Ανάλυση απόδοσης ποδοσφαιριστών με χρήση μηχανικής μάθησης
ENGLISH ABSTRACT This study focuses on the use of data analysis and machine learning techniques in football to predict match results and evaluate player performance. Using data from the European Soccer Database, the attributes of players and teams along with their performance are examined to identify the patterns that influence results. The analysis includes statistical methods such as data normalization, dealing with missing values and outliers and applying machine learning models such as Random Forest and Linear Regression to predict goals home or away. The study analyses the importance of player and team attributes on their performance levels and examines the contribution of strategies and tactics to team performance. Comparing the results and linking them to the literature, provided new perspectives for coaches and analysts to optimize performance and make more informed decisions in football.
Thesis
Η παρούσα μελέτη εστιάζει στη χρήση τεχνικών ανάλυσης δεδομένων και μηχανικής μάθησης στο ποδόσφαιρο, με σκοπό την πρόβλεψη αποτελεσμάτων αγώνων και την αξιολόγηση της απόδοσης των παικτών. Με τη χρήση δεδομένων από τη βάση δεδομένων European Soccer Database, εξετάζονται τα χαρακτηριστικά των παικτών και των ομάδων καθώς και οι επιδόσεις τους, ώστε να αναγνωριστούν τα μοτίβα που επηρεάζουν τα αποτελέσματα. Η ανάλυση περιλαμβάνει στατιστικές μεθόδους όπως η κανονικοποίηση δεδομένων, η αντιμετώπιση ελλιπών και ακραίων τιμών και η εφαρμογή μοντέλων μηχανικής μάθησης, όπως το Random Forest και η Γραμμική Παλινδρόμηση, για την πρόβλεψη των γκολ εντός και εκτός έδρας. Η μελέτη αναλύει τη σημασία των χαρακτηριστικών των παικτών και της ομάδας στην επίδοσή τους, ενώ εξετάζεται η συμβολή των στρατηγικών και των τακτικών στις επιδόσεις των ομάδων. Η σύγκριση των αποτελεσμάτων και η σύνδεση με τη βιβλιογραφία παρέχουν νέες προοπτικές στους προπονητές και αναλυτές, με στόχο τη βελτιστοποίηση των επιδόσεων και τη λήψη πιο ενημερωμένων αποφάσεων στο ποδόσφαιρο