Towards smart-data: Improving predictive accuracy in long-term football team performance

با وجود تحولات امیدوار کننده اخیر با مجموعه داده های بزرگ و یادگیری ماشین، ایده ای که اتوماسیون تنها می تواند تمام روابط کلیدی بین عوامل مورد علاقه را کشف کند، یک کار چالش برانگیز است. در حقیقت، در بسیاری از حوزه های دنیای واقعی، متخصصان اغلب می توانند روابط کلیدی را شناسایی و شناسایی کنند که داده ها به تنهایی ممکن است نتوانند کشف کنند، مهم نیست که چه مقدار اطلاعاتی باشد. از این رو، در حالی که یادگیری ماشین های خالص مزایای واضحی را فراهم می کند، این مزایا ممکن است با هزینه دقت به ارمغان بیاورد. در اینجا ما بر روی آنچه هوشمندانه داده می شود تمرکز می کنیم. یک روش که از مهندسی داده ها و روش های مهندسی دانش پشتیبانی می کند و تأکید بیشتری بر استفاده از دانش علمی و واقعیت های واقعی در فرآیند توسعه مدل دارد، که بر اساس آنچه داده ها واقعا برای پیش بینی مورد نیاز است، به جای اینکه داده ها در دسترس باشند. ما نشان می دهیم که چگونه از دانش استفاده کردیم تا یک مدل را ایجاد کنیم که پیش بینی دقیق از عملکرد تکاملی تیم های فوتبال را بر اساس اطلاعات محدود ایجاد می کند. این مدل ما را قادر می سازد قبل از آغاز فصل، پیش بینی های کل لیگ ها انتظار می رود که تیم در طول فصل، تجمع یابد. نتایج به طور مطلوب در مقایسه با تعدادی از مدل های مربوطه و انواع مختلف مقایسه می شود و در مقایسه با برخی مدل های دیگر که از داده های بسیار بیشتری استفاده می کنند. نتایج مدل همچنین ارائه یک تحقیق جدید و جامع نسبت به عوامل مؤثر بر تغییر در عملکرد تیم است و تا حدی به علت شبیه توافق پذیرفته شده مورد نظر در طول شبیه سازی کتاب های مورد علاقه، مورد توجه قرار گرفته است.