Tecnologías Específicas

Computación

Descripcion y Objetivos

El fútbol es uno de los deportes más populares y seguidos en el mundo. Desde fanáticos hasta organizaciones deportivas, muchos desean poder predecir el resultado de los partidos. Con la aparición de técnicas de aprendizaje automático y la disponibilidad de grandes cantidades de datos relacionados con partidos, jugadores y ligas, es posible intentar modelar y predecir los resultados con una precisión mayor a los enfoques tradicionales. Además, al federar el proceso por ligas, se puede considerar la singularidad y especificidad de cada liga para mejorar la precisión de las predicciones.

Objetivos:

1. Desarrollar modelos basados en aprendizaje automático que permitan predecir el resultado de partidos de fútbol en diferentes ligas alrededor del mundo.
2. Federar el proceso de aprendizaje automático considerando cada liga como un compartimento estanco del que no pueden salir sus datos, si bien, si pueden compartirse estadísticos, modelos y submodelos del proceso de aprendizaje.
3. Evaluar y comparar la precisión de las predicciones de los modelos aprendidos mediante aprendizaje automático federado vs el uso de los datos de forma global.
4. Desarrollar una pequeña aplicación de escritorio (o servicio web) que permita realizar predicciones y/o monitorizar el proceso de aprendizaje.

 

 

 

 

 

Metodología y Competencias

Metodología:

1. Recolección de Datos: Analizar la literatura y repositorios habituales para aprendizaje automático para seleccionar las fuentes de datos adecuadas. Entre ellas podemos ver en un análisis preliminar:
   1. European soccer league (11 países):
      1. https://www.kaggle.com/datasets/hugomathien/soccer
   2. Open international soccer database (+30 países)
      1. https://osf.io/kqcye/
2. Preprocesamiento: Limpiar y estructurar los datos para eliminar posibles inconsistencias y facilitar su análisis. Transformar, seleccionar y construir variables que conlleven a un conjunto de datos de mejor calidad.
3. Análisis Exploratorio: Explorar los datos para identificar tendencias, correlaciones y patrones que podrían ser relevantes para la predicción.
4. Selección de Modelos (Globales): Experimentar con distintos algoritmos de  aprendizaje automático supervisado y realizar una selección de modelos en base a sus parametrizaciones. Se usará como conjunto de datos la unión de las distintas ligas.
5. Federación por Ligas: Desarrollar modelos específicos para cada liga y aprender de forma federada un modelo general o refinar los modelos locales usando información de los modelos aprendidos para otras ligas
6. Evaluación y validación: Se llevará a cabo una experimentación rigurosa para establecer de forma sólida la comparación entre las distintas opiciones analizadas.
7. Desarrollo de una aplicación: Desarrollar una pequeña aplicación de escritorio (o servicio web) que permita realizar predicciones y/o monitorizar el proceso de aprendizaje.
8. Escritura de la memoria del TFG.

 

Competencias:

Se trabajarán principalmente (en distinto grado) las siguientes competencias específicas de la tecnología de computación:

• Capacidad para evaluar la complejidad computacional de un problema, conocer estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
• 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 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

Ordenadores personales, compiladores y entornos de programación. Servicios de tarjetas gráficas para el entrenamiento e inferencia de redes neuronales profundas. Todo disponible en la ESIIAB, I3A o mediante servicios en la nube.

 

Bibliografía

Libros y manuales de inteligencia artificial y aprendizaje automático. Libros y manuales de lenguajes de programación y librerías específicas de aprendizaje automático. Todo disponible en la ESIIAB o internet.