Ce cours fait partie de la Spécialisation Sports Performance Analytics

4.5
étoiles
13 évaluations

Christopher Brooks

2 054 déjà inscrits

Offert par

Spécialisation Sports Performance AnalyticsUniversité du Michigan

À propos de ce cours

7 701 consultations récentes

In this course students will explore supervised machine learning techniques using the python scikit learn (sklearn) toolkit and real-world athletic data to understand both machine learning algorithms and how to predict athletic outcomes. Building on the previous courses in the specialization, students will apply methods such as support vector machines (SVM), decision trees, random forest, linear and logistic regression, and ensembles of learners to examine data from professional sports leagues such as the NHL and MLB as well as wearable devices such as the Apple Watch and inertial measurement units (IMUs). By the end of the course students will have a broad understanding of how classification and regression techniques can be used to enable sports analytics across athletic activities and events.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 5 sur 5 dans le

Spécialisation Sports Performance Analytics

Niveau intermédiaire

Learners should have some familiarity with Python before starting this course. We recommend the Python for Everybody Specialization.

Approx. 13 heures pour terminer

Anglais

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 5 sur 5 dans le

Spécialisation Sports Performance Analytics

Niveau intermédiaire

Learners should have some familiarity with Python before starting this course. We recommend the Python for Everybody Specialization.

Approx. 13 heures pour terminer

Anglais

Enseignant

Christopher Brooks

Assistant Professor

School of Information

776 947 étudiants

14 cours

Offert par

Université du Michigan

Programme de cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

3 heures pour terminer

Machine Learning Concepts

3 heures pour terminer

7 vidéos (Total 75 min), 3 lectures, 1 quiz

Semaine

Semaine 2

4 heures pour terminer

Support Vector Machines

4 heures pour terminer

4 vidéos (Total 51 min), 2 lectures, 1 quiz

4 vidéos

Introduction to Support Vector Machines (SVMs)15 min

Polynomial Support Vector Machines10 min

Cross Validation9 min

A Real World SVM Model: Boxing Punch Classification14 min

2 lectures

(Optional) - An evaluation of wearable inertial sensor configuration and supervised machine learning models for automatic punch classification in boxing2 h

Assignment 2 Programming Solution10 min

1 exercice pour s'entraîner

Assignment 21 h

Semaine

Semaine 3

3 heures pour terminer

Decision Trees

3 heures pour terminer

4 vidéos (Total 58 min), 2 lectures, 1 quiz

Semaine

Semaine 4

3 heures pour terminer

Ensembles & Beyond

In this week of the course students will learn how many different models can be used together through ensembles, including the random forest method as a common use, as well as more general methods available in sklearn such as stacking and bagging. By the end of this week students will have a broad understanding of how methods such as SVMs, decision trees, and logistic regression can be used together to solve a problem with increasing performance.

3 heures pour terminer

5 vidéos (Total 102 min), 3 lectures, 1 quiz

Avis

4.5

5 avis

5 stars
69,23 %
4 stars
23,07 %
2 stars
7,69 %

Meilleurs avis pour INTRODUCTION TO MACHINE LEARNING IN SPORTS ANALYTICS

par NM4 déc. 2022

Outstanding course! Really interesting and tutor was really enthusiastic which kept the videos and assessments easy to work through.

par LR24 oct. 2022

Very hands-on course, I could understand all techniques available to model sports.

Voir tous les avis

À propos du Spécialisation Sports Performance Analytics

Sports analytics has emerged as a field of research with increasing popularity propelled, in part, by the real-world success illustrated by the best-selling book and motion picture, Moneyball. Analysis of team and player performance data has continued to revolutionize the sports industry on the field, court, and ice as well as in living rooms among fantasy sports players and online sports gambling.

Drawing from real data sets in Major League Baseball (MLB), the National Basketball Association (NBA), the National Hockey League (NHL), the English Premier League (EPL-soccer), and the Indian Premier League (IPL-cricket), you’ll learn how to construct predictive models to anticipate team and player performance. You’ll also replicate the success of Moneyball using real statistical models, use the Linear Probability Model (LPM) to anticipate categorical outcomes variables in sports contests, explore how teams collect and organize an athlete’s performance data with wearable technologies, and how to apply machine learning in a sports analytics context. This introduction to the field of sports analytics is designed for sports managers, coaches, physical therapists, as well as sports fans who want to understand the science behind athlete performance and game prediction. New Python programmers and data analysts who are looking for a fun and practical way to apply their Python, statistics, or predictive modeling skills will enjoy exploring courses in this series.

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.

Introduction to Machine Learning in Sports Analytics

À propos de ce cours