Η παρούσα διπλωματική εξετάζει τη χρήση αλγορίθμων μηχανικής μάθησης για την
πρόβλεψη αποτελεσμάτων ποδοσφαιρικών αγώνων, με στόχο την αξιολόγηση
διάφορων μοντέλων που μπορούν να βελτιώσουν την ακρίβεια των προβλέψεων. Στην
αρχή, διεξήχθη αναλυτική βιβλιογραφική ανασκόπηση, κατά την οποία αναλύθηκαν
οι προσεγγίσεις και οι τεχνικές από προηγούμενες έρευνες, εντοπίζοντας αδυναμίες
και περιορισμούς στις μεθόδους πρόβλεψης. Στη συνέχεια, παρουσιάστηκε το
θεωρητικό υπόβαθρο των αλγορίθμων μηχανικής μάθησης, όπως Logistic Regression,
Random Forest, Gradient Boosting, k-Nearest Neighbors και Multi-Layer Perceptron,
εξετάζοντας πώς αυτές οι τεχνικές μπορούν να βελτιστοποιηθούν για πιο ακριβείς
προβλέψεις. Η εργασία εστιάζει κυρίως στην προσέγγιση με ταξινόμηση δύο κλάσεων
(binary classification) για την πρόβλεψη των αποτελεσμάτων. Ακολούθησε μια
ανάλυση των βημάτων δημιουργίας μοντέλων μηχανικής μάθησης, από τη συλλογή
των δεδομένων μέχρι τη βελτιστοποίησή τους. Στο πειραματικό μέρος,
χρησιμοποιήθηκαν πραγματικά δεδομένα από ποδοσφαιρικούς αγώνες και
εφαρμόστηκαν τεχνικές feature engineering για τη βελτίωση της απόδοσης των
αλγορίθμων. Μετά από δύο φάσεις εκτέλεσης και βελτιστοποίησης των αλγορίθμων,
τα αποτελέσματα έδειξαν βελτιώσεις στην ακρίβεια των προβλέψεων, ενώ
πραγματοποιήθηκε επίσης ανάλυση για την ανίχνευση φαινομένων overfitting και
underfitting. H εργασία εξετάζει και την ταξινόμηση πολλαπλών κλάσεων (Multiclass
Classification), υπογραμμίζοντας τις προκλήσεις και τις δυνατότητές της. Τέλος, η
μελέτη συγκρίνει τα αποτελέσματα των μοντέλων σε όρους ακρίβειας και απόδοσης,
αναδεικνύοντας τις διαφορές ανάμεσα στις διάφορες προσεγγίσεις και αναγνωρίζει
τους περιορισμούς που υπήρξαν . Συνολικά, η εργασία συμβάλλει στην κατανόηση και
βελτίωση των υπαρχουσών μεθόδων πρόβλεψης ποδοσφαιρικών αγώνων,
προσφέροντας πιο αξιόπιστα μοντέλα που μπορούν να εφαρμοστούν για τη λήψη
αποφάσεων σε επαγγελματικό επίπεδο ή την ανάπτυξη στρατηγικών σε στοιχηματικές
και αθλητικές αναλύσεις.
.jpg){kind=logo}
University of West Attica
