{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3245094"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3245094","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μοντελοποίηση και ανάλυση δεδομένων καλαθοσφαίρισης με μεθόδους μηχανικής μάθησης","abstract":"Η στατιστική είναι μια επιστήμη που αποτελεί αναπόσπαστο κομμάτι του αθλητισμού, η οποία σε συνδυασμό με την ανάπτυξη της τεχνολογίας και την αύξηση του ρυθμού συλλογής δεδομένων δίνουν την δυνατότητα στους αθλητικούς οργανισμούς να κατανοήσουν τους παράγοντες που οδηγούν στην ατομική και ομαδική επιτυχία. Η διαφοροποίηση που έχει επέλθει πλέον από τη χρήση της αναλυτικής αθλητικών στοιχείων, είναι ότι χρησιμοποιούνται μοντέλα τα οποία διαδραματίζουν σημαντικό ρόλο στη λήψη αποφάσεων, στη δημιουργία και εφαρμογή νέων στρατηγικών που βελτιώνουν σημαντικά την απόδοση των ομάδων. Στην παρούσα μελέτη χρησιμοποιούμε αλγόριθμους εποπτευόμενης μηχανικής μάθησης προκειμένου να εντοπίσουμε τους σημαντικότερους παράγοντες που επηρεάζουν τη γηπεδούχο ομάδα ενός αγώνα καλαθοσφαίρισης να φτάσει στη νίκη. Το σύνολο δεδομένων που χρησιμοποιούμε για αυτόν το σκοπό, αποτελείται από 882 αγώνες του Ευρωπαϊκού πρωταθλήματος συλλόγων καλαθοσφαίρισης και το αντλήσαμε από το αποθετήριο της Kaggle (Euroleague, 2021). Αρχικά, πραγματοποιούμε μια θεωρητική επισκόπηση των μεθόδων ταξινόμησης που επιλέχτηκαν για αυτήν την εργασία και συγκεκριμένα, αναλύουμε τους αλγόριθμους Logistic Regression, Decision Trees, Random Forest και Support Vector Machine. Στη συνέχεια, χρησιμοποιώντας το περιβάλλον της R και R Studio, δημιουργούμε υποδείγματα με τη χρήση των δεδομένων εκπαίδευσης, ενώ παράλληλα υλοποιούμε διαδικασίες για την εύρεση και ρύθμιση των κατάλληλων τιμών των παραμέτρων και καταλήγουμε στο καλύτερο δυνατό μοντέλο για καθένα αλγόριθμο. Τέλος, αξιολογούμε την απόδοση των μοντέλων χρησιμοποιώντας τα διάφορα μέτρα αξιολόγησης και επιχειρούμε τη σύγκρισή τους όσον αφορά τα ιδιαίτερα χαρακτηριστικά τους και την απόδοσή τους στο συγκεκριμένο σύνολο δεδομένων.","abstract_html":"Η στατιστική είναι μια επιστήμη που αποτελεί αναπόσπαστο κομμάτι του αθλητισμού, η οποία σε συνδυασμό με την ανάπτυξη της τεχνολογίας και την αύξηση του ρυθμού συλλογής δεδομένων δίνουν την δυνατότητα στους αθλητικούς οργανισμούς να κατανοήσουν τους παράγοντες που οδηγούν στην ατομική και ομαδική επιτυχία. Η διαφοροποίηση που έχει επέλθει πλέον από τη χρήση της αναλυτικής αθλητικών στοιχείων, είναι ότι χρησιμοποιούνται μοντέλα τα οποία διαδραματίζουν σημαντικό ρόλο στη λήψη αποφάσεων, στη δημιουργία και εφαρμογή νέων στρατηγικών που βελτιώνουν σημαντικά την απόδοση των ομάδων. Στην παρούσα μελέτη χρησιμοποιούμε αλγόριθμους εποπτευόμενης μηχανικής μάθησης προκειμένου να εντοπίσουμε τους σημαντικότερους παράγοντες που επηρεάζουν τη γηπεδούχο ομάδα ενός αγώνα καλαθοσφαίρισης να φτάσει στη νίκη. Το σύνολο δεδομένων που χρησιμοποιούμε για αυτόν το σκοπό, αποτελείται από 882 αγώνες του Ευρωπαϊκού πρωταθλήματος συλλόγων καλαθοσφαίρισης και το αντλήσαμε από το αποθετήριο της Kaggle (Euroleague, 2021). Αρχικά, πραγματοποιούμε μια θεωρητική επισκόπηση των μεθόδων ταξινόμησης που επιλέχτηκαν για αυτήν την εργασία και συγκεκριμένα, αναλύουμε τους αλγόριθμους Logistic Regression, Decision Trees, Random Forest και Support Vector Machine. Στη συνέχεια, χρησιμοποιώντας το περιβάλλον της R και R Studio, δημιουργούμε υποδείγματα με τη χρήση των δεδομένων εκπαίδευσης, ενώ παράλληλα υλοποιούμε διαδικασίες για την εύρεση και ρύθμιση των κατάλληλων τιμών των παραμέτρων και καταλήγουμε στο καλύτερο δυνατό μοντέλο για καθένα αλγόριθμο. Τέλος, αξιολογούμε την απόδοση των μοντέλων χρησιμοποιώντας τα διάφορα μέτρα αξιολόγησης και επιχειρούμε τη σύγκρισή τους όσον αφορά τα ιδιαίτερα χαρακτηριστικά τους και την απόδοσή τους στο συγκεκριμένο σύνολο δεδομένων.","abstract_has_math":false,"creators":["Πέρδικα Αγγελική","Perdika Aggeliki"],"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":"2026-11-19T06:20:07Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3245094"],"render_values":[{"text":"uoadl:3245094","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3245094","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3245094","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%3A3245094","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πέρδικα Αγγελική","Perdika Aggeliki"]}]},{"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:3245094","https://pergamos.lib.uoa.gr/uoa/dl/object/3245094"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η στατιστική είναι μια επιστήμη που αποτελεί αναπόσπαστο κομμάτι του αθλητισμού, η οποία σε συνδυασμό με την ανάπτυξη της τεχνολογίας και την αύξηση του ρυθμού συλλογής δεδομένων δίνουν την δυνατότητα στους αθλητικούς οργανισμούς να κατανοήσουν τους παράγοντες που οδηγούν στην ατομική και ομαδική επιτυχία. Η διαφοροποίηση που έχει επέλθει πλέον από τη χρήση της αναλυτικής αθλητικών στοιχείων, είναι ότι χρησιμοποιούνται μοντέλα τα οποία διαδραματίζουν σημαντικό ρόλο στη λήψη αποφάσεων, στη δημιουργία και εφαρμογή νέων στρατηγικών που βελτιώνουν σημαντικά την απόδοση των ομάδων. Στην παρούσα μελέτη χρησιμοποιούμε αλγόριθμους εποπτευόμενης μηχανικής μάθησης προκειμένου να εντοπίσουμε τους σημαντικότερους παράγοντες που επηρεάζουν τη γηπεδούχο ομάδα ενός αγώνα καλαθοσφαίρισης να φτάσει στη νίκη. Το σύνολο δεδομένων που χρησιμοποιούμε για αυτόν το σκοπό, αποτελείται από 882 αγώνες του Ευρωπαϊκού πρωταθλήματος συλλόγων καλαθοσφαίρισης και το αντλήσαμε από το αποθετήριο της Kaggle (Euroleague, 2021). Αρχικά, πραγματοποιούμε μια θεωρητική επισκόπηση των μεθόδων ταξινόμησης που επιλέχτηκαν για αυτήν την εργασία και συγκεκριμένα, αναλύουμε τους αλγόριθμους Logistic Regression, Decision Trees, Random Forest και Support Vector Machine. Στη συνέχεια, χρησιμοποιώντας το περιβάλλον της R και R Studio, δημιουργούμε υποδείγματα με τη χρήση των δεδομένων εκπαίδευσης, ενώ παράλληλα υλοποιούμε διαδικασίες για την εύρεση και ρύθμιση των κατάλληλων τιμών των παραμέτρων και καταλήγουμε στο καλύτερο δυνατό μοντέλο για καθένα αλγόριθμο. Τέλος, αξιολογούμε την απόδοση των μοντέλων χρησιμοποιώντας τα διάφορα μέτρα αξιολόγησης και επιχειρούμε τη σύγκρισή τους όσον αφορά τα ιδιαίτερα χαρακτηριστικά τους και την απόδοσή τους στο συγκεκριμένο σύνολο δεδομένων.","The science of Statistics is an integral part of sports. This field in combination with the development of technology and the increase of the collection rate of data enable the sports organizations to understand the factors that lead to individual and team success. Sports Analytics have changed the way athletes and managers look at sports, due to the fact that statistical models are used for decision making, creating and implementing new strategies. These statistical models improve significantly the performance of teams. In this Thesis we use supervised machine learning algorithms in order to identify the most important factors that affect the host team of a basketball game to reach victory. We use dataset that consist of 882 games of the European Championship basketball clubs (Euroleague) which are provided freely from Kaggle’s database (Euroleague, 2021). First, we present a theoretical overview of the classification methods that are chosen for this task. Specifically, we analyze the algorithms of Logistic Regression, Decision Trees, Random Forest and Support Vector Machine. Second, we create models, in R and R Studio, using of training data. At the same time, we implement procedures for finding and adjust the appropriate parameter values and we conclude to the best possible model for each algorithm. Finally, we evaluate the performance of the models using the various evaluation measures and we compare them in terms of their particular characteristics and their performance in the dataset."]},{"key":"dc:title","label":"Title","values":["Μοντελοποίηση και ανάλυση δεδομένων καλαθοσφαίρισης με μεθόδους μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["Πέρδικα Αγγελική","Perdika Aggeliki"],"dc:date":["2022"],"dc:description":["Η στατιστική είναι μια επιστήμη που αποτελεί αναπόσπαστο κομμάτι του αθλητισμού, η οποία σε συνδυασμό με την ανάπτυξη της τεχνολογίας και την αύξηση του ρυθμού συλλογής δεδομένων δίνουν την δυνατότητα στους αθλητικούς οργανισμούς να κατανοήσουν τους παράγοντες που οδηγούν στην ατομική και ομαδική επιτυχία. Η διαφοροποίηση που έχει επέλθει πλέον από τη χρήση της αναλυτικής αθλητικών στοιχείων, είναι ότι χρησιμοποιούνται μοντέλα τα οποία διαδραματίζουν σημαντικό ρόλο στη λήψη αποφάσεων, στη δημιουργία και εφαρμογή νέων στρατηγικών που βελτιώνουν σημαντικά την απόδοση των ομάδων. Στην παρούσα μελέτη χρησιμοποιούμε αλγόριθμους εποπτευόμενης μηχανικής μάθησης προκειμένου να εντοπίσουμε τους σημαντικότερους παράγοντες που επηρεάζουν τη γηπεδούχο ομάδα ενός αγώνα καλαθοσφαίρισης να φτάσει στη νίκη. Το σύνολο δεδομένων που χρησιμοποιούμε για αυτόν το σκοπό, αποτελείται από 882 αγώνες του Ευρωπαϊκού πρωταθλήματος συλλόγων καλαθοσφαίρισης και το αντλήσαμε από το αποθετήριο της Kaggle (Euroleague, 2021). Αρχικά, πραγματοποιούμε μια θεωρητική επισκόπηση των μεθόδων ταξινόμησης που επιλέχτηκαν για αυτήν την εργασία και συγκεκριμένα, αναλύουμε τους αλγόριθμους Logistic Regression, Decision Trees, Random Forest και Support Vector Machine. Στη συνέχεια, χρησιμοποιώντας το περιβάλλον της R και R Studio, δημιουργούμε υποδείγματα με τη χρήση των δεδομένων εκπαίδευσης, ενώ παράλληλα υλοποιούμε διαδικασίες για την εύρεση και ρύθμιση των κατάλληλων τιμών των παραμέτρων και καταλήγουμε στο καλύτερο δυνατό μοντέλο για καθένα αλγόριθμο. Τέλος, αξιολογούμε την απόδοση των μοντέλων χρησιμοποιώντας τα διάφορα μέτρα αξιολόγησης και επιχειρούμε τη σύγκρισή τους όσον αφορά τα ιδιαίτερα χαρακτηριστικά τους και την απόδοσή τους στο συγκεκριμένο σύνολο δεδομένων.","The science of Statistics is an integral part of sports. This field in combination with the development of technology and the increase of the collection rate of data enable the sports organizations to understand the factors that lead to individual and team success. Sports Analytics have changed the way athletes and managers look at sports, due to the fact that statistical models are used for decision making, creating and implementing new strategies. These statistical models improve significantly the performance of teams. In this Thesis we use supervised machine learning algorithms in order to identify the most important factors that affect the host team of a basketball game to reach victory. We use dataset that consist of 882 games of the European Championship basketball clubs (Euroleague) which are provided freely from Kaggle’s database (Euroleague, 2021). First, we present a theoretical overview of the classification methods that are chosen for this task. Specifically, we analyze the algorithms of Logistic Regression, Decision Trees, Random Forest and Support Vector Machine. Second, we create models, in R and R Studio, using of training data. At the same time, we implement procedures for finding and adjust the appropriate parameter values and we conclude to the best possible model for each algorithm. Finally, we evaluate the performance of the models using the various evaluation measures and we compare them in terms of their particular characteristics and their performance in the dataset."],"dc:identifier":["uoadl:3245094","https://pergamos.lib.uoa.gr/uoa/dl/object/3245094"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Μοντελοποίηση και ανάλυση δεδομένων καλαθοσφαίρισης με μεθόδους μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:20:07Z"}