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.
¿Por qué perdemos partidos a pesar de dominar las estadísticas?
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.
¿Qué es machine learning supervisado y cómo lo usaremos?
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.
Herramientas clave del análisis 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.
¿Cómo preparamos nuestro entorno de trabajo?
Para trabajar eficientemente en nuestras predicciones, el primer paso consiste en configurar adecuadamente nuestro ambiente de programación:
Instalamos un ambiente virtual por medio del módulo virtual de Python o Anaconda.
Creamos un cuaderno (notebook) de Python identificándolo claramente, por ejemplo, como "cebollitas dia uno.ipynb".
Realizamos nuestra primera prueba sencilla con Python para verificar que todo se encuentre funcionando correctamente:
print("Bienvenidos al Cebollita FC")
Próximos pasos para el análisis deportivo
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!
Configuración de Python y Jupyter para análisis deportivo
En teoría es un curso de fundamentos, por lo que hay personas que ni siquiera tienen descargado Visual Studio. Debería explicar paso a paso como se debe realizar la instalación de todo ,como en otras clases de fundamentos. Eso de solo decir y no mostrar, no genera nada de valor para el estudiante, para esa gracia se lee directamente la documentación y se salta está clase. Deja ,mucho que desear esta clase
fundamentos de machine learnig, es un curso destinado a aprender de sistemas de aprendizaje automatico, es como decir que no entiendes maquinas electricas 1 sin haber pasado por calculo fisica o circuitos, de bolas que se necesitan conocimientos previos que no pueden abarcar, aunque sea fundamentos de machine learning, esos fundamentos se basan en conocimientos previos logica programacion e informatica, mucha queja poco queso
No explica como hacer la configuracion solo menciona que se debe preparar el entorno para el analisis. Debe mostrar los pasos para la instalacion del entorno virtual.
En teoria aunque diga fundamentos Machine Leraning, es claro que ya debes saber programar, y sobre todo saber configurar un entorno virual, como activarlo y desactivarlo etc, como usar el PIP o jupyter, google colab etc
Si omites o escribes mal la extensión .ipynb (Interactive Python Notebook), tu sistema operativo y tu editor de código no reconocerán el archivo como una libreta interactiva. En lugar de ver celdas organizadas para código y texto, verás un archivo de texto plano lleno de código JSON crudo y difícil de leer, que es la estructura interna con la que se guardan estos documentos.
Esta extensión es la señal que le indica a herramientas como Jupyter o VS Code que deben renderizar la interfaz gráfica adecuada. Si te equivocas al nombrarlo, simplemente renombra el archivo agregando .ipynb al final. Inmediatamente, el editor interpretará el formato correctamente, devolviéndote tu entorno de trabajo visual con todas tus celdas, gráficos y anotaciones intactas.
La configuración de Python y Jupyter Notebook es el primer paso para aplicar análisis deportivo con machine learning en equipos como Cebollitas FC. Este entorno permite organizar código, explicaciones y visualizaciones en un solo espacio, facilitando el estudio del rendimiento del equipo.
El uso de machine learning supervisado ayudará a trabajar con datos etiquetados, como goles anotados, goles recibidos o resultados de partidos, para identificar patrones que expliquen por qué el equipo pierde incluso cuando domina estadísticas como posesión y pases.
Para ello, es necesario preparar un ambiente de trabajo adecuado mediante un entorno virtual o Anaconda, crear un notebook identificado y comprobar que Python funcione correctamente con una prueba simple.
En síntesis, más que un paso técnico, esta configuración representa la base para convertir datos deportivos en análisis útiles y, posteriormente, en decisiones estratégicas que ayuden a mejorar el desempeño en la cancha.
Ahora no me quedo claro lo de Jupyter, po rlo cual le pregunte a chatGPT y me dio la siguiente respuesta:
Te respondo en dos partes:
Qué es Jupyter y por qué te lo piden
Cómo instalarlo y usarlo con PyCharm / VS Code en tu PC
1. Qué es Jupyter y por qué lo piden
Jupyter no es otro editor, es más bien:
Un cuaderno interactivo donde mezclas código Python, texto, fórmulas y gráficos, y vas ejecutando celda por celda.
Es la herramienta típica para:
Fundamentos de ML
Data science
Ejercicios paso a paso en clase
Por eso el curso te pide Jupyter: casi seguro van a usar notebooks .ipynb.
Tus IDE (PyCharm y VS Code) te sirven, pero Jupyter es un “modo de trabajo” distinto, no los reemplaza, se complementa.
2. Instalar Jupyter de forma sencilla (Windows)
Como ya tienes Python y usas IDEs, lo más simple es instalarlo con pip.
Paso 1: Abrir terminal
En Windows puedes usar:
PowerShell o
Símbolo del sistema (CMD)
Búscalo en el menú de inicio y ábrelo.
Paso 2: Instalar JupyterLab
En la terminal, escribe:
py -m pip install jupyterlab
Si py no te funciona, prueba:
python -m pip install jupyterlab
Eso instala JupyterLab, que es la versión moderna (y mejor) del entorno Jupyter.
Si en tu curso hablan de “Jupyter Notebook” a secas, JupyterLab igual te sirve. Es compatible con los .ipynb.
Paso 3: Ejecutar Jupyter
Cuando termine de instalar:
jupyter lab
Eso va a:
Levantar un servidor local
Abrir tu navegador (Chrome, etc.)
Mostrar una interfaz donde puedes crear New → Notebook → Python y empezar a escribir código.
Cada vez que lo quieras usar, repites:
Abrir terminal
Ir a la carpeta del curso con cd (opcional pero recomendado)
Ejecutar jupyter lab
3. Usar Jupyter dentro de VS Code (muy cómodo para ti)
Como ya tienes VS Code, puedes trabajar con notebooks directamente ahí.
Paso 1: Extensiones necesarias
En VS Code, ve al ícono de extensiones (bloques):
Instala:
Python (de Microsoft)
Jupyter (también de Microsoft)
Paso 2: Abrir o crear un notebook
Si el curso te da un archivo algo.ipynb, ábrelo con VS Code.
O crea uno: File → New File → Jupyter Notebook.
VS Code te mostrará las celdas estilo Jupyter.
Arriba te saldrá algo como: “Select Kernel”.
Paso 3: Elegir el intérprete de Python
Haz clic en Select Kernel y elige la instalación de Python donde pusiste JupyterLab (normalmente el mismo Python que usas en tus proyectos).
Luego puedes:
Ejecutar celdas con el botón de “play” que aparece a la izquierda de cada celda.
Ver gráficos en el mismo VS Code.
VS Code usa el ecosistema de Jupyter “por debajo”, pero tú no necesitas abrir el navegador si no quieres.
4. ¿Y PyCharm?
Depende de la edición:
PyCharm Professional
Tiene soporte integrado para notebooks Jupyter. Puedes abrir .ipynb y trabajar desde ahí.
PyCharm Community
No tiene soporte nativo para notebooks Jupyter. En ese caso:
Usas JupyterLab en el navegador o
VS Code para los .ipynb, y PyCharm para scripts .py normales.
5. Resumen rápido para hoy 🧠⚡
Con lo que tienes, yo haría esto:
Instalar JupyterLab con:
py -m pip install jupyterlab
Probar que funciona:
jupyter lab
Instalar en VS Code las extensiones Python y Jupyter.
Si el curso te entrega .ipynb, ábrelos en VS Code y elige el kernel de Python correcto.
Si quieres, mándame luego una captura del error si algo no corre (o del primer notebook que abras) y revisamos juntos que todo esté bien configurado 💻✨
Me gusta utiizar el Colab para correr los modelos, sobre todo para correr redes neuronales y casos más complejos con las GPU de google, esto amplifica la capacidad computacional
En la clase se prepara el entorno para trabajar con Python y Jupyter en el análisis deportivo. Se discute la importancia de tener datos de entrada y resultados para aplicar machine learning supervisado. Se instala un módulo o entorno virtual y se crea un notebook de Jupyter, donde se escribirá código y se realizarán análisis. Se enfatiza que, aunque aún no se pueden hacer predicciones, el entorno está listo para cargar datos reales y comenzar a predecir resultados en el futuro.
No es necesario instalar Anaconda.
Con Visual Studio Code, Python instalado y la extensión Jupyter, puedes trabajar perfectamente con notebooks .ipynb, ejecutar celdas, visualizar gráficos y entrenar modelos sin problemas.
Anaconda solo facilita la instalación de paquetes, pero no es obligatorio para análisis deportivo.
Si tienen dudas sobre las instalaciones, deben de verificar:
- Tengo Python instalado?
aca una pagina que ayuda con eso:
Tengo JupyterLab?
Símbolo del sistema (CMD)
Búscalo en el menú de inicio y ábrelo.
Paso 2: Instalar JupyterLab
En la terminal, escribe:
py -m pip install jupyterlab
Si py no te funciona, prueba:
python -m pip install jupyterlab
Eso instala JupyterLab, que es la versión moderna (y mejor) del entorno Jupyter.
(Aporte de Edward Mas abajo)
Si salen algunos Warning, debes de agregar variables de entorno, es facil solo copia la advertencia y en gemini pidele resolverla, te pedira agregar a la variable PATH la ruta donde se habia instalado python por ejemplo:
