Tecnologías Específicas

Computación

Descripcion y Objetivos

Hoy en día se ha extendido el uso de la inteligencia artificial y de subcampos relacionados, como es el aprendizaje automático, a problemas de diversa índole. Uno de esos ámbitos de aplicación es el deporte. Los entrenadores, periodistas, jugadores, etc... pueden aprovechar estas herramientas en múltiples tareas desde estudiar el comportamiento propio y su margen de mejora, hasta estudiar al rival e idear una estrategia de juego específica.

Este trabajo se inspira en la existencia de datasets como este encontrado en kaggle: https://www.kaggle.com/competitions/dfl-bundesliga-data-shootout En él, a partir de una entrada de vídeo se intentan etiquetar eventos previamente identificados ('challenge','play','throwin'), y predecirlos con un determinado peso o creencia. En este caso se trata de la BundesLiga (fútbol), pero sin descartar usar este dataset concreto, nos gustaría poder aplicar las técncicas a vídeos y jugadas de baloncesto.  Conocemos diversos artículos de investigación donde se emplea este deporte como objetivo [1,2]. También existe un dataset disponible (https://github.com/jackwu502/NSVA). Por ello, creemos que existe material y algoritmos iniciales para intentar aprender modelos de inteligencia artificial capaces de predecir jugadas, o de determinar características de desempeño de jugadores. Y este sería el objetivo del proyecto, a partir de vídeos (o en su defecto, imágenes, ya que un vídeo es una secuencia de frames), aprender y validar modelos predictivos y/o descriptivos de machine learning.

 

Metodología y Competencias

Para desarrollar este trabajo existen varias etapas diferenciadas:

1.- Estudio de los datasets disponibles, y elección de uno o varios.

2.- Desarrollo de un análisis exploratorio de datos específico para conocer las características de los datos de entrada y decidir si aplicar técnicas de pre- o post-procesamiento. Incluso, podría enriquecerse con información externa, si estuviera dispoinible.

3.- Documentación sobre técnicas de machine learning apropiadas para el procesamiento de vídeos/imágenes, siendo las más inmediatas las redes neuronales, pero donde creemos que podemos aplicar otras técnicas como árboles de decisión o modelos probabilísticos ya sea de manera híbrida o independiente (dependiendo de los factores de entrada).

4.- Definición de la tareas o tareas específicas a desarrollar, por ej. clasificación de jugadas o categorización del nivel de competencia de un jugador.

5.- Con el dataset (o datasets) escogido(s) y definidos los paradigmas a emplear, realización de una experimentación para resolver la tarea específica.

6.- Evaluación de los resultados.

7.- Análisis y comparativa entre los distintos modelos. 

De manera adicional, y si la temporalidad y el esfuerzo lo permite, se podría emplear un modelo de los ehtrenados, que funcione bien y no sea demasiado caro computacionalmente. para crear una pequeña aplicación web que realice la tarea sobre vídeos o imágenes reales.

Mediante la realización de este TFG se trabajarán, en distinto grado de profundidad, las siguientes competencias específicas de la intensificación de Computación:

• Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
• Capacidad para desarrollar y evaluar sistemas interactivos y de presentación de información compleja y su aplicación a la resolución de problemas de diseño de interacción persona computadora.
• Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes entornos inteligentes.
• Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

 

Medios a utilizar

Se prevé que gran parte de la implementación se desarrolle en Python, pues es el lenguaje donde se encuentran las APIs y los modelos de Machine Learning. Por tanto, se espera que el alumno tenga un dominio de dicho lenguaje de programación, y buenas habilidades como programador. Se necesitará un ordenador de rendimiento CPU medio-alto, buena memoria RAM y buena capacidad de almacenamiento en disco, dado que se pueden llegar a almacenar miles de imágenes/vídeos. Puede conllevar el uso de librerías de deep learning como keras o pytorch.

 

Bibliografía

[1] Mahmood, Zafar, Ali Daud, and Rabeeh Ayaz Abbasi. "Using machine learning techniques for rising star prediction in basketball." Knowledge-Based Systems 211 (2021): 106506.

[2] Su, Shan, Jung Pyo Hong, Jianbo Shi, and Hyun Soo Park. "Predicting behaviors of basketball players from first-person videos." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1501-1510. 2017.