{"product_id":"analisis-de-futbol-con-aprendizaje-automatico","title":"Análisis de fútbol con aprendizaje automático","description":"\u003ch1\u003eAnálisis de fútbol con aprendizaje automático\u003c\/h1\u003e\n\u003ch2 class=\"subtitle\"\u003eAprende técnicas de modelado predictivo con datos deportivos\u003c\/h2\u003e\n\u003cp class=\"author\"\u003eHaipeng Gao, Ari Joury, Weining Shen y Guanyu Hu\u003c\/p\u003e\n\u003cdiv class=\"description\"\u003e\n\u003cp\u003eEs sábado por la noche. El equipo encadena pases en campo rival y la probabilidad de victoria en tu teléfono pasa del 54% al 57%. Llega un contraataque, un disparo peligroso, y baja al 49%. \u003cstrong\u003eEl marcador no ha cambiado, pero tu confianza se mueve con los números.\u003c\/strong\u003e Entonces, la pregunta obvia: ¿de dónde sale ese número?\u003c\/p\u003e\n\u003cp\u003eEl fútbol siempre fue pasión, intuición y debate interminable. Pero en los últimos años se le sumó algo nuevo: \u003cstrong\u003elos datos\u003c\/strong\u003e. El análisis riguroso dejó de ser privilegio de los clubes profesionales y los laboratorios de investigación, y este libro te sienta justo en esa intersección: \u003cstrong\u003eel fútbol aporta datos ricos, imperfectos y fascinantes; el aprendizaje automático aporta los métodos para abordarlos\u003c\/strong\u003e.\u003c\/p\u003e\n\u003cp\u003eAdentro está el arco completo, en orden. \u003cstrong\u003eArmas tu entorno de Python desde cero\u003c\/strong\u003e, cargas \u003cstrong\u003edatos reales de StatsBomb\u003c\/strong\u003e y aprendes a limpiarlos, explorarlos y graficarlos con mplsoccer antes de modelar nada. Después escalas método por método: \u003cstrong\u003eregresión lineal y de Poisson\u003c\/strong\u003e, k vecinos más cercanos, \u003cstrong\u003eregresión logística para construir tu primer modelo de goles esperados (xG)\u003c\/strong\u003e, árboles de decisión, bosques aleatorios, \u003cstrong\u003eXGBoost con análisis SHAP\u003c\/strong\u003e para abrir la caja negra, y \u003cstrong\u003eredes neuronales implementadas dos veces, en PyTorch y en TensorFlow\u003c\/strong\u003e.\u003c\/p\u003e\n\u003cp\u003eCada método llega con su intuición antes de la fórmula, su código y su caso real —incluidos la Copa Mundial Femenina de 2019 y la predicción de su final—. Un capítulo entero se va en \u003cstrong\u003eingeniería de características\u003c\/strong\u003e, que es donde de verdad se gana, con la matriz de Colley, PageRank y las valoraciones Elo. Y otro examina las apuestas como lo que son: \u003cstrong\u003eun problema de decisión bajo incertidumbre\u003c\/strong\u003e, con cuotas, arbitraje, criterio de Kelly, la realidad de la rentabilidad y sus consideraciones éticas.\u003c\/p\u003e\n\u003cp\u003eLo escriben \u003cstrong\u003ecuatro doctores que reparten su vida entre la industria y la academia\u003c\/strong\u003e, y nació de un vacío que ellos vieron: los libros de aprendizaje automático son abstractos, los de analítica deportiva asumen experiencia previa. Este es \u003cstrong\u003epráctico, honesto sobre sus límites\u003c\/strong\u003e y tan interesado en que desarrolles intuición como en que construyas modelos. Publicado en \u003cstrong\u003e2026, el año de la Copa Mundial\u003c\/strong\u003e, cuando la conversación sobre el fútbol está en su punto más alto.\u003c\/p\u003e\n\u003c\/div\u003e\n\u003ch2 class=\"about_author_title\"\u003eAcerca del autor\u003c\/h2\u003e\n\u003cdiv class=\"about_author\"\u003e\n\u003cp\u003e\u003cstrong\u003eHaipeng Gao\u003c\/strong\u003e es experto en ciencia de datos y aprendizaje automático, con amplia experiencia industrial construyendo y optimizando \u003cstrong\u003esistemas de aprendizaje automático a gran escala en LinkedIn, TikTok y PayPal\u003c\/strong\u003e. Tiene un doctorado en estadística e investigación de operaciones por la Universidad de Carolina del Norte en Chapel Hill, ha dado clases de estadística y probabilidad en esa universidad y en la Universidad Estatal de San José, y cuenta con \u003cstrong\u003evarias patentes de IA y aprendizaje automático\u003c\/strong\u003e concedidas en Estados Unidos.\u003c\/p\u003e\n\u003cp\u003e\u003cstrong\u003eAri Joury\u003c\/strong\u003e es científico de datos y emprendedor. Trabaja en la intersección del aprendizaje automático, la inferencia causal y la analítica aplicada, y es \u003cstrong\u003efundador y director ejecutivo de Wangari Global\u003c\/strong\u003e, donde crea sistemas de IA para la toma de decisiones en finanzas, seguros y sostenibilidad, con foco en modelos interpretables. Formado como \u003cstrong\u003efísico teórico de partículas\u003c\/strong\u003e, tiene un doctorado en física y un MBA.\u003c\/p\u003e\n\u003cp\u003e\u003cstrong\u003eWeining Shen\u003c\/strong\u003e es profesor asociado de estadística en la \u003cstrong\u003eUniversidad de California en Irvine\u003c\/strong\u003e. Investiga aprendizaje automático, estadística bayesiana, analítica deportiva y grandes modelos de lenguaje, con \u003cstrong\u003emás de 70 artículos publicados\u003c\/strong\u003e en las principales revistas de estadística y conferencias de aprendizaje automático. Es doctor en estadística por la Universidad Estatal de Carolina del Norte.\u003c\/p\u003e\n\u003cp\u003e\u003cstrong\u003eGuanyu Hu\u003c\/strong\u003e es profesor asociado en la \u003cstrong\u003eUniversidad Estatal de Míchigan\u003c\/strong\u003e. Investiga estadística espacial, métodos no paramétricos bayesianos y analítica deportiva; ha dirigido proyectos financiados por la NSF y publicado \u003cstrong\u003emás de 50 artículos\u003c\/strong\u003e. Fue \u003cstrong\u003epresidente de la Sección de Estadística en los Deportes de la Asociación Estadounidense de Estadística en 2024\u003c\/strong\u003e y es uno de los organizadores de la American Soccer Insights Summit. Es doctor en estadística por la Universidad Estatal de Florida.\u003c\/p\u003e\n\u003c\/div\u003e\n\u003ch2 class=\"content_title\"\u003eLo que aprenderás\u003c\/h2\u003e\n\u003cdiv class=\"content\"\u003e\n\u003cp\u003e\u003cstrong\u003eFundamentos: el campo y tus herramientas\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eEl panorama de la analítica de fútbol y \u003cstrong\u003epor qué este deporte se resiste a un análisis sencillo\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eLos tres tipos de análisis, las fuentes de datos modernas y los niveles de agregación, del jugador a la liga\u003c\/li\u003e\n\u003cli\u003eCómo se decide con datos dentro de un club, y cómo los mercados modelan la incertidumbre\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePython desde cero\u003c\/strong\u003e: entorno, entornos virtuales, Jupyter Notebook y repositorios\u003c\/li\u003e\n\u003cli\u003eLos fundamentos del lenguaje: estructuras de datos, condicionales, bucles, comprensiones y funciones\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eExplorar los datos antes de predecir\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eLos tres niveles de datos del fútbol: \u003cstrong\u003epartido, jugador y eventos\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eCarga y primer recorrido de \u003cstrong\u003edatos reales de StatsBomb\u003c\/strong\u003e, con limpieza y estandarización de nombres\u003c\/li\u003e\n\u003cli\u003eFiltrado, agrupación y agregación: pases, remates, goles y \u003cstrong\u003exG por equipo\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eVisualización con Matplotlib y Seaborn, y \u003cstrong\u003egráficos de cancha con mplsoccer\u003c\/strong\u003e: mapas de calor y redes de pases\u003c\/li\u003e\n\u003cli\u003eEstudio de caso: \u003cstrong\u003eJapón femenino en la Copa Mundial de 2019\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eRegresión: predecir valores y contar goles\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eRegresión lineal para \u003cstrong\u003epredecir el valor de mercado de un jugador\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eRegresión de Poisson\u003c\/strong\u003e para el conteo de goles, y k vecinos más cercanos para encontrar jugadores similares\u003c\/li\u003e\n\u003cli\u003eSobredispersión, regresión binomial negativa, inflación de ceros y modelos de valla\u003c\/li\u003e\n\u003cli\u003eDiagnóstico: residuos, bondad de ajuste, observaciones influyentes y selección de modelos\u003c\/li\u003e\n\u003cli\u003eLos cuatro errores que todos cometen, empezando por el \u003cstrong\u003esobreajuste\u003c\/strong\u003e y la multicolinealidad\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eClasificación: de la regresión logística a XGBoost\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eTu primer clasificador y la \u003cstrong\u003econstrucción de un modelo de goles esperados\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eCómo medir de verdad: \u003cstrong\u003ematriz de confusión\u003c\/strong\u003e, precisión y exhaustividad, y la curva ROC\u003c\/li\u003e\n\u003cli\u003eClasificación multiclase para victoria, empate o derrota, y ajuste del umbral de decisión\u003c\/li\u003e\n\u003cli\u003eÁrboles de decisión, \u003cstrong\u003ebosques aleatorios\u003c\/strong\u003e con importancia de características y error fuera de bolsa\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eXGBoost y análisis SHAP\u003c\/strong\u003e para explicar el modelo opaco, más optimización de hiperparámetros\u003c\/li\u003e\n\u003cli\u003eDatos desbalanceados, escalado, valores faltantes y consideraciones éticas del mundo real\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eAprendizaje profundo e ingeniería de características\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eCómo capturan patrones las redes neuronales: entrenamiento, pérdida y optimización\u003c\/li\u003e\n\u003cli\u003eTu primer modelo de predicción \u003cstrong\u003een PyTorch\u003c\/strong\u003e y el mismo modelo \u003cstrong\u003een TensorFlow\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eSimulación completa de partidos, de los goles al resultado\u003c\/li\u003e\n\u003cli\u003eCaracterísticas de rendimiento, \u003cstrong\u003etácticas\u003c\/strong\u003e (posesión, presión, jugadas a balón parado) y contextuales (fatiga, calendario, forma)\u003c\/li\u003e\n\u003cli\u003eFuerza de equipos con la \u003cstrong\u003ematriz de Colley, PageRank y valoraciones Elo\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eEstudio de caso: \u003cstrong\u003eprediciendo la final de la Copa Mundial Femenina de 2019\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003cp\u003e\u003cstrong\u003eDecisión bajo incertidumbre y hacia dónde va todo\u003c\/strong\u003e\u003c\/p\u003e\n\u003cul\u003e\n\u003cli\u003eFundamentos de las apuestas: tipos, \u003cstrong\u003ecuotas\u003c\/strong\u003e y oportunidades de arbitraje\u003c\/li\u003e\n\u003cli\u003eEstrategias de monto fijo y \u003cstrong\u003ecriterio de Kelly\u003c\/strong\u003e, con la realidad de la rentabilidad\u003c\/li\u003e\n\u003cli\u003eLa importancia de la disciplina y las \u003cstrong\u003econsideraciones éticas\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003cli\u003eLa siguiente etapa: flujos de datos vivos, modelos por jugador y alineación, seguimiento y video\u003c\/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eLos grandes modelos de lenguaje\u003c\/strong\u003e dentro del flujo de trabajo analítico\u003c\/li\u003e\n\u003cli\u003eLos límites que no desaparecen, y \u003cstrong\u003ecómo llevar estos métodos más allá del fútbol\u003c\/strong\u003e\n\u003c\/li\u003e\n\u003c\/ul\u003e\n\u003c\/div\u003e","brand":"Biblioteca de Alejandría","offers":[{"title":"Default Title","offer_id":44795804811306,"sku":null,"price":296.74,"currency_code":"MXN","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0648\/3489\/5914\/files\/Vitrina_-_Analisis_de_futbol_con_aprendizaje_automatico.png?v=1788425127","url":"https:\/\/alejandriav5.org\/products\/analisis-de-futbol-con-aprendizaje-automatico","provider":"Libros de Alejandría 5.0","version":"1.0","type":"link"}