Search

La industria del deporte y concretamente la del fútbol se ha gestionado tradicionalmente por los sentimientos y la intuición. La evolución de la tecnología en distintos ámbitos está suponiendo una verdadera revolución que va a provocar una visión distinta a la hora de practicar el deporte y gestionar los clubes de fútbol, por no hablar de la relación con los fans y el mundo de las apuestas deportivas. Los ámbitos referenciados son: - Los dispositivos IoT, la geolocalización y las técnicas de análisis de video que proporcionan grandes cantidades de datos disponibles para su explotación. - La proliferación de aplicaciones, plataformas y lenguajes de programación orientados al tratamiento y análisis e interpretación de datos masivos. - Los recursos computacionales que proporcionan capacidades no disponibles hasta la actualidad a unos precios asequibles y con unos modelos de consumo adaptados a las necesidades de los usuarios. La situación expuesta está demandando a la sociedad profesionales con una combinación de aptitudes de gran valor añadido como son: - los conocimientos matemáticos para desarrollar modelos predictivos, - los conocimientos de negocio para saber buscar los casos de uso verdaderamente interesantes y, - los conocimientos de programación para trasladar los anteriores a la tecnología. Los fundamentos adquiridos en este máster cubren dos de los aspectos mencionados (matemáticas y programación) y la parte de negocio la aporta el autor y las consultas realizadas por éste a varios clubes profesionales. Este trabajo es la continuación del Trabajo fin del Grado Matemáticas e Informática de la UPM presentado en 2021. Se propone el desarrollo de una red neuronal que prediga el rendimiento de los jugadores de un equipo de fútbol en un partido, otorgándoles una nota del 0 al 10. El objetivo principal es producir un error medio lo más bajo posible usando un diseño eficiente en costes de la arquitectura de la red neuronal. La red neuronal diseñada produce un error absoluto medio < 0,64 en el proceso de validación. Los objetivos secundarios son las respuestas a las preguntas de negocio planteadas a través de algoritmos de Aprendizaje Automático tradicionales. Dichas preguntas son: • ¿Cómo están relacionados los distintos datos de un jugador? Se ha identificado que el número de intervenciones de un jugador está influenciado por la distancia que mantiene con el resto de los compañeros. • ¿Cómo se pueden clasificar a los jugadores según sus datos? La relación entre la velocidad máxima alcanzada con la distancia recorrida clasifica a los jugadores en 6 posiciones. • ¿Cuántos errores graves cometerá un jugador? Mediante un Support Vector Machine se consigue predecir con un 92% de acierto el número de errores que cometerá según los datos de anteriores partidos. • ¿Qué datos influyen a los resultados? Un árbol de clasificación identifica que la cantidad de pases largos acertados hace que el equipo esté más cerca de ganar. La pila tecnológica seleccionada para cubrir los objetivos de negocio de forma eficiente y eficaz surge tras un análisis de herramientas. Estas tecnologías clasificadas por funciones son: • Base de Datos: Mongo DB. • Lenguaje de programación: Python. • Entendimiento y Tratamiento de datos: Sklearn, Seaborn, Matplotlib y Pandas. • Aprendizaje Automático: Sklearn. • Redes neuronales: Tensorflow y Keras. Para el desarrollo se utiliza la metodología CRISP-DM por adaptarse a los proyectos de Ciencia de Datos, ya que todas sus fases giran en torno al dato. Los proyectos de Ciencia de Datos se desarrollan por equipos de trabajo proporcionando la posibilidad de la paralelización de tareas. El proyecto ha tenido una duración de tres meses y ha sido desarrollado íntegramente por el autor al tratarse de un trabajo personal.---ABSTRACT---The sports industry and specifically the football industry has traditionally been managed by feelings and intuition. The evolution of technology in different fields is leading to a revolution that is going to cause a different vision when it comes to practicing sports and managing football clubs, not to mention the relationship with fans and the world of sports betting. The referenced areas are: - IoT devices, geolocation and video analysis techniques that provide a large amount of data available for exploitation. - The large number of applications, platforms and programming languages oriented to the treatment, analysis, and interpretation of massive data. - Computational resources that provide capacities not available until now at affordable prices and with consumption models adapted to the needs of users. The exposed situation is demanding professionals with a combination of skills of great added value, such as: - Mathematical knowledge to develop predictive models, - The business knowledge to know how to look for the truly interesting use cases and, - Programming knowledge to transfer the previous ones to technology. The fundamentals acquired in this master cover two of the aspects mentioned (mathematics and programming) and the business part is provided by the author and the consultations made by him to various professional clubs. This project is the continuation of the Final Project of the Grade in Mathematics and Computer Science in the Universidad Politécnica de Madrid presented in 2021. In this project the author proposes the development of a neural network that predicts the performance of the players of a soccer team in a match, giving them a score from 0 to 10. The main objective is to produce a mean error as low as possible using a cost-efficient design of the neural network architecture. The designed neural network produces a mean absolute error < 0.64 in the validation process. Secondary goals are the answers to business questions posed through traditional Machine Learning algorithms. These questions are: How is the relationship between the different data of a player? It has been identified that the number of interventions of a player is influenced by the distance that he maintains with the rest of his teammates. • How can players be ranked based on their data? The relationship between the maximum speed reached with the distance covered classifies the players in 6 positions. • How many serious errors will a player make? Using a Support Vector Machine, it is possible to predict with a 92% of accuracy the number of errors that he will commit according to the data of previous matches. • What data influences the results? A ranking tree identifies which number of successful long passes brings the team closer to winning. The technological stack selected to meet the business objectives efficiently and effectively arises after an analysis of tools. These technologies classified by function are: • Database: Mongo DB. • Programming language: Python. • Understanding and Data Processing: Sklearn, Seaborn, Matplotlib and Pandas. • Machine Learning: Sklearn. • Neural networks: Tensorflow and Keras. For the development phase, the CRISP-DM methodology is used because its ease to adapt to data science projects, since all its phases are data centric. Data science projects are developed by work teams, providing the possibility of parallelizing tasks. The project has lasted three months and has been developed entirely by the author as it is a personal work.

En el mundo del fútbol se está produciendo un crecimiento exponencial en la generación y recolección de datos. Al igual que en muchos otros ámbitos de la vida, en el deporte el procesamiento y la explotación de los datos puede generar ventajas que mejoren el rendimiento de los equipos. Durante todos los entrenamientos y partidos, los futbolistas profesionales visten un chaleco que soporta un dispositivo GPS. Con este dispositivo los técnicos tienen a su disposición toda la información acerca de los jugadores. A pesar de todos los beneficios que aporta una aplicación que analice los datos, son pocos los equipos de fútbol profesionales que dan gran importancia y buscan explotar al máximo los datos. Durante los últimos 10 años, a estos datos recogidos no se les aplicaba ningún procesamiento ni ninguna inteligencia. No se han aplicado métodos de análisis de datos para poder sacar el mayor rendimiento posible. Sin embargo, en los últimos años los equipos han creado equipos de científicos de datos que mejoran el rendimiento de sus futbolistas o ayudan a tomar decisiones como cuál puede ser el futbolista que deben fichar durante el próximo mercado de fichajes. Recientemente, han nacido empresas emprendedoras que usan la inteligencia artificial en el fútbol, como es el caso de Olocip o Driblab. Olocip es una empresa creada por Esteban Granero (futbolista de Primera División durante muchos años), Pedro Larrañaga y Concha Bielza, ambos catedráticos de Inteligencia Artificial en la Universidad Politécnica de Madrid y Driblab es una consultora de Big Data para profesionales del fútbol. El siguiente proyecto consiste en desarrollar una aplicación para almacenar, procesar, visualizar e interpretar los datos recogidos por un equipo de fútbol. La aplicación propuesta va a utilizar los datos proporcionados por el filial del club Atlético Osasuna. Estos datos fueron recogidos entre el mes de octubre de 2019 y el mes de marzo de 2020, cuando se finalizó la temporada debido a la crisis sanitaria provocada por la COVID-19. Mediante los GPS de la marca StatSports puedes obtener información como la máxima velocidad alcanzada, la velocidad media, el número de sprints realizados, entre otras muchas estadísticas que se generan durante un partido o entrenamiento. El objetivo final de la aplicación es obtener gráficas para que los técnicos (primer entrenador, segundo entrenador, entrenador de porteros, preparadores físicos, fisioterapias, médicos) puedan realizar una interpretación. De esta manera, los técnicos tendrán una herramienta que les será de ayuda a la hora de tomar decisiones. Además, los propios futbolistas también podrán usar la aplicación para ver sus estadísticas mediante gráficas de fácil entendimiento. Así, podrán saber qué aspectos del juego deben mejorar. En definitiva, el proyecto consiste en implementar una aplicación que mejore la dinámica de trabajo de un equipo de fútbol.---ABSTRACT---In the world of football, every day there is an exponential growth in the generation and collection of data. As in many other areas, in football the processing and exploitation of data can generate benefits that improve the performance of a team. During all training sessions and matches, professional footballers wear a vest that supports a GPS device. With this device, the technicians have at their disposal all the information about the players. Despite all the benefits that an application that analyzes data can bring, few professional soccer teams attach great importance to it and seek to exploit the data to the maximum. During the last 10 years, no processing was applied to this collected data. Data analysis methods were not applied in order to get the best possible performance. However, in recent years soccer clubs have created teams of data scientists who improve the performance of their players or help make decisions such as which player to sign during the next transfer market. Recently, entrepreneurial companies that use artificial intelligence in football have been launched, such as Olocip or Driblab. Olocip is a company funded by Esteban Granero, a professional first division footballer for many years, and Pedro Larrañaga and Concha Bielza, both professors of Artificial Intelligence at the Polytechnic University of Madrid. Driblab is a Big Data consultancy for soccer professionals. The next project consists of developing an application to store, process, visualize and interpret the data collected by a soccer team. The proposed application will use the data provided by the Atlético Osasuna club affiliate. These data were collected between October 2019 and March 2020, when the season ended due to the health crisis caused by COVID-19. Using the StatSports brand GPS you can obtain information such as the maximum speed reached, average speed, number of sprints performed, among many other statistics that are generated during a match or training session. The final objective of the application is to obtain graphs so that the technicians (first coach, second coach, goalkeeping coach, physical trainers, physiotherapists, doctors) can make an interpretation. In this way, the technicians will have a tool that will help them when making decisions. In addition, the footballers themselves will also be able to use the application to view their statistics through easily understood graphs. Thus, they will be able to know which aspects of the game they need to improve. Ultimately, the project consists of implementing an application that improves the work dynamics of a soccer team.

La reformulación del estado de bienestar tras la crisis económica. Análisis de iniciativas ciudadanas, propuestas de industrialización, y acciones institucionales. The reformulation of the welfare state after the economic crisis. Analysis of citizens' initiatives, proposals for industrialization, and institutional actions.