Sports Data Mining. The Field and Methodology. Sublogo. 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1

Ähnliche Dokumente
Predictive Modeling Markup Language. Thomas Morandell

Innovative Datenanalyse für die Medizin

Industrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg

Teil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung

Mustererkennung und Klassifikation

Artificial Intelligence. Was ist das? Was kann das?

Optiview XG -UserClub: Grundlagen Fehlersuche und Bedienung des Optiview XG

Maschinelles Lernen zur Hautkrebsvorhersage

Web Sports Data Extraction and Visualization Seminar: Sports and Data Mining Referent: Markus Schelmbauer SS 2014

Seminar Business Intelligence

Vorlesung: Künstliche Intelligenz

Data Science Marktforschung

Tim Krämer. Archimetrix - Improved Software Architecture Recovery in the Presence of Design Deficiencies. 08. Mai 2013

Data Mining Cup deck using PDA or similar devices. Wissensextraktion Multimedia Engineering

Graphentheorie. Vorkurs Informatik WS 2016/2017. Dennis Aumiller

Business Intelligence & Machine Learning

Perfect Games. Johannes Clos Knowledge Engineering und Lernen in Spielen SS04, Prof. Fürnkranz. 5/18/04 Perfect Games

Profiling Linked Open Data with ProLOD. LiDDM: A Data Mining System for Linked Data

Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume

Predictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello

PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT,

Data Mining 7-1. Kapitel 7: Advertising on the Web. Johannes Zschache Wintersemester 2018/19

GESTALTEN SIE MIT UNS DIE DIGITALE BILDUNG UND VERSTÄRKEN UNSER TEAM ALS EXPERTE & STUDIENLEITER (m/w/d)

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer

Allgemeine Bestimmungen

Mathematisch-algorithmische Grundlagen für Big Data

Sports Data Mining. Tools and Systems for Sports Data Analysis

dlib - A toolkit for making real world machine learning and data analysis applications in C++

Einführung in die Didaktik der Informatik D. Engbring mündl.

Seminare und Praktika im Sommersemester 2011

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr

m Immobilien 3/M Jan A. Schubert

Kantonsschule Ausserschwyz. Mathematik. Kantonsschule Ausserschwyz 83

Studienplan FSPO 2014/2017 Master Informationssystemtechnik

Der Blick in die Kristallkugel

Seminare/Praktika/ Projekte

Complex Event Processing

Überlegungen zum Defensivspiel. Am Beispiel der U-21 Nationalmannschaft. ÖFB Trainerseminar Maria Enzersdorf Werner Gregoritsch

EFS Deep Learning für das Fahren der Zukunft. Anton Junker

Vorlesung Digitale Bildverarbeitung Sommersemester 2013

Theoriendynamik Analytische Wissenschaftstheorie - Diachron

6.6 Vorlesung: Von OLAP zu Mining

Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin

Datamining und Patientensicherheit

Data Mining & Machine Learning Dipl.-Inf. Christoph Carl Kling

Gold schürfen im Marketing mit Data Science

Data Mining in SAP NetWeaver BI

Wissensentdeckung in Datenbanken

Energie- und Ressourceneffizienz verbessern, CO 2 -Emissionen senken Praxisbeispiele aus einem Elektrostahlwerk

Data Mining 5-1. Kapitel 5: Frequent Itemsets. Johannes Zschache Wintersemester 2018/19

NoSQL-Datenbanken. Kapitel 0: Organisatorisches. Dr. Anika Groß Sommersemester Universität Leipzig

Aktualisierte Modullisten für den Master-Studiengang Wirtschaftsinformatik - Version 2013 (Stand: ) Gültig für SS 2018

Master Studiengänge in Economics

Data Mining-Modelle und -Algorithmen

(Pro-)Seminar - Data Mining

Die neue ÖFB Spiel- und Trainingsphilosophie

Fakultät für Mathematik, Informatik und Physik

Erweiterungscurriculum Statistik für die Technik

Informatik-Studiengänge an der Universität Augsburg

Seminar. Textdatenanalyse. Carsten Jentsch & Jonas Rieger. Sommersemester fakultät statistik

Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen. Tobias Scheffer Michael Brückner

Medienart: Print Medientyp: Publikumszeitschriften Auflage: 312'871 Erscheinungsweise: 26x jährlich

Grundlagen der Künstlichen Intelligenz

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

Lösungen zu Aufgabenblatt 10P

Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science

Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern

Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf

Seminar Künstliche Intelligenz Wintersemester 2014/15

Schnelles Denken - Maschinelles Lernen mit Apache Spark 2

Die Technische Universität München und die Fakultät für Informatik. Julie Mäding

Was ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt

Prüfungstermine WS 2012/13

Dokument Klassifikation. Thomas Uhrig: Data-Mining SS10

Reduzierung der Komplexität gewachsener Unternehmensarchitekturen (EAs)

Schnelles Umschalten nach Ballgewinn

Ihre Daten haben viel zu erzählen

INTELLIGENTE DATENANALYSE IN MATLAB

Institut für Künstliche Intelligenz

Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell

STUDIENGANG INFORMATIK IN DER FAKULTÄT TECHNIK (TI)

VL Algorithmische BioInformatik (19710) WS2013/2014 Woche 16 - Mittwoch. Annkatrin Bressin Freie Universität Berlin

Data Engineering & Statistics

3 Wahlpichtbereich. 3.1 Vertiefungen

Defensivverhalten. Der taktische Aspekt muss angeregt werden: verschiedene Situationen (sogar die verrücktesten!!!???) müssen vorgezeigt werden.

Positionsspiel OLIVER LEDERER SAMUEL AKHONDI

Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen) Folie 1

Über die Berufsaussichten von Mathematikern. Christian Schöler und Nils Schwinning

SKOPOS Webinar 22. Mai 2018

Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion

Deep Learning Prof. Dr. E. Rahm und Mitarbeiter

1. Absolventenfeier Bioinformatik. 8. Juli 2005

Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS,

Promotionskolleg DIPF TU Darmstadt Knowledge Discovery in Scientific Literature Iryna Gurevych

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II

Mannschaftsanalyse 2006 by Allgemeine Mannschaftsanalyse

Transkript:

Sports Data Mining The Field and Methodology 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1

Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 2

Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 3

Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 4

Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 5

Beispiele Mourinho: Nach statistischen Auswertungen fällt ein Drittel der Tore im Fußball nach Standardsituationen wie Eckbällen und Freistößen. Der verbleibende Anteil hauptsächlich nach Ballverlust des Gegners und zwar innerhalb von vier Sekunden, also in dem Augenblick, in dem der Gegner noch nicht wieder sortiert ist. Guardiola: Ballbesitz zeigt unsere Liebe zum Spiel 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 6

Beispiel Bier und Windeln werden häufig eingekauft Statisitk erklärt nur, das ein zusammenhang existiert Data-Mining beantwortet Warum der zusammenhang existiert 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 7

Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten die Vorhersagen nach Bauchgefühl machen Drei Domain-Experten die Vorhersagen nach historischen Daten Vier Statisik soll den Entscheidungsprozess verstärken Fünf Entfernung von Menschlichen einflüssen 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 8

Beispiele The Boston Red Sox 86 Jahre kein Sieg in der World Series Seit Einführung von Data-Mining Techniken gewannen sie drei mal die World Series (2004,2007,2013) 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 9

Beispiele VW: Abgeschlossenen Master Praktika Erfahrung Automobil Erfahrung 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 10

Methoden Drei wissenschaftliche Disziplinen: Statistik regression analysis Koordinatensystem discriminant analysis Clustering Künstliche Intelligenz Regel-Basierte heuristik Maschinelles Lernen Überwachtes Lernen Unüberwachtes Lernen Bestärkendes Lernen Neural networks 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 11

Methoden Datum Fachbereich nn Institut nn Prof. nn 12

Datum Fachbereich nn Institut nn Prof. nn 13

Methoden Drei wissenschaftliche Disziplinen: Statistik regression analysis Koordinatensystem discriminant analysis Clustering Künstliche Intelligenz Regel-Basierte heuristik Maschinelles Lernen Überwachtes Lernen Unüberwachtes Lernen Bestärkendes Lernen Neural networks 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 14

Methoden Drei wissenschaftliche Disziplinen: Statistik regression analysis Koordinatensystem discriminant analysis Clustering Künstliche Intelligenz Regel-Basierte heuristik Maschinelles Lernen Überwachtes Lernen Unüberwachtes Lernen Bestärkendes Lernen Neural networks 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 15

Vielen Dank für die Aufmerksamkeit FRAGEN? 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 16