Fundamentos: el campo y tus herramientas
- El panorama de la analítica de fútbol y por qué este deporte se resiste a un análisis sencillo
- Los tres tipos de análisis, las fuentes de datos modernas y los niveles de agregación, del jugador a la liga
- Cómo se decide con datos dentro de un club, y cómo los mercados modelan la incertidumbre
- Python desde cero: entorno, entornos virtuales, Jupyter Notebook y repositorios
- Los fundamentos del lenguaje: estructuras de datos, condicionales, bucles, comprensiones y funciones
Explorar los datos antes de predecir
- Los tres niveles de datos del fútbol: partido, jugador y eventos
- Carga y primer recorrido de datos reales de StatsBomb, con limpieza y estandarización de nombres
- Filtrado, agrupación y agregación: pases, remates, goles y xG por equipo
- Visualización con Matplotlib y Seaborn, y gráficos de cancha con mplsoccer: mapas de calor y redes de pases
- Estudio de caso: Japón femenino en la Copa Mundial de 2019
Regresión: predecir valores y contar goles
- Regresión lineal para predecir el valor de mercado de un jugador
- Regresión de Poisson para el conteo de goles, y k vecinos más cercanos para encontrar jugadores similares
- Sobredispersión, regresión binomial negativa, inflación de ceros y modelos de valla
- Diagnóstico: residuos, bondad de ajuste, observaciones influyentes y selección de modelos
- Los cuatro errores que todos cometen, empezando por el sobreajuste y la multicolinealidad
Clasificación: de la regresión logística a XGBoost
- Tu primer clasificador y la construcción de un modelo de goles esperados
- Cómo medir de verdad: matriz de confusión, precisión y exhaustividad, y la curva ROC
- Clasificación multiclase para victoria, empate o derrota, y ajuste del umbral de decisión
- Árboles de decisión, bosques aleatorios con importancia de características y error fuera de bolsa
- XGBoost y análisis SHAP para explicar el modelo opaco, más optimización de hiperparámetros
- Datos desbalanceados, escalado, valores faltantes y consideraciones éticas del mundo real
Aprendizaje profundo e ingeniería de características
- Cómo capturan patrones las redes neuronales: entrenamiento, pérdida y optimización
- Tu primer modelo de predicción en PyTorch y el mismo modelo en TensorFlow
- Simulación completa de partidos, de los goles al resultado
- Características de rendimiento, tácticas (posesión, presión, jugadas a balón parado) y contextuales (fatiga, calendario, forma)
- Fuerza de equipos con la matriz de Colley, PageRank y valoraciones Elo
- Estudio de caso: prediciendo la final de la Copa Mundial Femenina de 2019
Decisión bajo incertidumbre y hacia dónde va todo
- Fundamentos de las apuestas: tipos, cuotas y oportunidades de arbitraje
- Estrategias de monto fijo y criterio de Kelly, con la realidad de la rentabilidad
- La importancia de la disciplina y las consideraciones éticas
- La siguiente etapa: flujos de datos vivos, modelos por jugador y alineación, seguimiento y video
- Los grandes modelos de lenguaje dentro del flujo de trabajo analítico
- Los límites que no desaparecen, y cómo llevar estos métodos más allá del fútbol
