{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3243449"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3243449","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"NBA ANALYTICS : Πρόβλεψη με την βοήθεια μηχανικής μάθησης","abstract":"H διπλωματική εργασία ασχολείται με την ανάλυση δεδομένων και εφαρμογή μεθόδων μηχανική μάθησης για την απόκτηση χρήσιμων πληροφοριών για τις ομάδες μπάσκετ του NBA. Αρχικά παρουσιάστηκαν, μέσω μίας ανάλυσης SWOT, τα άμεσα πλεονεκτήματα (strengths), τα άμεσα μειονεκτήματα (weaknesses), οι ευκαιρίες που ενδέχεται να παρουσιαστούν καθώς και οι απειλές που ενδέχεται να παρουσιαστούν. Με αυτό τον τρόπο παρουσιάζεται η πολύπλευρη χρησιμότητα της ανάλυσης δεδομένων και της μηχανικής μάθησης στις ομάδες του NBA Στη συνέχεια γίνεται μια συνοπτική εισαγωγή στην μηχανική μάθηση, στα είδη αυτής, καθώς και σε κάποιους βασικούς αλγορίθμους. Έπειτα καθορίζεται ο στόχος του πρακτικού μέρους της εργασίας και η μεθοδολογία για να επιτευχθεί. To πρακτικό κομμάτι αποτελείται από την προσπάθεια εύρεσης ενός μοντέλου πρόβλεψης της απόδοσης ενός παίκτη στη καριέρα του μέσω της μεταβλητής EFF καριέρας. Το πρακτικό κομμάτι ξεκινάει με την προετοιμασία των δεδομένων και την περιγραφή των μεταβλητών. Μετά από μία περιγραφική ανάλυση του συνόλου δεδομένων, ξεκινάει η εφαρμογή των αλγορίθμων μηχανικής μάθησης στο σύνολο δεδομένων. Αρχικά γίνεται η εφαρμογή γραμμικής παλινδρόμησης και στη συνέχεια των αλγορίθμων βασισμένων σε δέντρα αποφάσεων. Κατά την διάρκεια της εφαρμογής γίνεται επιλογή συντελεστών έτσι ώστε να αντιμετωπιστούν τα προβλήματα που δημιουργούνται. Τέλος, γίνεται σύγκριση των αποτελεσμάτων από την εφαρμογή των μοντέλων και εξάγονται τα συμπεράσματα που χρειαζόμαστε.","abstract_html":"H διπλωματική εργασία ασχολείται με την ανάλυση δεδομένων και εφαρμογή μεθόδων μηχανική μάθησης για την απόκτηση χρήσιμων πληροφοριών για τις ομάδες μπάσκετ του NBA. Αρχικά παρουσιάστηκαν, μέσω μίας ανάλυσης SWOT, τα άμεσα πλεονεκτήματα (strengths), τα άμεσα μειονεκτήματα (weaknesses), οι ευκαιρίες που ενδέχεται να παρουσιαστούν καθώς και οι απειλές που ενδέχεται να παρουσιαστούν. Με αυτό τον τρόπο παρουσιάζεται η πολύπλευρη χρησιμότητα της ανάλυσης δεδομένων και της μηχανικής μάθησης στις ομάδες του NBA Στη συνέχεια γίνεται μια συνοπτική εισαγωγή στην μηχανική μάθηση, στα είδη αυτής, καθώς και σε κάποιους βασικούς αλγορίθμους. Έπειτα καθορίζεται ο στόχος του πρακτικού μέρους της εργασίας και η μεθοδολογία για να επιτευχθεί. To πρακτικό κομμάτι αποτελείται από την προσπάθεια εύρεσης ενός μοντέλου πρόβλεψης της απόδοσης ενός παίκτη στη καριέρα του μέσω της μεταβλητής EFF καριέρας. Το πρακτικό κομμάτι ξεκινάει με την προετοιμασία των δεδομένων και την περιγραφή των μεταβλητών. Μετά από μία περιγραφική ανάλυση του συνόλου δεδομένων, ξεκινάει η εφαρμογή των αλγορίθμων μηχανικής μάθησης στο σύνολο δεδομένων. Αρχικά γίνεται η εφαρμογή γραμμικής παλινδρόμησης και στη συνέχεια των αλγορίθμων βασισμένων σε δέντρα αποφάσεων. Κατά την διάρκεια της εφαρμογής γίνεται επιλογή συντελεστών έτσι ώστε να αντιμετωπιστούν τα προβλήματα που δημιουργούνται. Τέλος, γίνεται σύγκριση των αποτελεσμάτων από την εφαρμογή των μοντέλων και εξάγονται τα συμπεράσματα που χρειαζόμαστε.","abstract_has_math":false,"creators":["Μανής Δημοσθένης","Manis Dimosthenis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T06:20:05Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3243449"],"render_values":[{"text":"uoadl:3243449","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3243449","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3243449","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3243449","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μανής Δημοσθένης","Manis Dimosthenis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3243449","https://pergamos.lib.uoa.gr/uoa/dl/object/3243449"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["H διπλωματική εργασία ασχολείται με την ανάλυση δεδομένων και εφαρμογή μεθόδων μηχανική μάθησης για την απόκτηση χρήσιμων πληροφοριών για τις ομάδες μπάσκετ του NBA. Αρχικά παρουσιάστηκαν, μέσω μίας ανάλυσης SWOT, τα άμεσα πλεονεκτήματα (strengths), τα άμεσα μειονεκτήματα (weaknesses), οι ευκαιρίες που ενδέχεται να παρουσιαστούν καθώς και οι απειλές που ενδέχεται να παρουσιαστούν. Με αυτό τον τρόπο παρουσιάζεται η πολύπλευρη χρησιμότητα της ανάλυσης δεδομένων και της μηχανικής μάθησης στις ομάδες του NBA Στη συνέχεια γίνεται μια συνοπτική εισαγωγή στην μηχανική μάθηση, στα είδη αυτής, καθώς και σε κάποιους βασικούς αλγορίθμους. Έπειτα καθορίζεται ο στόχος του πρακτικού μέρους της εργασίας και η μεθοδολογία για να επιτευχθεί. To πρακτικό κομμάτι αποτελείται από την προσπάθεια εύρεσης ενός μοντέλου πρόβλεψης της απόδοσης ενός παίκτη στη καριέρα του μέσω της μεταβλητής EFF καριέρας. Το πρακτικό κομμάτι ξεκινάει με την προετοιμασία των δεδομένων και την περιγραφή των μεταβλητών. Μετά από μία περιγραφική ανάλυση του συνόλου δεδομένων, ξεκινάει η εφαρμογή των αλγορίθμων μηχανικής μάθησης στο σύνολο δεδομένων. Αρχικά γίνεται η εφαρμογή γραμμικής παλινδρόμησης και στη συνέχεια των αλγορίθμων βασισμένων σε δέντρα αποφάσεων. Κατά την διάρκεια της εφαρμογής γίνεται επιλογή συντελεστών έτσι ώστε να αντιμετωπιστούν τα προβλήματα που δημιουργούνται. Τέλος, γίνεται σύγκριση των αποτελεσμάτων από την εφαρμογή των μοντέλων και εξάγονται τα συμπεράσματα που χρειαζόμαστε.","In this paper the importance of data analysis and machine learning usage from NBA teams is presented. In the first section, a SWOT analysis of NBA teams that adopted data analysis and machine learning techniques is shown. Strengths and weaknesses will include the direct advantages and disadvantages from analytics adoption and opportunities and threats will include future positive and negative effects that may occur. After SWOT analysis an introduction is made, about machine learning types and some basic algorithms. Next, the thesis goal and thesis methodology are defined, which is predicting a player career performance from stats of its first rookie years. The performance measured with EFF career stat. First, we prepared the data and made an explanatory analysis on them. Then we apply machine learning algorithms in our dataset. Specifically linear regression, decision tree and gradient tree boosting are used. Subsequently adjustments in algorithms have been made, based on problems that occurred. Finally results and conclusions are presented."]},{"key":"dc:title","label":"Title","values":["NBA ANALYTICS : Πρόβλεψη με την βοήθεια μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["Μανής Δημοσθένης","Manis Dimosthenis"],"dc:date":["2022"],"dc:description":["H διπλωματική εργασία ασχολείται με την ανάλυση δεδομένων και εφαρμογή μεθόδων μηχανική μάθησης για την απόκτηση χρήσιμων πληροφοριών για τις ομάδες μπάσκετ του NBA. Αρχικά παρουσιάστηκαν, μέσω μίας ανάλυσης SWOT, τα άμεσα πλεονεκτήματα (strengths), τα άμεσα μειονεκτήματα (weaknesses), οι ευκαιρίες που ενδέχεται να παρουσιαστούν καθώς και οι απειλές που ενδέχεται να παρουσιαστούν. Με αυτό τον τρόπο παρουσιάζεται η πολύπλευρη χρησιμότητα της ανάλυσης δεδομένων και της μηχανικής μάθησης στις ομάδες του NBA Στη συνέχεια γίνεται μια συνοπτική εισαγωγή στην μηχανική μάθηση, στα είδη αυτής, καθώς και σε κάποιους βασικούς αλγορίθμους. Έπειτα καθορίζεται ο στόχος του πρακτικού μέρους της εργασίας και η μεθοδολογία για να επιτευχθεί. To πρακτικό κομμάτι αποτελείται από την προσπάθεια εύρεσης ενός μοντέλου πρόβλεψης της απόδοσης ενός παίκτη στη καριέρα του μέσω της μεταβλητής EFF καριέρας. Το πρακτικό κομμάτι ξεκινάει με την προετοιμασία των δεδομένων και την περιγραφή των μεταβλητών. Μετά από μία περιγραφική ανάλυση του συνόλου δεδομένων, ξεκινάει η εφαρμογή των αλγορίθμων μηχανικής μάθησης στο σύνολο δεδομένων. Αρχικά γίνεται η εφαρμογή γραμμικής παλινδρόμησης και στη συνέχεια των αλγορίθμων βασισμένων σε δέντρα αποφάσεων. Κατά την διάρκεια της εφαρμογής γίνεται επιλογή συντελεστών έτσι ώστε να αντιμετωπιστούν τα προβλήματα που δημιουργούνται. Τέλος, γίνεται σύγκριση των αποτελεσμάτων από την εφαρμογή των μοντέλων και εξάγονται τα συμπεράσματα που χρειαζόμαστε.","In this paper the importance of data analysis and machine learning usage from NBA teams is presented. In the first section, a SWOT analysis of NBA teams that adopted data analysis and machine learning techniques is shown. Strengths and weaknesses will include the direct advantages and disadvantages from analytics adoption and opportunities and threats will include future positive and negative effects that may occur. After SWOT analysis an introduction is made, about machine learning types and some basic algorithms. Next, the thesis goal and thesis methodology are defined, which is predicting a player career performance from stats of its first rookie years. The performance measured with EFF career stat. First, we prepared the data and made an explanatory analysis on them. Then we apply machine learning algorithms in our dataset. Specifically linear regression, decision tree and gradient tree boosting are used. Subsequently adjustments in algorithms have been made, based on problems that occurred. Finally results and conclusions are presented."],"dc:identifier":["uoadl:3243449","https://pergamos.lib.uoa.gr/uoa/dl/object/3243449"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["NBA ANALYTICS : Πρόβλεψη με την βοήθεια μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:20:05Z"}