Применение методов искусственного интеллекта в спорте

В работе дается краткий обзор основных направлений применения методов искуственного интеллекта в соревновательном спорте. На примере конкретных работ иллюстрированы их возможности как средство помощи для оптимизации тренерской работы, предупреждения травматизма, идентификации талантов, селекции игроков и управления клубами.

Ключевые слова: искусственный интеллект, интеллектуальный анализ данных, машинное обучение, спортивная биомеханика, стратегия матчей, травматизм

 

I.      Введение

Искусственный интеллект (artificial intelligence-AI) разрабатывает различные методы использования компьютеров для выполнения творческих задач, свойственных людям. Тесно связанные с AI понятия — машинное обучение и интеллектуальный анализ данных (data mining-DM). Машинное обучение (machine learning-ML) — это обширный подраздел AI, изучающий методы построения самообучающихся моделей. Интеллектуальный анализ данных использует методы ML для извлечения нетривиальной и потенциально полезной информации из огромных наборов данных, доступных в различных областях науки и человеческой деятельности. Используя более сложные инструменты, которые могут работать непосредственно с данными, DM указывает тенденции в данных, которые выходят за рамки простого статистического анализа. Современные методы AI (ассоциативные правила, деревья решений, модель гауссовых смесей, алгоритмы регрессии, нейронные сети, векторные машины поддержки, байесовские сети и т. д.) используются во многих областях для решения проблем ассоциации, классификации, сегментации, диагностики и прогнозирования.

Вполне логично, что методы AI находят применение в такой экстремальной человеческой деятельности, как спорт уровня высоких достижений и все сопутствующие процессы. В материалах семинара по машинному обучению и интеллектуальному анализу данных в спортивной аналитике [1] отмечается нарастающее изпользование методов AI для поддержки принятия решений по всем аспектам профессионального спорта: приобретение игроков и расходы команды, моделирование тренировочного процесса и стратегий матчей, прогнозирование и профилактика травматизма, прогнозирование исходов матчей, рассчет коэффициентов ставок и многое другое. Цель данной работы — сделать краткий обзор приложений AI в различных аспектах спортивной деятельности.

II.                Технический анализ исполнения и оптимизация тренировочного процесса

Оценка эффективности исполнения спортивных упражнений — это важный элемент занятий спортом и является предметом биомеханики спорта. Биомеханика спорта, как правило, определяется как изучение и применение физики и техники к спортивным тренировкам и выступленям [2]. В работах [3,4] рассматриваются отдельные исследования по применению вычислительных моделей и технологий AI в спортивной биомеханике, в частности для оценки правильности спортивной техники. Owusu [3] утверждает, что с вычислительной точки зрения оценка эффективности предполагает моделирование в специфическом спортивном домене и моделирование процесса её оценки. Модель процесса оценки эффективности является предметнонезависимой, поскольку она описывает механизмы для манипулирования моделями, специфическими для данного спорта. Owusu рассматривает модель оценки эффективности процесса как трехэтапный линейный процесс: (I) распознавание, (II) критика, и (III) рекомендации. С вычислительной точки зрения, распознавание выполненного двигательного навыка (т. е. движения) предполагает приобретение и интерпретации биомеханических данных, достаточных для описания рассматриваемого умения (мастерства). Для целей автоматизации процесса оценки эффективности можно выделить два уровня распознавания движений. Этап распознавания на низком уровне касается автоматизации количественной оценки биомеханических данных. Автоматизация на низком уровне стала возможной с изобретением систем визуального анализа движения. Распознавание высокого уровня присваивает смысл биомеханическим данным, полученным на низком уровне. Ключевым вопросом распознавания на высоком уровне является построение соответствующего классификатора для изучаемого спорта. С вычислительной точки зрения этап„критика” может быть грубо классифицирован как диагностика и прогностическое моделирование. Диагностика выявляет любые несоответствия между ожидаемой эффективностью выполняемых двигательных навыков и тем, что спортсмен выполняет фактически, и исследует причины этих расхождений. Современные подходы к диагностике в контексте оценки эффективности спортивной техники включают разработку систем, основанных на знаниях (knowledge-based systems-KBS). В прогностическом моделировании акцент делается на анализ того, чего спортсмен может добиться. Наконец, на этапе рекомендаций с помощью AI предлагаются решения об исправлении выявленных недостатков.

Рассмотренные ниже конкретные примеры реализуют один или нескольких этапов описанной модели процесса оценки эффективности для кластеризации, классификации, распознавания и прогнозирования конкретных спортивных данных, таких, как последовательности движений.

Sands [5] описывает KBS для мониторинга гимнастических тренировок. Система идентифицирует неадекватные физиологические и психологические параметры и предупреждает о них. В качестве преимуществ экспертной системы автор назвал ее способность выявлять тенденции к получению травм, идентифицировать перетренированность, сигнализировать о заболеваниях до появления яркой симптоматики и о всплесках роста у спортсменов-подростков. Sands [6] предлагает базированную на кинезиологии экспертную систему. Кинезиология использует анатомическую информацию для определения того, какие мышцы осуществляют движение человека и в какой степени. С помощью предложенной автором кинезиологической экспертной системы движения (KMES) студенты, определяя суставы, действия и типы напряжений, могут получить список мышц, которые будут способствовать запрошенному движению. Кроме того, студент может выбрать конкретную мышцу и тип напряжения, и система вернет все движения, в которых задействована данная мышца. KMES была написана в PDC PrologTM и имеет базу знаний из 1583 движений. В [7] Sands и сотр. предлагают изпользовать нейронные сети для распознавания всех аспектов исполнения гимнастических упражнений и обеспечивания обратной связи. Перспективность применения искусственных нейронных сетей (ANNs) в области спортивной биомеханики обсуждается в ряде работ [7–11].

В работе Baca и сотр. [12] самоорганизующаяся нейронная сеть (Self Organizing Maps — SOM) состоящая из 400 нейронов, обучалась для кластеризации стабильности процесса прицеливания элитными биатлонистами. В [13] анализировали временную динамику моторного обучения в плавании брассом. Обработка множества данных осуществялась двухуровневой кластеризацией с помощью алгоритма Fisher-EM [14]. С точки зрения спортивных наук конкретной целью исследования была оценка динамики обучения и оценка влияния различных условий на динамику обучения, и далее использование результатов анализа для оптимизации процесса обучения.

Цель Silva и сотр. [15] — выявить факторы, которые могут объяснить эффективность (достигнутый результат) юных пловцов в индивидуальном плавании на дистанциях 200 метров смешанным стилем и 400 метров кролем, а также моделировать достижения в этих дисциплинах с помощью искусственных нейронных сетей (многослойные персептроны-MLP), и оценить возможности нейронных сетевых моделей для предсказания эффективности. В исследовании используются данные 138 пловцов (65 мужчин и 73 женщины) национального уровня. В качестве факторов учитывались переменные четырех областей: кинатропометрические (антропометрические показатели, композиция тела и соматотип), функциональные оценки (сила, гибкость), специфические функции (гидродинамические, гидростатические и биоэнергетические характеристики) и плавательная техника. На основе результатов нелинейного анализа с использованием нейронной сети с прямой связью (feed-forward) созданы четыре модели эффективности. Разница между прогнозируемым и действительным результатом для тестового множества данных менее 0.8 %. Аналогичные результаты докладывались в работах [16–19]. На основании своего и аналогичных исследований авторы заключают, что инструмент нейронных сетей является удачным подходом решения сложных задач, какими являются моделирование эффективности и выявление талантов в широком разнообразии видов спорта и в частности, в плавании.

В [20] иллюстририруются возможности методов искусственного интеллекта в спорте на примере силовых тренировок. Исследователи применяли метод распознавания образов (pattern recogniion) для оценки упражнений, выполненных на тренажерах. Сбор данных осуществлялся с использованием датчиков, прикрепленных к тренажерам. С их помощью непосредственно измерялись основные данные — действуюшие силы и перемещения во время тренировки, на основании которых определялись дополнительные характеристики, такие, как периоды времени, скорости движения, ускорения. Эти параметры применялись для автоматической оценки исполняемого упражнения. Моделирование осуществлялось с помощью искусственной нейронной сети и ее обучения на основе накопленных данных. Применялся метод обучения с учителем (supervised learning). Предварительно обработанный сенсорный вход был использован для классификации и оценки исполнений. Разработанные методики показали удовлетворительные результаты. В практике такие методы могут иметь решающее значение для исследования качества исполнения, для оказания помощи спортсменам и тренерам, для обучения с целью оптимизации и для профилактических целей. Конечная цель разработчиков — применение данной методики в мобильных системах коучинга [21], предоставляющих спортсменам автоматическую мгновенную оценку их исполния для осуществления обратной связи.

В исследовании [22] использовались самоорганизующиеся карты (self-organizing maps -SOM) для классификации модели координации по данным четырех баскетболистов, выполняющих три различных вида бросков с разных расстояний. Авторы отмечают, что SOM является более объективным методом для объяснения координации движений по сравнению с более традиционными подходами, такими как визуальный анализ или анализ временных рядов данных.

Schmidt [23] исследовал кинематическую цепь штрафного броска баскетболистов разных уровней мастерства. Автор поставил перед собой цели (1) исследовать, какую информацию можно получить из паттерна движения и (2) изучить методологические возможности анализа образов (pattern analysis). Oн выполнил триангуляцию полученных данных и анализировал их с помощью одной из разновидностей нейронных сетей — динамические контролируемые сети (Dynamically Controlled Networks — DyCoN) [9,10]. В ходе анализа были выявлены индивидуальные особенности спортсменов, а также фазы движений броска. Успешно классифицированы паттерны бросков и определена их стабильность и изменчивость. Как можно было предположить на основании предыдущих исследований [24, 25], подтвердилась индивидуальность человеческого движения и с помощью распознавания образов — найденные паттерны движения имели четко индивидуальную структуру, а также формировались уровнем мастерства. В работе [26] сравниваются возможности нейронных сетей (ANN) и метода опорных векторов (SVM) для моделирования сложных кинематических данных при анализе структуры человеческой ходьбы и бега. Tестовое множество включает данные, собранные при выполнении этих движений на бегущей дорожке при трех различных скоростях. В эксперименте участвовали восемь мужчин — профессиональные бегуны на средние и длинные дистанции. Результаты показывают, что SVM дает более высокую точность классификации, что можно объяснить выполнением оптимизации при разделении данных. В [27] предлагается использовать иммитационные игры в настольном тенисе при подготовке спортсменов.

III.             Стратегии матчей

Игровые виды спорта из-за сложности анализа и большого числа влияющих факторов являются важной сферой применения исскуственного интеллекта (AI). Оценка спортивного исполнения в командных видах спорта с точки зрения больших передвижений и двигательных паттернов, стратегии и тактики является предметом уже хорошо разработанной дисциплины — символьного анализа (notational analysis) в спорте [28–30]. Анализ стратегии и тактики решается разнобразными подходами AI.

Авторы [31] предлагают эффективные методы для обнаружения похожих движений в позиционных потоках данных, чтобы обеспечить основу для анализа часто встречающихся движений и тактических моделей. Они используют записи матчей, которые немецкая Бундеслига осуществляет с помощью специальных камер с высоты птичьего полета (при котором открывается вид на поле), чтобы лучше анализировать движения игроков и тактику игры. Запись футбольного матча продолжительностью 90 минут преобразуется в позиционный поток данных. При стандартной скорости записи 25 кадров в секунду матч представляет собой последовательность из 135 000 снимков. Каждый снимок состоит из 23 позиций (22 позиции игроков двух команд и позиция мяча). В целом, игра описывается более чем тремя миллионами координат. Для эффективной обработки столь большого объема данных исследователи предлагают алгоритм с использовением методов Angle/Arc-Lengths [32], Dynamic Time Warping [33] Locality Sensitive Hashing [34].

Bedford и сотр. [35] разработали три уровня стратегии в качестве потенциальных возможностей повышения эффективности игры в бадминтоне. Третья, наиболее продвинутая стратегия использует байесовский анализ для обновления начальных оценок на основании текущей информации о развитии матча и для оптимизации оценки риска при выполнении начальных ударов. Эти стратегии могут быть реализованы в живой игре, поскольку правила игры в бадминтоне позволяют вмешательство тренера во время игры.

Glöckner и сотр. предлагают изпользовать эвристические методы распознавания [36–40] при разработке стратегий спортивных игр. В статье [40] рассматриваются модели выбора игрока в гандболе, основанные на “поведении взгляда”. По данным лабораторного эксперимента авторы протестировали два класса моделей задачи принятия решения: нейронную сетевую модель с паралельным удовлетворением ограничений (Parallel constraint satisfaction — PCS) [41] и аккумуляторную модель [42]. Оба класса моделей реализованы как детерминированные и как вероятностные. Модели предсказывают действия в задаче выбора с точки зрения плеймейкера по гандболу — подать мяч другому игроку или бросать в ворота. Авторы использовали данные по поведению взгляда и по генерированному варианту с помощью 74 участников (гандболистов), набранных из государственного учебного центра и из клубов Северной Германии. Задача участников была перечислить возможные варианты в реальных игровых ситуациях по гандболу. Использованная методика подробно описана в работе [43]. В целом, данные включали информацию о длительности фиксации глаз плеймекера к левой, средней или правой части игрового поля и предположение других участников о направлении действия плеймейкера — то, что должно быть предсказано моделями. Результаты показали, что оба класса моделей одинаково хорошо прогнозируют изначально сгенерированные варианты участников, основанные на данных о поведении взгляда. Таким образом, фиксация взгляда имеет прогностическое значение. Авторы заключают: сетевые модели могут быть успешно применены для принятия решений экспертов в области спорта и предлагают использовать полученные результаты для разработки обучающих тренерских программ при подготовке спортсменов.

Pfeiffer и сотр. [44] отмечают, что использование нелинейных методов, в частности нейронных сетей, для анализа данных в области соревновательного спорта, представляется особенно перспективным. На примере трех конкретных задач они показали, как сетевые подходы могут быть успешно применены для решения сложных проблем в области спортивной науки. Первое исследование — в области выявления талантов, где самоорганизующаяся карта Кохонена (Self-Organizing Kohonen Feature Map) была использована для выявления различных паттернов характеристик качеств подростков, в последствии успешных или неуспешных пловцов. Во втором примере динамично контролируемая сеть (Dynamically Controlled Network- DyCoN) — дальнейшее развитие самоорганизующейся карты Кохонена [45] — применялась для выявления тактических моделей поведения в команде гандболистов. Наконец, искусственная нейронная сеть — многослойный персептрон (Multi-Layer-Perceptron) — использовалась для прогнозирования конкурентноспособности элитных пловчих на Олимпийских играх 2004 в Афинах на основе характеристик их тренировочных нагрузок.

Grunz и сотр. [46] использовали динамично контролируемую сеть (Dynamically Controlled Network- DyCoN) для обнаружения тактических моделей в позиционных данных по футболу. Классификация с использованием сети сравнивалась с результатами, полученными экспертами при классификации вручную. Показано, что выбранная архитектура нейронных сетей в основном способна обнаруживать категории тактических моделей. Предварительные результаты показали высокую точность классификации. В работе [47] использовались две нейронные сети — многослойные персептроны (MLP) для классификации тактического поведения волейбольных команд в зависимости от формы их оборонительных позиций. Исследователи сделали вывод, что схемы защиты в командных видах спорта высоко индивидуальны и различаются даже в стандартных ситуациях. Искусственные нейронные сети могут быть использованы для распознавания команд по форме схемы выстраивания игроков. В работе [48] используется Байесовская сеть для выявления взаимосвязей между 22 психологическими характеристиками игроков в полупрофессиональном футболе и их влияние на эффективность коллективной игры.

IV.             Травматизм

Травмы являются распространенной проблемой в профессиональном спорте. От профилактики травм и полного восстановления в случае их получения в значительной степени зависит успешная карьера спортсмена. В связи с этим, добыча дополнительных знаний из имеющейся информации о травмах крайне необходима тренерским и медицинским бригадам для анализа, профилактики и прогнозирования травм.

Kampakis [49], оценивая время восстановления футболистов после травмы на основе информации об их состоянии в момент травмы, использует три метода: машины опорных векторов(vector machines),  гауссовские процессы (Gaussian processes) и нейронные сети (neural networks). Тесты проводились по результатам исследований профессионального футбольного клуба Тоттенхэм Хотспур. Результаты показывают, что возможно прогнозировать время, необходимое для восстановления игрока. Ни один из трех методов не превосходит другие. На данном этапе точность прогноза невысока, что можно объяснить небольшим размером использованной базы данных, а также набором использованных переменных. Для повышения точности прогнозирования автор намерен включить в последующие исследования больше данных а также протоколы, объединяющие мнения экспертов.

В работах [50–52] были использованы различные алгоритмы машинного обучения для извлечения диагностических знаний, необходимых для подтверждения диагноза спортивной травмы. Применялись варианты алгоритмов разбора сверху-вниз, создания дерева принятия решений и варианты байесовского классификатора. Ввиду недостаточного набора данных для более надежной диагностики всех включенных в систему спортивных травм, в качестве генераторов дополнительных экземпляров учебных диагнозов использовались определенные экспертами диагностические правила. Авторы утверждают, что по точности классификации и объяснительным возможностям наивный байесовский классификатор с нечеткой дискретизацией численных признаков превосходит другие методы и поэтому является наиболее подходящим для практического использования в созданном приложении. Система разработана с целью поддержки принятия решения специалистами, а также для обучения студентов-медиков и врачей-неспециалистов в области спортивной травматологии.

В работах [53–56] механизмы возникновения и оценка риска травм в художественной гимнастике на уровне клубов и национальных команд моделировались с помощью байесовских сетей. Анализ чувствительности применялся для оценки тяжести различных факторов риска. В [57, 58] тот же подход применялся для оценки вероятности получения хронической или острой травмы в женской спортивной гимнастике. Авторы предлагают использовать предложенные модели при планировании тренировочного и соревновательного режима гимнасток. В [59] рассматриваюся возможности интеллектуального анализа данных (data mining) как исключительно важного компонента для анализа и предупреждения детского травматизма. Автор утверждает, что изпользование возможностей data mining для сбора информации, интеграции, анализа и прогнозирования позволяет создать систему, которая приведет к снижению заболеваемости путем более целенаправленной профилактики, а также к совершенствованию неотложной помощи травмированным. Сделанные выводы вполне относимы и к спортивным травмам. Работа [60] рассматривает возможности искусственной нейронной сети для прогнозирования последствий перелома ребер — травмы, часто встречающейся в таких видах спорта, как хоккей, бокс, в различных видах боевых искусств [61]. Использованная для обучения сети база данных содержала 580 историй болезни. Созданные 9 нейронных сетей обратного распространения обучались при разных начальных условиях. Эти сети прогнозировали тестовый набор выходных переменных с точностью около 98 % при уровне тестирования 80 %.

В [62] описана медицинская система оценки функции мышц на основе данных изокинетической машины с использованием экспертной системы и методов data mining(DM). Изокинетическая машина (IM) может быть описана как аппарат, на котором пациенты выполняют силовые упражнения. Особенность IM — ограничение диапазона движений и интенсивности усилий при постоянной скорости. Данные о мышечной силе пациента в течение всего упражнения регистрируются и хранятся в машине. Экспертная система на базе знаний специалистов в области изокинетики фильтрует и предварительно обрабатывает данные и проводит интеллектуальный анализ параметров и морфологии изокинетических кривых с целью обнаружения моделей травматизма в изокинетических упражнениях. Процесс разработки алгоритма DM для выявления закономерностей, которые потенциально характеризуют какую-то травму, был разделен на два этапа: (а) — алгоритм, который определяет похожие модели в упражнениях и (б) — алгоритм, который использует алгоритм (а) для обнаружения любых моделей, которые проявляются в упражнениях, выполняемых пациентами с травмами и не проявляются в упражнениях, выполненных здоровыми пациентами. Одно из приложений экспертной системы — для интерпретации изокинетики в спорте (ISODEPOR), используется в национальном High Performance Centre в Испании для оценки силы мышц испанских элитных спортсменов.

В [63] отмечается, что большинство травм зубов и полости рта активных спортсменов могут быть предотвращены с помощью правильно подобранного защитного спортивного оборудования. Прогнозирование травм может помочь практическому врачу заранее выявить спортсменов с высоким риском челюстно-лицевых травм, чтобы затем сделать соответствующие рекомендации по использованию правильно установленных защитных средств. Для этой цели предлагается использовать прогностический индекс [64], определяющий вероятность связанных со спортом травматических повреждений зубов у детей и подростков. Этот индекс основан на байесовской вероятностной модели с использованием априорных отношений шансов и правдоподобия для выявления и определения приоритетности 14-ти категорий факторов риска.

В [65] сообщается о масштабном проекте по анализу множества факторов подготовки игроков спортивной команды, а также по анализу основных причин травм с целью их прогнозирования и предотвращения. В исследовании участвовало 20 игроков команды на протяжении одного сезона. Рассмотрено более 2000 измерений с 150 параметрами антропометрических, физиологических характеристик, тренировочной нагрузки и характера травм. Проводился мониторинг состояния центральной нервной системы (ЦНС), сердечно-сосудистой системы (ССС) и системы энергоснабжения тканей организма с помощью аппарата OMEGAWARE. Интеллектуальный анализ данных, включающий анализ главных компонентов, методы линейной регрессии и Байесовское моделирование, проводился в средах RapidMiner 5.3 и BayesiaLab 5.2. Обучение с учителем (Supervised Learning) и Augmented Naïve Bayes (ANB) использовались для построения прогностических моделей 3-х концепций: (1) эффективность деятельности команды в целом; (2) эффективность деятельности команды с точки зрения победы или проигрыша; (3) эффективность индивидуальной деятельности игроков. Для этих моделей было использовано около 50 параметров. Точность моделей была подтверждена ROC-кривой и матрицей неточностей. Для каждой из трех моделей эффективности факторы готовности ССС и ЦНС являются самыми важными для предсказания. Результаты анализа могут быть использованы для улучшения управления процессом подготовки команды, в частности — для прогноза рисков травматизма и их предупреждения.

V.                Анализ спортивного видео

DM традиционно применяется для хорошо структурированных данных. При лавинообразном росте числа мультимедийных данных внимание рядa исследователей обратилось к решению задачи обнаружения паттернов в неструктурированных данных [66, 67]. Ряд работ посвящен анализу спортивного видео.

Duan и сотр. [68] предложили единую методику для семантической классификации кадров в спортивном видео. В отличие от большинства существующих подходов, при которых кластеризация осуществляется путем агрегирования кадров с аналогичными характеристиками низкого уровня, предлагаемая методика использует обучение с учителем для выполнения классификации кадров сверху вниз. Обучение строится на основе эффективного представления среднего уровня. Методика состоит из трех основных этапов: (1) определение классов кадров для каждого вида спорта; (2) разработка общего набора движений, цвета, представлений среднего уровня; (3) обучение с учителем спортивных видео кадров для данного спорта из пяти видов спорта с мячом (теннис, баскетбол, волейбол, футбол, настольный теннис). С помощью этой методики авторы добились 85–95 процентной точности классификации видео игровых видов спорта.

Wang и сотр. [69] предлагают методику для семантического анализа спортивного видео, основанную на двух особенностях представления знаний в предметной области спортивного видеоанализа. Во-первых, спортивное видео состоит из повторяющихся событий, которые по своей природе мультимодальны [70] — для передачи их смысла вещателями используются различные информационные источники: текст, речь, звук, движение камеры, визуальные сцены. Во-вторых, большинство спортивных игр имеют древовидные структуры, т. е. соотношения между событиями следуют набору правил. Например, игра в теннис разделяется на сеты, геймы и начальные удары. Следуя этим семантическим характеристикам спортивного видео, авторы предлагают для его анализа мультимодальную многослойную вероятностную модель с использованием динамических сетей Байеса (DBNs). Мультимодальный анализ с применением методов машинного обучения приводит к более надежной и точной системе, в которой интегрируются данные различных модальностей. Многоуровневый анализ на основе DBNs дает общее графическое представление событий и возможность изпользования эффективных методов логического вывода и алгоритмов обучения. Но основе представленной модели авторы разработали и сравнили три ее реализации- разновидности иерархической скрытой марковской модели (HHMM): FHHMM, CHHMM и PHHMM [71]. Экспериментальные результаты показывают, что PHHMM является наиболее привлекательным выбором для семантического анализа спортивных видео.

VI.             Прогнозирование исходов матчей

К прогнозированию результатов проявляет интерес множество любителей ставок на спорт. Оно является и предметом спортивной аналитики. Так как для максимально достоверного прогноза нужно учесть и правильно проанализировать большой комплекс спортивных характеристик, использование разнообразных методов АI вполне логично.

Sinha и сотр. [72] методами машинного обучения и data mining исследовали связь между записями в твиттере и исходами матчей в Национальной футбольной лиге (NFL) США. С этой целью авторами была создана база данных, содержащая прогностические сообщения твиттера о матчах 2010–2012 сезонов, а также статистику результатов матчей НХЛ [www.ark.cs.cmu.edu/football]. Авторы экспериментировали с несколькими наборами характеристик сообщений и установили, что простые наборы, использующие большой объем твиттов, дают прогнозы, сопоставимые с прогнозами, сделанными на базе традиционных характеристик игровой статистики, или даже превосходящие их по точности. Авторы [73] предлагают использовать методы машинного обучения для предсказания результатов матчей Национальной хоккейной лиги. Они построили несколько моделей классификации с использованием классической статистики, показателей производительности (performace metrics) и oбоих подходов. Использовались возможности машинного обучения WEKA [92]. Результаты показывают, что нейронные сети позволяют построить наиболее надежные модели классификации.

Авторы [74] прогнозировали результаты матчей в баскетбольной ассоциации национального атлетического колледжа (NCAAB), используя методы: деревья решений (decision trees), поиск ассоциативных правил (association rules learning), нейронные сети (neural networks), наивный байесовский классификатор (Naive Bayes). Oни установили, что верхний предел точности прогноза для результатов матчей находится на уровне около 74 % — 75 %. При этом вместе с усложнением метода точность прогноза не повышается, Naive Bayes — простейший из классификаторов, выполняет задачу с таким же успехом. В работе утверждается, что не модели, а использованные атрибуты являются лимитирующим фактором при прогнозировании.

В [75] предлагается система прогнозирования результатов футбольных матчей NFL с использованием нейронной сети (АNN) и линейной регрессии (LR). Интеллектуальный анализ данных выполнен в средe Rapid Miner [93]. Aвторы утверждают, что использованный ими гибридизированный подход дает точность предсказания 90.32 %.

Smith и сотр. [76] применили байесовский классификатор для предсказания призёров Сая Янга (Cy Young award) в американском бейсболе. Эта модель использовалась параллельно с двумя статистическими моделями [77,78], выполняющими ту же задачу. Все три модели дают прогнозируемые результаты, близкие к статистическим данным периода с 1967–2006. При использовании моделей со стартовым питчером точность прогноза более 80 %. Ruiz и сотр. [79] разработали вероятностную модель, которая, в отличие от традиционных статистических моделей, дает более точные прогнозы и дополнительную информацию, которая объясняет ход матча и позволяет анализировать игру баскетбольной команды. Hoegh и сотр. [80] предлагают фреймворк для прогнозирования и оценки характеристик баскетбольных матчей, основанный на методе k ближайших соседей (k nearest neighbor, kNN). Их подход связывает предсказания модели с процедурой кластеризации, использующей информацию из игр, похожих на текущий матч. Saikia и сотр. [81] применили нейронную сеть — многослойный персептрон(MLP) для прогнозирования эффективности действий подающих в индийской премьер-лиге (IPL) по бейсболу. С помощью MLP эффективность подающих в четвертом сезоне оценивалась на базе информации статистики прошедших трех сезонов. Валидность модели нейронной сети проверена на другом множестве подающих. Полученную относительно низкую точность модели- 66.67 %, можно объяснить тем, что обучающая выборка из-за небольшого „возраста” лиги на данном этапе состоит всего из 75 подающих. Результаты исследования могут быть полезны тренерам и руководству команд при приобретении игроков на следующий сезон.

VII.          Селекция игроков

Селекции игроков для командных видов спорта является решающим моментом для конечного успеха. Процесс отбора игроков и формирования команды — мультикритериальная проблема принятия решений, где конечный успех определяется тем, насколько набор отдельных игроков образует эффективную команду.

Для решения проблемы оптимальной селекции игроков баскетбольной команды авторы [82] предлагают алгоритм, основанный на известном мультикритериальном методе поддержки принятия решений — data mining метод TOPSIS(technique for order preference by similarity to ideal solution [83]). Методы, используемые авторами, помогают обеспечить большую эффективность игрока и лучший рейтинг команды, более точные прогнозы спортивных результатов, успешное формирование команды, оптимизацию учебного процесса с учетом индивидуальности игроков в команде, поощряя их универсальность, т. е. соответствие общей норме физической готовности команды. Предложенные методы исследования могут быть использованы в других видах спорта. Кроме того, эти принципы могут быть использованы в управлении процессом формирования команды.

В [85] предлагается методика селекции человеческих ресурсов в спорте с помощью индексов, разработанных на основе OWA операторов с различными мерами схожести: расстояние Хэмминга (Hamming's distance), коэффициент адекватности (adequacy coefficient), индекс максимального и минимального уровня (index of maximum and minimum level). Главное преимущество использования OWA операторов — возможность учесть поведенческий характер лица, принимающего решения выбора человеческих ресурсов в спорте. Эта проблема приобретает важное значение в ситуации, когда менеджер хочет принять более или менее рискованное решение по отношению к неопределенным факторам в будущем. Эти индексы известны как OWAD, OWAAC и OWAIMAM операторы. Кроме того, авторы представили дополнительно обобщение этих индексов — Quasi-OWAD, Quasi-OWAAC and the QuasiOWAIMAM. Они разработали иллюстративный пример, на котором показали, что в зависимости от конкретного типа используемого индекса могут получиться различные результаты, приводящие к различным решениям.

Для решения задачи селекции в [86] применяется теория нечетких множеств и нечеткой логики. Авторы предлагают систему нечеткого вывода (fuzzy inference system — FIS) для выбора игрокoв и формирования команды в футболе. В работе игроки оцениваются по 18 критериям с помощью лингвистических переменных: «Poor (P)", «Fair (F)", «Good (G)" и «Very Good (VG) ". Лингвистические переменные применяются для преодоления трудностей в выражении уровня квалификации игроков через дискретные значения. Они используются также для оценки эффективности каждого кандидата-игрока в различных позициях. Нечеткие множества используются для преобразования лингвистических переменных в тройки чисел. Нечеткие числа дают возможность для обработки информации в нечеткой среде. В предложенном подходе задача селекции команды решается на двух этапах. Первый этап оценивает альтернативных игроков методом ранжирования с учетом свойств нечетких систем и выбирает лучших исполнителей для включения в команду. Второй этап оценивает альтернативные комбинации выбранных игроков с помощью FIS и выбирает оптимальную комбинацию при формировании команды. Для иллюстрации эффективности предложенного подхода рассмотрены конкретные примеры.

VIII.       Идентификация спортивных талантов

Статья [87] представляет экспертную систему для идентификации молодых спортивных талантов на основе нечеткой логики. При оценке таланта учитываются: знания спортивных экспертов, различные тесты на двигательные навыки, морфологические и функциональные характеристики. Эти данные „квантуются” по степени их важности для выбранного набора видов спорта. Полученные значения заносятся в базу знаний вместе результатом измерений для каждого теста. Нечеткая логика применяется для того, чтобы сделать систему более гибкой и надежной. Система веб-ориентирована и доступна по адресу http://politehnika.pmfst.hr/talent/login.aspx. Разработанная экспертная система дает прогноз приемлемости выбранного спорта и предлагает наиболее подходящие виды спорта для испытуемого. Результаты на выходе системы были оценены 4 экспертами с использованием реальных данных, собранных в течение нескольких лет. Все тесты показали высокую надежность и точность разработанной системы. В  [88] использована классификация данных методом опорных векторов (SVM) для предсказания приема кандидата в училище физической культуры и спорта при университете Чукурова (Cukurova) в Турции. Точность предсказания 97,17 % и 90,51 %, полученная для наборов данных 2006 и 2007 годов соответственно, показывает, что SVM классификация является эффекивным инструментом в этой области.

IX.             Управление клубами

Авторы [89] использовали data mining для анализа четырех основных проблем в немецких спортивных клубах: привлечение и приобретение волонтеров, спортсменов-подростков для участия в соревнованиях, тренеров и членов клуба. Так как эти проблемы очень важны для развития спортивных клубов, представляет интерес вопрос, какие спортивные клубы имеют меньшие или большие проблемы в этих областях и какие факторы играют решающую роль в усугублении этих проблем. Так как спортивные клубы имеют много различных характеристик (более 200), использование регрессионного анализа неприемлемо. Для выявления определяющих факторов перечисленных выше проблем авторы используют метод data mining деревья решений. Источник данных — отчет развития спорта 2008/2009, который представляет результаты государственного обследования некоммерческих спортивных клубов в Германии. Анкета включает вопросы о членах и членских взносах, о спортивных предложениях, о спортивных сооружениях, о волонтерах, об оплачиваемом персонале, о сотрудничестве с другими учреждениями, о собраниях приверженцев, о финансах, о проблемах и о важности поддержки. В опросе спортивные клубы отмечали серьезность каждой проблемы согласно своим восприятииям по пяти-балльной шкале (от 1 = нет проблем до 5 = очень большая проблема). В опросе приняли участие 13068 спортивных клубов. Выборка является представительной для некоммерческих спортивных клубов в отношении размера, года основания и региона Германии. Интелектуальный анализ выполнялся с помощью программного продукта Clementine 12.0. Для каждой из четырех проблем построены C&RT регрессионные деревья решений, в которые вошли факторы с наибольшей значимостью для данной проблеммы. Размер клуба (количество членов) является очень важным фактором по отношению к четырем основным проблемам, но есть и другие факторы, которые имеют важное значение, например, виды спорта. Некоторые факторы не являются частью деревьев решений и, таким образом, не имеют значения. Авторы заключают, что интеллектуальный анализ — полезный метод для анализирования проблем спортивных клубов.

X.                Другие применения АI, связанные со спортом

В работе [90] предлагается использовать алгоритм Apriori поиска ассоциативных правил и кластеризацию на основе онтологий для извлечения знаний из базы данных для покупателей спортивных товаров. Результаты интеллектуального анализа данных представлены как знания структуры (knowledge patterns), aссоциативные правила и карты, с помощью которых фирма производитель спортивных товаров может принять решение о возможном продвижении товара и о спортивном маркетинге. Deli & Jun [91] используют байесовскую сеть для оценки всех факторов риска при проведении масштабных спортивных мероприятий. Комплексная оценка рисков с помощью предложенной модели может способствовать принятию решения по обеспечению эффективных превентивных мер.

XI.             Заключение

В работе рассмотрены примеры приложения методов исскуственного интеллекта для решения разнообразных задач повышения эффективности в профессиональном спорте. Они свидетельствуют о том, что исскуственный интеллект является незаменимым помощником спортсменам, тренерам и спортивным руководителям на пути достижения высоких результатов.

 

Литература:

 

1.      Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2013 workshop, 27 September 2013, Prague, Czech Republic https://dtai.cs.kuleuven.be/events/MLSA13/

2.      Lees A., Biochemical assessment of individual sports for improved performance. Sports Medicine.1999 28(5): 299–305

3.      Gilbert Owusu, G. AI and computer-based methods in performance evaluation of sporting feats: an overview Artificial Intelligence Review, 2007, 27(1): 57–70

4.      Bartlett R. Artificial intelligence in sports biomechanics: New dawn or false hope? Journal of Sports Science and Medicine, 2006, 5(4), 474–479

5.      Sands W. A. AI and athletes. PC AI 1992, 6(1):52–54

6.      Sands W. A. Kinesiological motion expert system. Computer Methods and Programs in Biomedicine, 1994, 45(4):261–263

7.      Sands W.A., B. B. Shultz, D. D. Paine, Neural nets and gymnastics: recognizing errors in athletic performance, PC AI, 1994, 8 (1):42–43

8.      Perl, J. Artificial neural networks in motor control research. Clinical Biomechanics, 2004, 19(9), 873–875.

9.      Perl, J. A neural network approach to movement pattern analysis. Human Movement Science, 2004, 23(5), 605–620

10.  Perl, J. Neural network-based process analysis in sport. In J. R. R. Dopico, J. Dorado de la Calle & A. P. Sierra (Eds.), Encyclopedia of artificial intelligence, III, 2008: 1212–1218

11.  McCullagh, J. Data Mining in Sport: A Neural Network Approach. International Journal of Sports Science and Engineering, 2010, 4(3): 131–138.

12.  Baca A., P.Kornfeind. Stability analysis of motion patterns in biathlon shooting. Human Movement Science 31(2), 295–302.

13.  Komar J., R. Herault, L.Seifert. Key point selection and clustering of swimmer coordination through Sparse Fisher-EM. ECML/PKDD 2013 Workshop on Machine Learning and Data Mining for Sports Analytics

14.  Fisher E. M., C. Bouveyron, C.Brunet. Simultaneous model-based clustering and visualization in the fisher discriminative subspace. Statistics and Computing. 2012, 22(1):301– 324

15.  Silva A. J., A. M. Costa, P. M. Oliveira, V. M. Reis, J.Saavedra, J.Perl, A.Rouboa, D. A.Marinho. The use of neural network technology to model swimming performance Journal of Sports Science and Medicine 2007, 6(1), 117–125

16.  Lees, A. Technique analysis in sports: a critical review. Journal of Sports Science, 2002, 20(10), 813–828.

17.  Linder, R., E. I. Mohamed, A. De Lorenzo, S. J. Poppl. The capabilities of artificial neural networks in body composition research. Acta Diabetol, 2003, 40(Suppl 1): S9-S14

18.  Hahn, M. E. Feasibility of estimating isokinetic knee torque using a neural network model. Journal of Biomechanics, 2007, 40(5):1107–1114

19.  Hohmann, A., J. Edelmann-Nusses, B. Hennerberg. Modeling and prognosis of competitive performance in elite swimming. XIX International Symposium on Biomechanics in Sports, 2001, San Francisco, Proceedings:54–57

20.  Novatchkov,H. and A. Baca. Artificial Intelligence in Sports on the Example of Weight Training. Journal of Sports Science and Medicine. 2013, 12(1): 27–37

21.  Baca, A., P.Kornfeind, E. Preuschl, S.Bichler, M., Tampier, H. Novatchkov. A server-based Mobile Coaching system. 2010, 10(12): 10640–10662

22.  Lamb, P., R.Bartlett, A. Robins. Self-Organising Maps: An Objective Method for Clustering Complex Human Movement. International Journal of Computer Science in Sport, 2010, 9(1): 20–29.

23.  Schmidt, A. Movement pattern recognition in basketball free-throw shooting.  Human Movement Science. 2012, 31(2):360–382

24.  Schöllhorn, W. I., B.Nigg, D. J. Stefanyshyn, W. Liu. Identification of individual walking patterns using time discrete and time continuous data sets. Gait and Posture, 2002, 15(2), 180–186.

25.  Chow, J. Y., K. Davids, C. Button, M. Koh, Coordination changes in a discrete multi-articular action as a function of practice. Acta Psychologica, 2008,127(1):163–76

26.  Fischer, A., M. Do, T.Stein, T. Asfour, R. Dillmann, H. Schwameder. Recognition of individual kinematic patterns during walking and running — A comparison of artificial neural networks and support vector machines. International Journal of Computer Science in Sport. 2011, 10(1): 63–67.

27.  Khantanapoka, K. and P. Nilsook. New concept of strategy instructional design in sport science education using statistic analysis together with game simulation. The 9th International Conference on Developing Real-Life Learning Experience: Innovation and Technology Education.

28.  Hughes M., Franks, I. M. Notational Analysis of Sport: Systems for Better Coaching and Performance in Sport. Psychology Press, 2004

29.  Hughes, M., I. M. Franks, I. M. Notational analysis — a review of the literature. In M. D. Hughes & I. M. Franks (Eds.), Notational analysis of sport (2nd ed., pp. 59–106). 2004, London: Routledge

30.  Hughes, M. Examples of notation systems. In M. Hughes & I. M. Franks (Eds.), The essentials of performance analysis. An introduction (pp. 111–149). 2008, London: Routledge.

31.  Haase, J., U. Brefeld. Finding Similar Movements in Positional Data Streams. Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2013 workshop, 27 September 2013, Prague, Czech Republic

32.  Vlachos,M., D. Gunopulos, G. Das. Rotation invariant distance measures for trajectories. In Proceedings of the International Conference on Knowledge Discovery and Data Mining, 2004: 707–712

33.  Rabiner,L., B. H. Juang. Fundamentals of speech recognition. PrenticeHall, Inc., Upper Saddle River, NJ, USA, 1993

34.  Gionis,A., P. Indyk, R. Motwani. Similarity search in high dimensions via hashing. In Proceedings of the 25th International Conference on Very Large Data Bases, 1999: 518–529

35.  Bedford, A., T. Barnett, M. Ladds. Risk Taking in Badminton to Optimize in-therun Performance. In Proceedings of the Second International Conference on Mathematics in Sport, IMA Sport, 2009

36.  Glöckner, A., A. Bröder Processing of recognition information and additional cues: A model-based analysis of choice, confidence, and response time. Judgment and Decision Making, 2001, 6(1): 23–42

37.  Glöckner,A., T. Betsch, Modeling option and strategy choices with connectionist networks: Towards an integrative model of automatic and deliberate decision making. Judgment and Decision Making, 2008,3(3):215–228.

38.  Glöckner,A., A. K. Herbold. An eye-tracking study on information processing in risky decisions: Evidence for compensatory strategies based on automatic processes. Journal Of Behavioral Decision Making 2001, 24(1):71–98

39.  Glöckner, A., T.Betsch, N. Schindler. Coherence shifts in probabilistic inference tasks. Journal of Behavioral Decision Making, 2010,23(5):439–462.

40.  Glöckner, A., T. Heinen, J. G. Johnson, M. Raab. Network approaches for expert decisions in sports. Human Movement Science, 2012, 31(2):318–333

41.  Buscema, M.. Theory of Constraint Satisfaction Neural Networks. Intelligent Data Mining in Law Enforcement Analytics. 2013, 215–229

42.  Van Maanen, L., H. Van Rijn, H. An accumulator model of semantic interference. Cognitive Systems Research 2007, 8(3), 174–181.

43.  Raab, M., J.Johnson, Expertise-based differences in search and option-generation strategies. Journal of Experimental Psychology: Applied, 2007, 13(3):158–170

44.  Pfeiffer,M., A. Hohmann. Applications of neural networks in training science. Human Movement Science,  2012, 31 (2):344–359

45.  Kohonen,T. Self-Organized Formation of Topologically Correct Feature Maps, Biological Cybernetics, 1982, 43 (1): 59–69

46.  Grunz, A., D. Memmert, J.Perl. Tactical pattern recognition in soccer games by means of special self-organizing maps, Human Movement Science, 2012, 31(2):334–343

47.  Jäger J.M., W.I. Schöllhorn ., Identifying individuality and variability in team tactics by means of statistical shape analysis and multilayer perceptrons. Human Movement Science,. 2012 31(2):303–317.

48.  Fuster-Parra P., A. García-Mas, F. J. Ponseti, F. M. Leo. Team performance and collective efficacy in the dynamic psychology of competitive team: A Bayesian network analysis. Human Movement Science, 2015, 40: 98–118

49.  Kampakis,S.. Comparison of machine learning methods for predicting the recovery time of professional football players after an undiagnosed injury. Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2013 workshop, Prague, Czech Republic

50.  Lavrač, N. Selected techniques for data mining in medicine. Artificial Intelligence in Medicine, 1999,16(1):3–23

51.  Zelič I, I. Kononenko, N. Lavrac, V.Vuga. Induction of decision trees and Bayesian classification applied to diagnosis of sport injuries. J Med Syst 1997;21(6):429–44

52.  Zelic I, I.Kononenko, N.Lavrac, V.Vuga. Machine learning applied to diagnosis of sport injuries. · Artificial Intelligence in Medicine · Lecture Notes in Computer Science, 1997, 1211:138–141.

53.  Dimitrova L., K. Petkova, Modeling injury risk for pre-elite rhythmic gymnasts: Bayesian network approach, EIIC — The 2nd Electronic International Interdisciplinary Conference, Volume: 2, 2013

54.  Dimitrova L., K. Petkova, A Bayesian network application for estimating the injury risk for pre-elite rhythmic gymnasts”, Informatics & IT Today, 2014, 2(1):1–11

55.  Dimitrova L., K. Petkova. Estimating injury risk for elite rhythmic gymnasts with a Bayesian network model”, ICTIC — Proceedings in conference of informatics and management sciences, 2014, Vol. 3

56.  Dimitrova L., K. Petkova, Modeling injury rate in women artistic gymnastics with a Bayesian network, Proceedings in GV — Global Virtual Conference, 2014, Vol. 2

57.  Dimitrova L., K. Petkova, Bayesian network-based causal analysis of injury risk in elite rhythmic gymnastics, International Journal of Computer Science and Software Engineering (IJCSSE), 2014,  2(1): 50–61

58.  Dimitrova L., K. Petkova, Analysis and assessment of injury risk in female gymnastics: Bayesian Network approach, TEM Journal, 2015, 4(1):83:91

59.  Tepas, J. Data Mining: Childhood Injury Control and Beyond. The Journal of TRAUMA® Injury, Infection, and Critical Care, 2009, 67 (2), August Supplement: S108-S110

60.  Dombi G.W., P.Nand, J.M.Saxe, A.M.Ledgerwood, C.E.Lucas. Prediction of Rib Fracture Injury Outcome by an Artificial Neural Network J Trauma. 1995, 39(5):915–21.

61.  Miles, J.W.,  G. R. Barrett. Rib Fractures in Athletes,. Sports Medicine, 1991, 12(1): 66–69

62.  62.  Alonso,F.,.J. P. Caraça-Valente, A. L. González, C. Montes. Combining expert knowledge and data mining in a medical diagnosis domain. Expert Systems with Applications, 2002, 23(4): 367–375

63.  Fos P.J., J.R.Pinkham, D.N.Ranalli. Prediction of sports-related dental traumatic injuries Dental Clinics of North America. 2000;44(1):19–33

64.  Ranalli, D. N. Sports dentistry and dental traumatology. Dental Traumatology, 2002, 18(5):231–236

65.  Fomin, R. Prediction of Overall Team Performance and Injury in Team Sports 2014 BayesiaLab User Conference Presentations

66.  66. Sethi, I., N. Patel. Multimedia Data Mining: An Overview. Multimedia Data Mining and Knowledge Discovery. 2007: 14–41

67.  Manjunath R, S. Balaji. Review and Analysis of Multimedia Data Mining Tasks and Models. International Journal of Innovative Research in Computer and Communication Engineering. 2014, 2(Special Issue 2):124–130

68.  Duan, L.Y.,M. Xu, Q. Tian, C. S. Xu, J.S.Jin, A unified framework for semantic shot classification in sports video , Multimedia, IEEE Transactions on, 2005, 7(6): 1066–1083

69.  69. Wang, F., Y. F. Ma, H. J. Zhang, J. Li A Generic Framework for Semantic Sports Video Analysis Using Dynamic Bayesian Networks. Multimedia Modelling Conference, 2005 Proceedings of the 11th International: 115–122

70.  70. Wang, J., J. Cheng, S. Jiang. Computer vision for multimedia applications: methods and solutions. Hershey, PA: Information Science Reference, ©2011.

71.  Gelly, S., N. Bredeche, M.Sebag. From Factorial and Hierarchical HMM to Bayesian Network: A Representation Change Algorithm. Abstraction, Reformulation and Approximation. Lecture Notes in Computer Science, 2005, Volume 3607:107–120

72.  Sinha, S., C. Dyer, K.Gimpel, N. A. Smith Predicting the NFL Using Twitter. Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2013 workshop, Prague, Czech Republic

73.  Weissbock, J., H.Viktor, D. Inkpen Use of Performance Metrics to Forecast Success in the National Hockey League. Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2013 workshop, Czech Republic

74.  Shi, Z., S. Moorthy, A.Zimmermann Predicting NCAAB match outcomes using ML techniques — some results and lessons learned. Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2013 workshop, 2013, Prague, Czech Republic

75.  Anyama, O.U., C. P. Igiri, An Application of Linear Regression & Artificial Neural Network Model in the NFL Result Prediction, International Journal of Engineering Research & Technology, 2015, 4 (1):457–461

76.  Smith, L., B. Lipscomb, A. Simkins, Data mining in sports: predicting Cy Young award winners, Journal of Computing Sciences in Colleges, 2007, 22(4): 115–121

77.  Sparks, R., D. Abrahamson, A mathematical model to predict award winners, Math Horizons, 2005, 5–13.

78.  James, B. E = M Cy squared, The Neyer/James Guide to Pitchers, James, B. and Neyer, R. (eds.), New York: Simon and Schuster, 2004: 467–471

79.  Ruiz, F. J. R., F. Perez-Cruz. A generative model for predicting outcomes in college basketball. Journal of Quantitative Analysis in Sports, 2015, 11(1): 39–52

80.  Hoegh, A., M.Carzolio, I. Crandell, X. Hu, L.Roberts, Y.Song, S. C. Leman. Nearest-neighbor matchup effects: accounting for team matchups for predicting March Madness. Journal of Quantitative Analysis in Sports, 2015, 11(1): 29–37

81.  Saikia, H., D. Bhattacharjee An Application Of Multilayer Perceptron Neural Network To Predict The Performance Of Batsmen In Indian Premier League, International Journal of Research in Science and Technology, 2014, 1(1):6–15

82.  Dadelo, S., Z.Turskis, E. K. Zavadskas, R. Dadeliene. Multi-criteria assessment and ranking system of sport team formation based on objective-measured values of criteria set. Expert Systems with Applications, 2014,

83.  Wu, D., D. L. Olson. A TOPSIS Data Mining Demonstration and Application to Credit Scoring. International Journal of Data Warehousing & Mining, 2006, 2(3): 1–10

84.  Jiang, W., X. Zhong, K.Chen, S. Zhang. A Data Classifier Based on TOPSIS Method. Fuzzy Systems and Knowledge Discovery, 2007. FSKD 2007. Fourth International Conference on, Vol.1:702–706

85.  Merigó,J.M., A. M. Gil-Lafuente. Decision-making in sport management based on the OWA operator. Expert Systems with Applications, 2011, 38(8): 10408–10413

86.  Tavana, M., F.Azizi, F.Azizi, M. Behzadian, A fuzzy inference system with application to player selection and team formation in multi-player sports, Sport Management Review, 2013, 16 (1): 97–110

87.  Papić, V., N.Rogulj, V.Pleština. Identification of sport talents using a web-oriented expert system with a fuzzy module. Expert Systems with Applications, 2009, 36(5):8830–8838

88.  Acikkar,M., M. F. Akay Support vector machines for predicting the admission decision of a candidate to the School of Physical Education and Sports at Cukurova University. Expert Systems with Applications, 2009, 36(3), Part 2: 7228–7233

89.  Wicker, P., C. Breuer Analysis of problems using Data Mining techniques — findings from sports clubs in Germany, European Journal for Sport and Society 2010, 7 (2):131–140

90.  Liao, S.H., J. L. Chen, T. Y. Hsu. Ontology-based data mining approach implemented for sport marketing. Expert Systems with Applications, 2009, 36(8):11045–11056

91.  91.  Deli,H. Q. Jun. The risk evaluation of large-scale sports events based on Bayesian network. Emergency Management and Management Sciences (ICEMMS), 2010 IEEE International Conference: 538–541

92.  WEKA http://www.cs.waikato.ac.nz/ml/weka/

93.  RapidMiner https://rapidminer.com/