Um modelo global de ranqueamento para jogadores da NBA usando aprendizado de máquina e algoritmos em python

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRosa, Romulo Rios-
Autor(es): dc.contributorVianna, Dalessandro Soares-
Autor(es): dc.contributorVianna, Marcilene de Fátima Dianin-
Autor(es): dc.contributorMarques, Eduardo-
Autor(es): dc.creatorFerreira Junior, Orlando Nascimento-
Data de aceite: dc.date.accessioned2025-08-21T20:11:49Z-
Data de disponibilização: dc.date.available2025-08-21T20:11:49Z-
Data de envio: dc.date.issued2025-07-18-
Data de envio: dc.date.issued2025-07-18-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/39318-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1056376-
Descrição: dc.descriptionEste trabalho desenvolve um modelo de ranqueamento para jogadores de basquete utilizando técnicas de aprendizado de máquina e algoritmos em Python, com foco na criação de uma medida de ranqueamento denominada Medida Alinhada aos Finalistas (AF). O objetivo é ordenar os jogadores de modo que nenhum finalista, ou seja, os jogadores selecionados para o All-NBA do ano, seja mal ranqueado, as primeiras posições sejam dominadas por esses finalistas, e o MVP seja geralmente ranqueado em primeiro lugar. Para isso, foram utilizados dados da NBA ao longo de 35 temporadas, nos quais estatísticas avançadas como BPM, VORP e PER foram combinadas para criar novas métricas. Essas métricas foram testadas em temporadas adicionais e comparadas com os modelos existentes, a fim de avaliar sua eficácia em produzir ranqueamentos alinhados aos finalistas. Os resultados indicam que as melhores combinações lineares conseguem alinhar os ranqueamentos com os finalistas de forma eficaz, contribuindo para a análise esportiva e a compreensão do desempenho dos jogadores-
Descrição: dc.descriptionThis work develops a ranking model for basketball players using machine learning techniques and Python algorithms, with a focus on creating a ranking measure called the Finalist-Aligned Measure (AF). The goal is to rank players so that no finalist, i.e., players selected for the All-NBA team of the year, is poorly ranked, the top positions are dominated by these finalists, and the MVP is generally ranked first. To achieve this, NBA data from 35 seasons were used, in which advanced statistics such as BPM, VORP, and PER were combined to create new metrics. These metrics were tested in additional seasons and compared with existing models to assess their effectiveness in producing rankings aligned with the finalists. The results indicate that the best linear combinations successfully align the rankings with the finalists, contributing to sports analysis and the understanding of player performance-
Descrição: dc.description53-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectRanqueamento-
Palavras-chave: dc.subjectAprendizado de Máquina-
Palavras-chave: dc.subjectEstatísticas-
Palavras-chave: dc.subjectAnálise Esportiva-
Palavras-chave: dc.subjectNBA-
Palavras-chave: dc.subjectRanking-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectStatistics-
Palavras-chave: dc.subjectSports Analysis-
Título: dc.titleUm modelo global de ranqueamento para jogadores da NBA usando aprendizado de máquina e algoritmos em python-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.