Hoy en día, se aplican bastante estadísticas avanzadas y aprendizaje automático en el baloncesto, principalmente debido a la aparición de datos de seguimiento de jugadores y pelotas.
Mi colega, el profesor Yu-Han Chang y yo, hemos estado trabajando en este espacio tanto en nuestro grupo de investigación en USC (CBG: Home) como en una startup que cofundamos para abordar problemas de big data en deportes (Second Spectrum) y otros dominios. con datos de movimiento. Ganamos los premios al mejor papel en 2012 y 2014 en la Conferencia de análisis de deportes MIT Sloan. El trabajo se puede encontrar aquí:
Las tres dimensiones del rebote
Deconstruyendo el rebote con datos de seguimiento óptico (2012 RP Grand Prize / Alpha Winner)
- ¿Por qué el equipo de baloncesto de EE. UU. Es mucho mejor que los equipos de otros países?
- ¿Cómo selecciona el equipo nacional de baloncesto de EE. UU. A sus jugadores?
- ¿Qué equipo ganará la próxima temporada de la NBA?
- ¿Por qué hay un límite de tiempo predefinido de elegibilidad para ingresar al salón de la fama de deportes de grandes ligas (NFL, MLB, etc.)?
- Con menos de un segundo restante en el 4to cuarto, su equipo está abajo por 3. Usted tiene un tiro desde el lado ofensivo de la cancha, y puede elegir a cualquier jugador en la historia para intentar el tiro: ¿a quién elige?
Hay varios otros grupos que hacen un buen trabajo en la intersección del baloncesto y las estadísticas / aprendizaje automático:
– John Guttag y Jenna Wiens en el MIT
Reconocimiento automático de pantallas en bola
To Crash o Not To Crash: una mirada cuantitativa a la relación entre el rebote ofensivo y la defensa de transición en la NBA
– Patrick Lucey y sus colegas en Disney Research:
“Cómo obtener un tiro abierto”: Análisis del movimiento del equipo en baloncesto utilizando datos de seguimiento
– Luke Bornn y su grupo de estadísticas en Harvard que colaboran con Kirk Goldsberry, un destacado experto en visualización de datos en el campo:
POINTWISE: prediciendo puntos y valorando decisiones en tiempo real con datos de seguimiento óptico de la NBA
Estoy seguro de que hay otros que olvido o que desconozco, pero es claramente un área en crecimiento. La Conferencia MIT Sloan Sports Analytics es la principal vía en este momento para encontrar mucho trabajo, pero también hay otros lugares. El Simposio de Nueva Inglaterra sobre Estadísticas y Deportes es otra fuente. También hay talleres en más conferencias académicas como:
Análisis deportivo basado en la visión en ICCV 2013
Análisis de deportes a gran escala en KDD 2014
También hay revistas en las que se puede encontrar mucho trabajo:
– Journal of Basketball Studies: dirigido por Dean Oliver, una figura destacada en el campo. Ya no creo que esté activo, pero hay un artículo interesante sobre la aplicación de los filtros de Kalman al baloncesto (ver artículos, diferenciales de puntos y predicciones: uso de un filtro de Kalman)
Revista de estudios de baloncesto
– Journal of Quantitative Analytics in Sports: el editor fundador es Ben Alamar, otra figura destacada en el campo.
Revista de Análisis Cuantitativo en el Deporte
– Journal of Sports Analytics: fundada por muchas figuras destacadas en el campo. Está comenzando pero tiene un gran conjunto de personas involucradas:
Journal of Sports Analytics
El seguimiento ha sido habilitado por el sistema STATS SportVU que abarca toda la liga en la NBA a partir de la temporada 2013-14. También se está realizando un interesante trabajo de visión artificial y aprendizaje automático en las universidades, que incluye:
Transmitiendo deportes en vivo automáticamente usando cámaras robóticas (Disney Research)
(EPFL)
A un alto nivel, gran parte del trabajo implica crear nuevas métricas o identificar patrones en el juego y, en última instancia, conectarlos para obtener una mejor comprensión del juego. No puedo comentar demasiado porque estamos trabajando con equipos y no podemos revelar demasiado sobre nuestra salsa secreta. Huelga decir que el trabajo requiere un conocimiento del estado actual de la tecnología en el big data y el aprendizaje automático y también saber cómo lo que está disponible ahora no aborda el dominio del problema, a fin de crear nuevos enfoques que puedan resolver los problemas en mano.
Estoy seguro de que la mayoría de esto estará desactualizado en breve, ya que estamos en un momento muy dinámico cuando se trata de este tema. Para muchos de nosotros, ¡eso es bastante emocionante!