Clase 1 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 equipo Cebollitas atraviesa dificultades luego de perder cuatro de los últimos cinco partidos. Sin embargo, cuentan ahora con numerosos datos como videos de partidos, estadísticas de jugadores y registros de entrenamientos. Aprovechar esta información mediante modelos de machine learning es clave para incrementar su rendimiento deportivo.
El machine learning ofrece varios caminos eficaces para optimizar los resultados en fútbol:
El modelo supervisado consiste en enseñar a partir de ejemplos específicos, indicándole claramente resultados anteriores. Por ejemplo:
Este método permite anticipar eventos y ajustar clásicas debilidades estratégicas.
Los modelos no supervisados no diferencian resultados buenos o malos naturalmente; analizan sin esa distinción previa:
Este tipo de modelos utiliza simulaciones y recompensas para aprender cuáles estrategias aportan mayores probabilidades de éxito:
Algunas herramientas prácticas para aplicar machine learning incluyen:
Seleccionar el modelo correcto es clave, pero aún más importante es:
Esto permitirá medir avances tangibles en los próximos partidos del equipo Cebollitas.
¿Te interesa profundizar en diferentes usos del machine learning aplicado al fútbol o tienes alguna experiencia similar que desees compartir?
