数字技术的发展和体育运动的日益普及激发了创新者，通过引入幻想体育平台FSP，将体育倾向的用户带到一个全新的不同层次上。数据科学和分析的应用在现代世界中无处不在。数据科学和分析打开门，以获得更深入的理解和帮助，以帮助决策过程。我们坚信，我们可以采用数据科学来预测FSP上的获胜幻想板球团队，Dream 11.我们建立了一个预测模型，可以预测潜在游戏中玩家的性能。我们结合了贪婪和背包算法的组合，开出了11名球员的组合，创建了一支幻想板球团队，这是最重要的统计赔率，即最大的团队成为最强的团队，从而使我们有更大的机会赢得梦想中的赌注。 11 FSP。我们使用Pycaret Python库来帮助我们理解并采用最佳回归算法来进行问题陈述，以做出精确的预测。此外，我们使用Plotly Python图书馆为我们提供了对团队的视觉见解，并且玩家通过计算前瞻性游戏的统计和主观因素来表演。交互作用图帮助我们提高了我们的预测模型的建议。您要么赢得大，赢得小巧，要么根据预期游戏中为您的幻想团队选出的球员的表现而失去赌注，而我们的模型增加了您赢得大的可能性。

在现代世界中，数据科学和分析以优化或预测结果的应用无处不在。数据科学和分析已经优化了市场中存在的几乎所有领域。在我们的调查中，我们专注于如何在体育领域采用分析领域，以及它如何促进游戏的转型，从评估现场玩家及其选择到赢得团队的预测以及大型体育比赛的门票和商业方面的营销。我们将介绍体育分析领域采用的不同运动的分析工具，算法和方法论，并介绍我们对同一体育的看法，我们还将比较和对比这些现有方法。通过这样做，我们还将介绍任何希望尝试体育数据并分析游戏的各个方面的人考虑的最佳工具，算法和分析方法。

In this work, a machine learning approach is developed for predicting the outcomes of football matches. The novelty of this research lies in the utilisation of the Kelly Index to first classify matches into categories where each one denotes the different levels of predictive difficulty. Classification models using a wide suite of algorithms were developed for each category of matches in order to determine the efficacy of the approach. In conjunction to this, a set of previously unexplored features were engineering including Elo-based variables. The dataset originated from the Premier League match data covering the 2019-2021 seasons. The findings indicate that the process of decomposing the predictive problem into sub-tasks was effective and produced competitive results with prior works, while the ensemble-based methods were the most effective. The paper also devised an investment strategy in order to evaluate its effectiveness by benchmarking against bookmaker odds. An approach was developed that minimises risk by combining the Kelly Index with the predefined confidence thresholds of the predictive models. The experiments found that the proposed strategy can return a profit when following a conservative approach that focuses primarily on easy-to-predict matches where the predictive models display a high confidence level.

这份手稿专注于NBA篮球锦标赛比赛结果的特点“定义。显示了如何基于一个单一特征（ELO评级或相对胜利频率）的模型的质量优于使用箱得分预测器的模型（例如四个因素）。特征是EX ANTE，计算了包含16个NBA常规季节数据的数据集，特别注意主场因素。模型已经通过深度学习生产，使用交叉验证。

竞争性在线游戏使用评分系统进行对接；基于进步的算法可以根据他们玩游戏的结果来估计具有可解释评分的玩家的技能水平。但是，玩家的总体体验是由超出其游戏唯一结果的因素来影响的。在本文中，我们设计了从游戏统计信息到模拟玩家的几个功能，并创建了准确代表其行为和真实绩效水平的评分。然后，我们将行为评级的估计能力与通过三个主流评分系统创建的评分的估计能力进行了比较，通过预测竞争激烈的射击游戏类型的四种流行游戏模式中的玩家排名。我们的结果表明，行为等级在维持创建表示形式的解释性的同时提出了更准确的绩效估计。考虑玩家的演奏行为的不同方面和使用行为等级进行对接可能会导致对决，这些比赛与玩家的目标和兴趣更加一致，因此导致了更愉快的游戏体验。

胜利预测对于了解电子竞技中的技能建模，团队合作和对接至关重要。在本文中，我们提出了GCN-WP，这是基于图形卷积网络的电子竞技的半监督胜利预测模型。该模型在一个赛季（1年）的过程中了解了电子竞技联盟的结构，并在另一个类似的联赛上做出了预测。该模型集成了有关比赛和玩家的30多个功能，并采用图形卷积根据他们的附近进行分类。与机器学习或LOL的技能评级模型相比，我们的模型可实现最先进的预测准确性。该框架是可以推广的，因此可以轻松地扩展到其他多人游戏在线游戏。

Twenty20板球，有时是二十20，经常缩写为T20，是板球的一小部分。在一场二十二十比赛中，两支球员组成的两支球队都有一局，最多仅限20分。这个版本的板球尤其是不可预测的，这是它最近在近期越来越受欢迎的原因之一。但是，在本文中，我们尝试了四种不同的方法来预测T20板球比赛的结果。具体来说，我们要考虑：以前的竞争团队参与者的绩效统计数据，从知名的板球统计网站获得的球员的评分，以相似的性能统计数据和基于ELO基于ELO的方法来汇率玩家。我们通过使用逻辑回归，支持向量机，贝叶斯网络，决策树，随机森林来比较每种方法的性能。

这项研究旨在实现两个目标：第一个目标是策划一个大型且信息丰富的数据集，其中包含有关球员的行动和位置的关键和简洁的摘要，以及在专业和NCAA中排球的来回旅行模式Div-i室内排球游戏。尽管几项先前的研究旨在为其他运动创建类似的数据集（例如羽毛球和足球），但尚未实现为室内排球创建这样的数据集。第二个目标是引入排球描述性语言，以充分描述游戏中的集会过程并将语言应用于我们的数据集。基于精选的数据集和我们的描述性运动语言，我们使用我们的数据集介绍了三项用于自动化排球行动和战术分析的任务：（1）排球拉力赛预测，旨在预测集会的结果，并帮助球员和教练改善决策制定决策在实践中，（2）设置类型和命中类型预测，以帮助教练和球员更有效地为游戏做准备，以及（3）排球策略和进攻区统计，以提供高级排球统计数据，并帮助教练了解游戏和对手的策略更好的。我们进行了案例研究，以展示实验结果如何为排球分析社区提供见解。此外，基于现实世界数据的实验评估为我们的数据集和语言的未来研究和应用建立了基准。这项研究弥合了室内排球场与计算机科学之间的差距。

在足球（或协会足球）中，球员迅速从英雄转变为零，反之亦然。性能不是静态度量，而是一种易变的措施。将绩效分析为时间序列而不是静止的时间点对于做出更好的决策至关重要。本文介绍并探讨了I-VAEP和O-VAEP模型，以评估行动和评估玩家的意图和执行。然后，我们随着时间的推移分析这些评级，并提出用例，以基本将我们将玩家评分视为连续问题的选择。结果，我们出席了谁是最好的球员以及他们的表现如何发展，定义波动率指标以衡量球员的一致性，并建立玩家发展曲线以帮助决策。

The highest grossing media franchise of all times, with over \$90 billion in total revenue, is Pokemon. The video games belong to the class of Japanese Role Playing Games (J-RPG). Developing a powerful AI agent for these games is very hard because they present big challenges to MinMax, Monte Carlo Tree Search and statistical Machine Learning, as they are vastly different from the well explored in AI literature games. An AI agent for one of these games means significant progress in AI agents for the entire class. Further, the key principles of such work can hopefully inspire approaches to several domains that require excellent teamwork under conditions of extreme uncertainty, including managing a team of doctors, robots or employees in an ever changing environment, like a pandemic stricken region or a war-zone. In this paper we first explain the mechanics of the game and we perform a game analysis. We continue by proposing unique AI algorithms based on our understanding that the two biggest challenges in the game are keeping a balanced team and dealing with three sources of uncertainty. Later on, we describe why evaluating the performance of such agents is challenging and we present the results of our approach. Our AI agent performed significantly better than all previous attempts and peaked at the 33rd place in the world, in one of the most popular battle formats, while running on only 4 single socket servers.

Alphazero，Leela Chess Zero和Stockfish Nnue革新了计算机国际象棋。本书对此类引擎的技术内部工作进行了完整的介绍。该书分为四个主要章节 - 不包括第1章（简介）和第6章（结论）：第2章引入神经网络，涵盖了所有用于构建深层网络的基本构建块，例如Alphazero使用的网络。内容包括感知器，后传播和梯度下降，分类，回归，多层感知器，矢量化技术，卷积网络，挤压网络，挤压和激发网络，完全连接的网络，批处理归一化和横向归一化和跨性线性单位，残留层，剩余层，过度效果和底漆。第3章介绍了用于国际象棋发动机以及Alphazero使用的经典搜索技术。内容包括minimax，alpha-beta搜索和蒙特卡洛树搜索。第4章展示了现代国际象棋发动机的设计。除了开创性的Alphago，Alphago Zero和Alphazero我们涵盖Leela Chess Zero，Fat Fritz，Fat Fritz 2以及有效更新的神经网络（NNUE）以及MAIA。第5章是关于实施微型α。 Shexapawn是国际象棋的简约版本，被用作为此的示例。 Minimax搜索可以解决六ap峰，并产生了监督学习的培训位置。然后，作为比较，实施了类似Alphazero的训练回路，其中通过自我游戏进行训练与强化学习结合在一起。最后，比较了类似α的培训和监督培训。

体育由于其全球影响力和影响力丰富的预测任务，是部署机器学习模型的令人兴奋的领域。但是，由于其规模，准确性和可访问性，传统运动的数据通常不适合研究使用。为了解决这些问题，我们转向电子竞技，这是一个越来越多的域，它涵盖了类似于传统体育的视频游戏。由于电子竞技数据是通过服务器日志而不是外围传感器获取的，因此电子竞技提供了一个独特的机会来获得大量清洁和详细的时空数据，类似于传统运动中收集的数据。为了解析电子竞技数据，我们开发了AWPY，这是一个开源电子竞技游戏日志解析库，可以从游戏日志中提取玩家轨迹和动作。使用AWPY，我们可以从1,558个游戏日志中解析86万动作，79万游戏帧和417K轨迹，从专业的反击比赛中创建电子竞技轨迹和动作（ESTA）数据集。埃斯塔（ESTA）是迄今为止最大，最颗粒状的公共运动数据集之一。我们使用ESTA来开发基准，以使用特定于玩家的信息进行赢得预测。 ESTA数据可在https://github.com/pnxenopoulos/esta上获得，并且AWPY通过PYPI公开。

Did you know that over 70 million of Dota2 players have their in-game data freely accessible? What if such data is used in malicious ways? This paper is the first to investigate such a problem. Motivated by the widespread popularity of video games, we propose the first threat model for Attribute Inference Attacks (AIA) in the Dota2 context. We explain how (and why) attackers can exploit the abundant public data in the Dota2 ecosystem to infer private information about its players. Due to lack of concrete evidence on the efficacy of our AIA, we empirically prove and assess their impact in reality. By conducting an extensive survey on $\sim$500 Dota2 players spanning over 26k matches, we verify whether a correlation exists between a player's Dota2 activity and their real-life. Then, after finding such a link ($p\!<\!0.01$ and $\rho>0.3$), we ethically perform diverse AIA. We leverage the capabilities of machine learning to infer real-life attributes of the respondents of our survey by using their publicly available in-game data. Our results show that, by applying domain expertise, some AIA can reach up to 98% precision and over 90% accuracy. This paper hence raises the alarm on a subtle, but concrete threat that can potentially affect the entire competitive gaming landscape. We alerted the developers of Dota2.

在机器学习任务中，特别是在预测的任务中，科学家倾向于完全依赖于可用的历史数据，无视未经证实的见解，例如专家意见，民意调查和投注赔率。在本文中，我们提出了一般的三步框架，用于利用专家的洞察机器学习任务，并为体育比赛预测案例研究构建四种具体模型。对于案例研究，我们选择了预测NCAA男子篮球比赛的任务，这是一群近年来一群摇臂比赛的焦点。结果表明，过去模型的良好性能和高分度是偶然的导致，而不是因为良好的性能和稳定的模型。此外，与2019年竞争（> 0.503）的顶级解决方案相比，我们所提出的模型可以实现更低的日志损失平均水平（最佳0.489），并在2017年达到1％，10％和1％，2018年和2019年排行榜分别。

Statistical analysis and modeling is becoming increasingly popular for the world's leading organizations, especially for professional NBA teams. Sophisticated methods and models of sport talent evaluation have been created for this purpose. In this research, we present a different perspective from the dominant tactic of statistical data analysis. Based on a strategy that NBA teams have followed in the past, hiring human professionals, we deploy image analysis and Convolutional Neural Networks in an attempt to predict the career trajectory of newly drafted players from each draft class. We created a database consisting of about 1500 image data from players from every draft since 1990. We then divided the players into five different quality classes based on their expected NBA career. Next, we trained popular pre-trained image classification models in our data and conducted a series of tests in an attempt to create models that give reliable predictions of the rookie players' careers. The results of this study suggest that there is a potential correlation between facial characteristics and athletic talent, worth of further investigation.

机器学习已成为包括运动在内的多个领域的工程设计和决策的组成部分。深度神经网络（DNNS）一直是预测职业体育赛事结果的最新方法。但是，除了对这些体育活动成果进行高度准确的预测外，还必须回答诸如“为什么模型预测A团队会赢得与B队的比赛？”之类的问题？ DNN本质上是本质上的黑框。因此，需要为模型在运动中的预测提供高质量的可解释的解释性解释。本文探讨了两步可解释的人工智能（XAI）方法，以预测巴西排球联盟（Superliga）中比赛的结果。在第一阶段，我们直接使用可解释的基于规则的ML模型，这些模型可以根据布尔规则列的生成（BRCG；提取简单和 - 或分类规则）和逻辑回归（logReg;允许估算）对模型的行为进行全局理解。功能重要性得分）。在第二阶段，我们构建了非线性模型，例如支持向量机（SVM）和深神经网络（DNN），以在排球比赛的结果上获得预测性能。我们使用ProtoDash为每个数据实例构建了“事后”解释，该方法在训练数据集中找到原型，与测试实例最相似，而Shap是一种估计每个功能在模型预测中的贡献的方法。我们使用忠诚度量标准评估了摇摆的解释。我们的结果证明了对模型预测的解释的有效性。

We introduce an emerging AI-based approach and prototype system for assisting team formation when researchers respond to calls for proposals from funding agencies. This is an instance of the general problem of building teams when demand opportunities come periodically and potential members may vary over time. The novelties of our approach are that we: (a) extract technical skills needed about researchers and calls from multiple data sources and normalize them using Natural Language Processing (NLP) techniques, (b) build a prototype solution based on matching and teaming based on constraints, (c) describe initial feedback about system from researchers at a University to deploy, and (d) create and publish a dataset that others can use.

幻想运动让粉丝管理他们最喜欢的运动员团队并与朋友竞争。幻想平台对抗运动员的真实统计表现，幻想得分，稳步上升，估计每月有44亿球员的估计为910万名球员，2018 - 2019年的ESPN幻想足球平台。同时，体育媒体社区并行产生新闻报道，博客，论坛帖子，推文，视频，播客和幻想运动内外的曲目。然而，人类幻想足球运动员只能分析3.9个信息来源。我们的工作讨论了机器学习管道的结果来管理ESPN幻想足球队。每天使用训练有素的统计实体探测器和文档2Vector模型应用于超过100,000个新闻源和230万件文章，视频和播客使系统能够理解自然语言，这些自然语言具有100％和关键字测试精度为80％的类别。深度学习前馈神经网络提供了播放器分类，例如，如果玩家将是一个胸围，繁荣，用隐藏的伤害玩或玩有意义的触摸，累计72％的准确性。最后，多元回归集合使用深度学习输出和ESPN投影数据，为2018年为前500多个幻想足球运动员提供了一个点投影。点投影保持了6.78点的RMSE。选择来自一组24的最佳拟合概率密度函数以可视化分数扩展。在产品发布的前6周内，用户总数花了46年来观看我们的AI洞察力。我们模型的培训数据由2015年到2016年的Web档案提供，来自Webhose，ESPN统计和Rootowire损伤报告。我们使用2017年幻想足球数据作为测试集。

在每项运动中，玩家绩效预测是一个严重的问题，因为它为经理们带来了重要的未来信息，以做出重要的决策。在棒球行业中，已经存在可变预测系统和许多类型的研究，这些研究试图提供准确的预测并帮助域用户。但是，缺乏有关基于深度学习的预测方法或系统的研究。当今，深度学习模型已被证明是不同领域中最伟大的解决方案，因此我们认为它们可以尝试并应用于棒球的预测问题。因此，在本文中，深度学习模型的预测能力将成为我们的研究问题。首先，我们选择了许多本垒打作为目标，因为它是了解棒球击球手的力量和才华的最关键索引之一。此外，我们使用顺序模型长的短期记忆作为我们的主要方法来解决美国职棒大联盟中的本垒打预测问题。我们将模型的能力与多种机器学习模型和广泛使用的棒球投影系统Szymborski投影系统进行比较。我们的结果表明，长期的短期记忆比其他人具有更好的性能，并且能够做出更精确的预测。我们得出的结论是，长期的短期记忆是棒球绩效预测问题的可行方法，并可以带来有价值的信息以满足用户的需求。