Clase 4 de 20 • Curso de Fundamentos de Machine Learning
Contenido del curso
Tipos de modelos de machine learning para análisis deportivo
Modelos supervisados para predecir resultados deportivos
Modelos no supervisados para análisis de rendimiento deportivo
Configuración de Python y Jupyter para análisis deportivo
quiz de Fundamentos de Machine Learning y Contexto Deportivo
División de datos en machine learning con train_test_split
Creación de modelos de regresión lineal para predecir goles
Métricas para evaluar modelos de Machine Learning en predicciones
Análisis de métricas R² en modelos de regresión deportiva
Cuándo elegir regresión lineal vs árboles de decisión
quiz de Modelado Predictivo Supervisado
El análisis deportivo mediante programación en Python permite evaluar el rendimiento del equipo y mejorar resultados utilizando machine learning supervisado. Nuestra tarea inicial en Cebollitas FC consiste en configurar un entorno digital listo para procesar información deportiva, clave para futuras predicciones sobre partidos.
A pesar de superar al rival en cantidad de pases y posesión, nuestro equipo continúa perdiendo partidos. Esto indica claramente que las estadísticas tradicionales por sí solas no cuentan la historia completa del rendimiento en cancha.
El machine learning supervisado implica utilizar datos etiquetados, es decir, información que tiene ya identificada la respuesta buscada, como goles realizados, goles recibidos o resultado de un partido. Con esta estrategia desde Python podremos encontrar y entender patrones relevantes que influyen en su desempeño deportivo.
La plataforma principal será Python por ser lenguaje simple, potente y adecuado para procesar datos deportivos. Usaremos además Jupyter Notebook, que facilita integrar código, explicaciones y gráficos en un solo lugar, mejorando la claridad y comodidad durante el análisis.
Para trabajar eficientemente en nuestras predicciones, el primer paso consiste en configurar adecuadamente nuestro ambiente de programación:
print("Bienvenidos al Cebollita FC")
Con el entorno ya preparado, estamos listos para incorporar datos reales a los siguientes análisis. Estos datos permitirán analizar a fondo estadísticas y tendencias importantes para predecir futuros resultados a través del código y mejorar las decisiones técnicas en el club.
¡Comenta qué expectativas tienes sobre este enfoque tecnológico en el deporte o qué otros datos deportivos te gustaría analizar con Python!