Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Data Analytics and Optimisation for Assessing a Ride Sharing System Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Automatically Discovering Offensive Patterns in Soccer Match Data

verfasst von : Jan Van Haaren, Vladimir Dzyuba, Siebe Hannosset, Jesse Davis

Erschienen in: Advances in Intelligent Data Analysis XIV

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In recent years, many professional sports clubs have adopted camera-based tracking technology that captures the location of both the players and the ball at a high frequency. Nevertheless, the valuable information that is hidden in these performance data is rarely used in their decision-making process. What is missing are the computational methods to analyze these data in great depth. This paper addresses the task of automatically discovering patterns in offensive strategies in professional soccer matches. To address this task, we propose an inductive logic programming approach that can easily deal with the relational structure of the data. An experimental study shows the utility of our approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Bayesian Approach for Identifying Multivariate Differences Between Groups
Nächstes Kapitel Fast Algorithm Selection Using Learning Curves
Fußnoten
1
By cover, we mean that a clause, in combination with BK, can be used to derive that the target predicate T is true for a given example.
 
Literatur
1.
Bialkowski, A., Lucey, P., Carr, P., Yue, Y., Sridharan, S., Matthews, I.: Identifying team style in soccer using formations learned from spatiotemporal tracking data. In: Proceedings of the Workshop on Spatial and Spatio-Temporal Data Mining, pp. 9–14 (2014)
2.
Cestnik, B.: Estimating probabilities: a crucial task in machine learning. In: Proceedings of the 9th European Conference on Artificial Intelligence, vol. 90, pp. 147–149 (1990)
3.
Džeroski, S., Lavrač, N.: An introduction to inductive logic programming. In: Džeroski, S., Lavrač, N. (eds.) Relational Data Mining, pp. 48–73. Springer, Heidelberg (2001)CrossRef
4.
5.
Herrera, F., Carmona, C., González, P., del Jesus, M.: An overview on subgroup discovery: foundations and applications. Knowl. Inf. Syst. 29(3), 495–525 (2011)CrossRef
6.
Knauf, K., Brefeld, U.: Spatio-temporal convolution kernels for clustering trajectories. In: Proceedings of the Workshop on Large-Scale Sports Analytics (2014)
7.
Knobbe, A.J.: Multi-Relational Data Mining. Ph.D. thesis, Utrecht University (2004)
8.
Kralj Novak, P., Lavrač, N., Webb, G.: Supervised descriptive rule discovery: a unifying survey of contrast set, emerging pattern and subgroup mining. J. Mach. Learn. Res. 10, 377–403 (2009)MATH
9.
Lavrač, N., Džeroski, S., Bratko, I.: Handling imperfect data in inductive logic programming. Adv. Inductive Log. Program. 32, 48–64 (1996)
10.
Lavrač, N., Cestnik, B., Gamberger, D., Flach, P.: Decision support through subgroup discovery: three case studies and the lessons learned. Mach. Learn. 57(1–2), 115–143 (2004)CrossRefMATH
11.
Lewis, M.: Moneyball: The Art of Winning an Unfair Game. W. W. Norton & Company, New York (2004)
12.
Lucey, P., Oliver, D., Carr, P., Roth, J., Matthews, I.: Assessing team strategy using spatiotemporal data. In: Proceedings of the 19th International Conference on Knowledge Discovery and Data Mining, pp. 1366–1374 (2013)
13.
14.
Mutschler, C., Ziekow, H., Jerzak, Z.: The DEBS 2013 grand challenge. In: Proceedings of the 7th International Conference on Distributed Event-based Systems, pp. 289–294 (2013)
15.
Op De Beéck, T., Hommersom, A., Van Haaren, J., van der Heijden, M., Davis, J., Lucas, P., Overbeek, L., Nagtegaal, I.: Mining hierarchical pathology data using inductive logic programming. In: Holmes, J.H., Bellazzi, R., Sacchi, L., Peek, N. (eds.) AIME 2015. LNCS, vol. 9105, pp. 76–85. Springer, Heidelberg (2015) CrossRef
16.
17.
18.
19.
Srinivasan, A.: The Aleph Manual. Machine Learning at the Computing Laboratory. Oxford University, Oxford (2001)
20.
21.
Vavpetič, A., Lavrač, N.: Semantic subgroup discovery systems and workflows in the SDM-toolkit. Comput. J. 56(3), 304–320 (2013)CrossRef
22.
Wrobel, S.: An algorithm for multi-relational discovery of subgroups. In: Komorowski, J., Zytkow, J. (eds.) PKDD 1997. LNCS, vol. 1263, pp. 78–87. Springer, Heidelberg (1997) CrossRef
Metadaten
Titel
Automatically Discovering Offensive Patterns in Soccer Match Data
verfasst von
Jan Van Haaren
Vladimir Dzyuba
Siebe Hannosset
Jesse Davis
Copyright-Jahr
2015
Buch
Advances in Intelligent Data Analysis XIV

Print ISBN: 978-3-319-24464-8

Electronic ISBN: 978-3-319-24465-5

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-24465-5_25