1. Αρχική σελίδα
  2. Αναζήτηση

ΕΦΑΡΜΟΓΗ ΜΕΘΟΔΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΣΕ ΔΙΑΓΩΝΙΣΜΟΥΣ ΕΙΚΟΝΙΚΩΝ ΑΓΩΝΩΝ(FANTASY,GAMES)

Το τεκμήριο παρέχεται από τον φορέα :
Διεθνές Πανεπιστήμιο της Ελλάδος   

Αποθετήριο :
Ιδρυματικό Αποθετήριο Διεθνούς Πανεπιστημίου Ελλάδος (ΔΙΠΑΕ)   

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



Applications of Machine learning in Daily Fantasy Sports
ΕΦΑΡΜΟΓΗ ΜΕΘΟΔΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΣΕ ΔΙΑΓΩΝΙΣΜΟΥΣ ΕΙΚΟΝΙΚΩΝ ΑΓΩΝΩΝ(FANTASY,GAMES) (EL)
Χατζηγεωργίου, Κλεομένης (EL)
Διαμαντάρας, Κωνσταντίνος
masterThesis
Μεταπτυχιακή εργασία (EL)
Master thesis (EN)
2024-10-07T13:49:07Z
2019-11-04T11:56:53Z
2018-10-04
Σε αυτήν την διπλωματική εργασία αναπτύξαμε ένα μοντέλο μηχανικής μάθησης, το οποίο βασίζεται στις προηγούμενες επιδόσεις των αθλητών για να προβλέψει το φαντασιακό τους σκορ. Δοκιμάσαμε τρεις διαφορετικές μεθόδους μοντελοποίησης για παλινδρόμηση, Διανύσματα Υποστήριξης, Γραμμική Παλινδρόμηση και Μπεϊσιανή Παλινδρόμηση. Αναπτύξαμε επίσης με την χρήση δυναμικού προγραμματισμού έναν αλγόριθμο ο οποίος επιλέγει με βάση τις προβλέψεις μας τους καλύτερους δυνατούς παίκτες για κάποιον διαγωνισμό φαντασιακών αθλημάτων. Για να εξετάσουμε την αποτελεσματικότητα των μοντέλων μας, τα δοκιμάσαμε σε τυχαίους διαγωνισμούς της περιόδου 2016-2017 του ιστότοπου www.draftkings.com. Επίσης συγκρίναμε τις προβλέψεις μας με υπηρεσίες που προσφέρονται από διάφορους ιστότοπους. Τα αποτελέσματα ήταν αρκετά ενθαρρυντικά. Στις περισσότερες περιπτώσεις οι προβλέψεις του μοντέλου μας θα κέρδιζαν τους εκάστοτε διαγωνισμούς και ήταν καλύτερες συγκριτικά με τις προβλέψεις διαφόρων ιστότοπων. (EL)
In this thesis we developed a machine learning model that predicts fantasy performance of NBA players, based on their past performance. We tried three different regression approaches, Bayesian Regression, Linear Regression and Support Vector Regression. We also developed an algorithm that uses dynamic programming to generate a daily fantasy sports lineup based on our model’s predictions. We ended up using Bayesian Regression for our model due to better produced results compared to the other approaches. Next we generated lineups for random contests of NBA 2016-2017 regular season. We also compared our results with the predictions of websites that offer similar services. Through our tests we managed to produce several lineups that could potentially return profit in the long term and at the very least offer a tool that can be used by daily fantasy players to get an edge over their competition. (EN)
Μηχανική Μάθηση, Παλινδρόμηση, Φαντασιακά Αθλήματα (EL)
Ελληνική γλώσσα
Μηχανικών Πληροφορικής (EL)
Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Πληροφορικής (EL)
Default License
Διεθνές Πανεπιστήμιο της Ελλάδος
Ιδρυματικό Αποθετήριο Διεθνούς Πανεπιστημίου Ελλάδος (ΔΙΠΑΕ)
Διπλωματικές Εργασίες
Σχολή Μηχανικών
Τμήμα Μηχανικών Πληροφορικής & Ηλεκτρονικών Συστημάτων



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