but.committee	doc. Ing. František Zbořil, Ph.D. (předseda) doc. Ing. Lukáš Burget, Ph.D. (místopředseda) doc. Ing. Vladimír Drábek, CSc. (člen) Ing. Matěj Grégr, Ph.D. (člen) Dr. Ing. Petr Peringer (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: V čem vidíte hlavní přínos vaší práce v porovnání s existujícími řešeními? Je vámi dosažená přesnost predikce dostatečná? Jakým způsobem lze vaši aplikaci v praxi využít? Jakého typů jsou data které používáte pro predikci? Jaký časový úsek neuronová sít používá?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hynek, Jiří	en
dc.contributor.author	Drankou, Aliaksandr	en
dc.contributor.referee	Bartík, Vladimír	en
dc.date.created	2020	cs
dc.description.abstract	Tato práce se zabývá problematikou predikce výsledků fotbalových zápasů v reálném čase. Skládá se z několika kroků, včetně získání vhodného souboru dat a trénování predikčního modelu. Predikční model je reprezentován dvěma typy neuronových sítí: dopředné a rekurentní, která je představená LSTM. Různé kombinace vstupních parametrů jsou testovány pro dosažení nejlepšího výkonu modelů, včetně dostupných sázkových kurzů. Oba modely dosáhly klasifikační přesnosti přibližně 67,5%, kde dopředná neuronová síť začíná od přesnosti 54% na začátku zápasu a dosahuje přesnosti 93,54% na konci zápasu. Kromě široce používaných metrik, jako je kategorická přesnost, každý model je vyhodnocován v simulovaném sázkovém prostředí.Experimenty v rámci hodnocení sázek ukázaly, že LSTM nemůže konkurovat dopředným neuronovým sítím, jelikož v každém sázkovém běhu skončila LSTM s bilancí nižší než o 90%. Dopředná neuronová síť však dosáhla návratnosti investic ve výši 0,39% při provádění simulace sázení s jednou z testovacích konfigurací. Výsledkem je, že neuronové sítě, zejména dopředné, se ukázaly jako docela úspěšné řešení, pokud jde o předpovídání výsledků fotbalových zápasů v reálném čase. Navíc, dopředná neuronová síť může posloužit jako základ pro úspěšnou strategii sázení.	en
dc.description.abstract	This thesis studies the problem of real-time football matches results prediction. It consists of several steps, including the acquisition of suitable dataset and training of the prediction model. The prediction model is represented by two types of neural networks: feedforward and LSTM recurrent neural network. Different combinations of input features are tested to achieve the best performing model. Both models achieved a classification accuracy of about 67.5%, where feedforward network accuracy starts from 54% at the beginning of the match and achieve 93.54% by the end of the match. In addition to widely-used metrics such as categorical accuracy and log-loss, each model is evaluated in the simulated betting environment.Experiments within betting evaluation have shown that LSTM can't compete with feedforward network, as in each betting run LSTM network ended up with a balance, dropped by more than 90%. However, the feedforward network achieved an ROI (return on investment) of 0.39% in a betting simulation run with one of the configurations. As a result, a neural network approach, especially the feedforward network, has proved to be quite successful in terms of predicting real-time football matches results. Moreover it allowed to build a profitable betting strategy upon it.	cs
dc.description.mark	C	cs
dc.identifier.citation	DRANKOU, A. Predikce výsledků fotbalových zápasů v reálném čase [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129862	cs
dc.identifier.uri	http://hdl.handle.net/11012/194941
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Strojové učení	en
dc.subject	umělá neuronová síť	en
dc.subject	hluboké učení	en
dc.subject	sportovní předpovědi	en
dc.subject	fotbal	en
dc.subject	sázení	en
dc.subject	LSTM	en
dc.subject	Machine learning	cs
dc.subject	artificial neural network	cs
dc.subject	deep learning	cs
dc.subject	sports predictions	cs
dc.subject	football	cs
dc.subject	betting	cs
dc.subject	LSTM	cs
dc.title	Predikce výsledků fotbalových zápasů v reálném čase	en
dc.title.alternative	Real-Time Prediction of Football Matches Results	cs
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2020-08-25	cs
dcterms.modified	2020-08-27-21:21:47	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129862	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:32:59	en
sync.item.modts	2025.01.17 10:18:42	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav informačních systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Predikce výsledků fotbalových zápasů v reálném čase

Files

Original bundle

Collections