Mineração de dados para análise quantitativa de chutes a gol em um ambiente de simulação de futebol de robôs em duas dimensões

dc.contributor.advisorSimões, Marco Antônio Costa
dc.contributor.authorSilva, Bruno Vinicius
dc.contributor.refereeSuárez, Diego Gervasio Frías
dc.contributor.refereeSouza, Josemar Rodrigues de
dc.date.accessioned2024-09-25T15:47:03Z
dc.date.available2024-09-25T15:47:03Z
dc.date.issued2014-07-29
dc.description.abstractEste trabalho demonstra que é possível classificar automaticamente eventos complexos ocorridos durante jogos de futebol de robôs da Liga de Futebol Simulado Robocup 2D. Utilizando a metodologia CRISP-DM foi realizado um processo completo de Descoberta de Conhecimento em Bases de Dados sobre os logs das partidas. O objetivo desse processo foi extrair conhecimento acerca de chutes a gol, o que está relacionado a algumas das métricas mais importantes no futebol para analisar o desempenho de uma equipe e também com os eventos com a pior classificação automatizada reportada na literatura (ABREU et al., 2011). Utilizando uma análise pós-simulação, offline, baseada em técnicas clássicas de mineração de dados, foi criado um classificador que melhorou em 13,99% o baseline existente. Esse trabalho é um bom indicativo da viabilidade de desenvolver uma ferramenta de análise de desempenho completa, que capte as diversas métricas utilizadas no futebol real também no ambiente de futebol de robôs simulado, o que significaria uma importante evolução nos métodos de teste e experimentação utilizados atualmente.
dc.description.abstract2This project shows that it is possible to automatically classify complex events that take place during robot soccer games from the RoboCup 2D Soccer Simulation League. Using the CRISP-DM methodology a complete Knowledge Discovery in Databases process was run over matches log files. The purpose was to extract knowledge about shots on goal, which are related to some of the most important soccer metrics to analyze the performance of a team and are also related with the events with worst automated classification, according to literature (ABREU et al., 2011). Using an offline post-simulation analysis, based on classic data mining techniques, it was created a classifier that has improved the existent baseline by 13,99%. This project offers a good indicative on the feasibility of developing a tool to do a complete performance analysis, one that would capture the several key metrics used on real soccer now on simulated soccer, which could mean an important improvement to testing and experimentation methods currently being used.
dc.format.mimetypeapplication/pdf
dc.identifier.citationSILVA, Bruno Vinicius. Mineração de dados para análise quantitativa de chutes a gol em um ambiente de simulação de futebol de robôs em duas dimensões. Orientador: Marco Antônio Costa Simões. 2014. 141 f. . Trabalho de conclusão de curso (Bacharelado em Sistemas de Informação) - Departamento de Ciências Exatas e da Terra, Campus I, Universidade do Estado da Bahia. Salvador- BA, 2014.
dc.identifier.urihttps://saberaberto.uneb.br/handle/20.500.11896/6312
dc.language.isopor
dc.publisherUniversidade do Estado da Bahia
dc.publisher.programGraduação
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/
dc.rights2Attribution 3.0 Brazilen
dc.subject.keywordsMineração de Dados
dc.subject.keywordsAprendizado de Máquina
dc.subject.keywordsRobótica Inteligente
dc.subject.keywordsRobocup
dc.titleMineração de dados para análise quantitativa de chutes a gol em um ambiente de simulação de futebol de robôs em duas dimensões
dc.title.alternativeData mining for quantitative analysis of shots on goal in a simulation environment robot football in two dimensions
dc.typeinfo:eu-repo/semantics/bachelorThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Mineração de dados para análise - Bruno Silva.pdf
Tamanho:
3.83 MB
Formato:
Adobe Portable Document Format
Descrição:
Licença do Pacote
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
462 B
Formato:
Item-specific license agreed upon to submission
Descrição: