팀 스포츠 순위 예측을 위한 순환신경망 모델: 프로농구 플레이오프 중심으로 Recurrent Neural Networks for Predicting Team Sports Ranking: Focused on Korean Basketball League Playoff원문보기
데이터과학은 데이터의 수가 늘어남에 따라 엔지니어링 기법과 분석을 위한 알고리즘이 고도화되면서 발전하고 있다. 자연어 처리, 이미지 처리, 추천시스템, 번역, 자율주행과 같은 영역에서는 기존에 문제를 푸는 방식이 아닌 데이터와 ...
데이터과학은 데이터의 수가 늘어남에 따라 엔지니어링 기법과 분석을 위한 알고리즘이 고도화되면서 발전하고 있다. 자연어 처리, 이미지 처리, 추천시스템, 번역, 자율주행과 같은 영역에서는 기존에 문제를 푸는 방식이 아닌 데이터와 기계학습 중심의 문제 해결방법론이 성과를 내고 있다. 스포츠 영역에서도 데이터과학을 적용해 예측이나 패턴 인식을 하려는 시도가 늘어나고 있다. 본 연구에서는 스포츠 영역에 데이터과학의 문제해결방법을 적용하기 위해 문제를 발견하고 데이터를 직접 수집한 후에 모델링하여 결과를 분석하였다. 순환신경망으로 플레이오프 순위를 예측하는 것을 문제로 설정하고, 웹데이터 수집도구로 순서가 존재하는 데이터인 한국프로농구의 정규리그와 플레이오프 공식기록을 수집하였다. 기록을 수집한 뒤에는 선수기반과 팀기반으로 플레이오프의 순위를 예측하는 순환신경망 모델을 구축하였다. 최적의 성능을 보이는 모델을 찾기 위해 신경망 모델의 성능을 높일 수 있는 방법들을 적용하였다. 실험 결과로 팀기반 신경망 모델은 플레이오프의 순위를 예측하는데 강점이 있고, 선수기반 신경망 모델은 정규리그의 순위를 인식하는데에 강점이 있음을 확인하였다. 본 연구를 통해 스포츠 영역은 데이터과학의 방법론을 적용할 수 있는 확장성이 큰 분야임을 확인하였다. 스포츠 활동에서 생산되는 바이오 데이터나 센서 데이터를 활용해 연구의 범위를 넓히거나 각 종목의 세부적인 패턴을 분석하는 방식으로 연구의 영역을 확장할 수 있다.
데이터과학은 데이터의 수가 늘어남에 따라 엔지니어링 기법과 분석을 위한 알고리즘이 고도화되면서 발전하고 있다. 자연어 처리, 이미지 처리, 추천시스템, 번역, 자율주행과 같은 영역에서는 기존에 문제를 푸는 방식이 아닌 데이터와 기계학습 중심의 문제 해결방법론이 성과를 내고 있다. 스포츠 영역에서도 데이터과학을 적용해 예측이나 패턴 인식을 하려는 시도가 늘어나고 있다. 본 연구에서는 스포츠 영역에 데이터과학의 문제해결방법을 적용하기 위해 문제를 발견하고 데이터를 직접 수집한 후에 모델링하여 결과를 분석하였다. 순환신경망으로 플레이오프 순위를 예측하는 것을 문제로 설정하고, 웹데이터 수집도구로 순서가 존재하는 데이터인 한국프로농구의 정규리그와 플레이오프 공식기록을 수집하였다. 기록을 수집한 뒤에는 선수기반과 팀기반으로 플레이오프의 순위를 예측하는 순환신경망 모델을 구축하였다. 최적의 성능을 보이는 모델을 찾기 위해 신경망 모델의 성능을 높일 수 있는 방법들을 적용하였다. 실험 결과로 팀기반 신경망 모델은 플레이오프의 순위를 예측하는데 강점이 있고, 선수기반 신경망 모델은 정규리그의 순위를 인식하는데에 강점이 있음을 확인하였다. 본 연구를 통해 스포츠 영역은 데이터과학의 방법론을 적용할 수 있는 확장성이 큰 분야임을 확인하였다. 스포츠 활동에서 생산되는 바이오 데이터나 센서 데이터를 활용해 연구의 범위를 넓히거나 각 종목의 세부적인 패턴을 분석하는 방식으로 연구의 영역을 확장할 수 있다.
Data science was evolving with the volume of data. Machine learning algorithms also were developed with data engineering techniques. The methodology for solving problems based on data was producing groundbreaking results in natural language processing, image processing, recommendation system, transl...
Data science was evolving with the volume of data. Machine learning algorithms also were developed with data engineering techniques. The methodology for solving problems based on data was producing groundbreaking results in natural language processing, image processing, recommendation system, translation and self-driving. Researchers attempted to apply data science into the sports for prediction or pattern recognizion. Data science methodology such as searching problem, collecting data, modeling, and analyzing results, were used in this study. Ranking prediction was set as a problem throughout recurrent neural networks. The record of Korean Basketball League was collected by web test tool, used for web crawling. Playoff power-ranking was predicted by player based model and team based model. As a result, team based model represented the best performance to predict playoff ranking. Player based model had better performance to reflect regular seasonal ranking trend than team based model. Sports domain was scalable to apply data science methodology. For example, the scope of the research could be expanded by using bio data or sensor data. Specific patterns in each sports could be analyzed by data science methodology.
Data science was evolving with the volume of data. Machine learning algorithms also were developed with data engineering techniques. The methodology for solving problems based on data was producing groundbreaking results in natural language processing, image processing, recommendation system, translation and self-driving. Researchers attempted to apply data science into the sports for prediction or pattern recognizion. Data science methodology such as searching problem, collecting data, modeling, and analyzing results, were used in this study. Ranking prediction was set as a problem throughout recurrent neural networks. The record of Korean Basketball League was collected by web test tool, used for web crawling. Playoff power-ranking was predicted by player based model and team based model. As a result, team based model represented the best performance to predict playoff ranking. Player based model had better performance to reflect regular seasonal ranking trend than team based model. Sports domain was scalable to apply data science methodology. For example, the scope of the research could be expanded by using bio data or sensor data. Specific patterns in each sports could be analyzed by data science methodology.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.