1. Αρχική σελίδα
  2. Αναζήτηση

Machine Learning in Fantasy Premier League

Το τεκμήριο παρέχεται από τον φορέα :
Εθνικό Μετσόβιο Πολυτεχνείο   

Αποθετήριο :
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Machine Learning in Fantasy Premier League (EN)
Βαλουξής, Σπυρίδων (EL)
Valouxis, Spiros (EN)
ntua (EL)
Κόλλιας, Στέφανος (EL)
Βουλόδημος, Αθανάσιος (EL)
Στάμου, Γιώργος (EL)
Τζούβελη, Παρασκευή (EL)
bachelorThesis
2023-09-06T09:22:43Z
2023-06-21
The world of fantasy sports has witnessed a surge in popularity, with Fantasy Premier League (FPL) standing out as a leader in the field. This diploma thesis focuses on the application of machine learning techniques in Fantasy Premier League (FPL) to enhance team performance and decision-making. The research objectives were threefold: to develop machine learning models for predicting Expected Value (EV), to generate optimal moves based on the predicted EV values, and to contribute to the field of FPL analytics by advancing the application of machine learning techniques. The growing popularity of FPL (over 11.4 million teams in the 2022/23 season) has increased the demand for data-driven strategies across the community to gain a competitive edge. While previous efforts by the FPL community have explored similar concepts, our study presents the first open-source, full-scale FPL model utilizing machine learning techniques. The results of our research demonstrate the superiority of our model compared to most of the other existing models. Through rigorous evaluation using various metrics (MAE, RMSE, R² score), our models consistently outperformed almost all competitors in predicting EV. Furthermore, a noteworthy achievement was the top-ranking performance of the team managed by our model in the GW24 league, surpassing over 25,000 competing teams by the end of the season. By successfully integrating machine learning and optimization algorithms, our project provides FPL managers with actionable recommendations for team selection, transfers, and strategic decision-making. This research significantly contributes to the field of FPL Analytics by offering an innovative solution that enhances team performance and provides valuable insights for managers seeking to improve their FPL results. (EN)
Μηχανική Μάθηση (EL)
Παιχνίδια Φάντασι (EL)
Επιστήμη Δεδομένων (EL)
Βελτιστοποίηση (EL)
Aναμενόμενη Αξία (EL)
Data Science (EN)
Expected Value (EN)
Fantasy Premier League (EN)
Machine Learning (EN)
Optimization (EN)
Ελληνική γλώσσα
Αγγλική γλώσσα
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (EL)
Division of Computer Science - Artificial Intelligence and Learning Systems Laboratory (EL)
Default License
Εθνικό Μετσόβιο Πολυτεχνείο
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA
Κεντρική Βιβλιοθήκη Ε.Μ.Π.
Ιδρυματικό Αποθετήριο
Διπλωματικές Εργασίες



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.