Koneoppimisen hyödyntäminen lupaavien jalkapalloilijoiden etsinnässä

Abstract

Koneoppiminen jaetaan karkeasti valvomattomiin ja valvottuihin lähestymistapoihin. Tutkielma keskittyy vertailemaan näitä koneoppimisen lähestymistapoja määrittääkseen, kumpi niistä on tehokkaampi jalkapalloilijoiden arvioinnissa. Tutkimuksessa selvitetään myös, mitkä koneoppimisalgoritmit toimisivat parhaiten. Tulokset viittaavat siihen, että koneoppiminen tarjoaa tehokkaita työkaluja pelaajien arviointiprosessiin. Lisäksi erilaiset lähestymistavat toimivat eri tilanteissa riippuen käytettävissä olevasta datasta ja sen eheydestä. Tulokset kuitenkin painottavat valvomattoman lähestymistavan käyttöä pelaajien arviointiprosessissa.

Machine learning is roughly divided to unsupervised and supervised approaches. The study focuses on comparing these machine learning approaches to determine which is more effective given the imbalanced and incomplete nature of football player data. The study also investigates which machine learning algorithms would work the best. Findings suggest that machine learning offers powerful tools for player evaluation process. Furthermore, different approaches work in different situations depending on available data and its integrity. However, study leans towards the use of unsupervised approach in the process of player evaluation.