoft Machine Learning Studio-t. Ezek után áttér a dolgozat nagyrészét képező, problémát bemutató mintafeladatra. Először az ehhez felhasznált adatokat, táblát mutatja be részletesen, majd egy alapvető statisztikai elemzést is végrehajt rajtuk. Ezeket a statisztikai elemzéseket és a már korábban lefektetett szokásokat felhasználva elvégzi az első szűkítését az adatoknak, majd a szűkített adathalmaz(ok)on is egy egyszerű, ám de sokkal relevánsabb statisztikai elemzést hajt végre. Végezetül egy újabb szűkítést eszközöl, az előző elemzés és a Machine Learning Studio által kínált adatbányászati lehetőségek eredményeinek összegzésével. Az adathalmazon több szűkítést már nem végez el, a kísérlet hátralévő részében csak ezzel foglalkozik. Először egy mély statisztikai elemzésnek veti alá az adattáblát, szabályosságok és érdekességek után kutatva, majd következhet a gépi tanuló algoritmusok/modellek építése, ami nagyrészt a Python fejlesztői környezetén belül történik, így a dolgozatban a kód egyes fontosabb részletei is szerepelnek. A dolgozat nem csak a modellek által kínált jóslatokat, hanem a papírforma fogadások szabályát is vizsgálja. A modellek építése, és tanulásuk rövid kiértékelése után jöhetnek a predikciók. Alapvetően a modellek 9 év adatain tanulnak, és az ezt követő 1 év adatain tesztelnek, így a következő elemzés az utóbbi 1 év predikcióit érinti. A dolgozat a modellek egyenként, párokban, majd összegezve is elemzi, végül összesíti azok működését és hatékonyságát. Kis mértékben külön álló kísérletként elvégez több kísérletet a Machine Learning Studio keretein belül is, jobb eredmények után kutatva, mint a programkódban megépített és paraméterezett modellek esetében. Végezetül többféle optimalizálási lehetőséget is vizsgál, majd azokat összevetve eléri az ehhez az adathalmazhoz, ezekkel az eszközökkel elérhető legjobb eredményt.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tanszék

Gazdaságinformatika Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Konzulens(ek)

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	adatelemzés - adatbányászat, gépi tanulás, labdarúgás, Sportfogadás, szerencsejáték
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2022. Okt. 03. 08:39
Utolsó módosítás:	2022. Okt. 03. 08:39

Actions (login required)

Tétel nézet