Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Casanova, Dalcimar | - |
Autor(es): dc.contributor | Pola, Ives Renê Venturini | - |
Autor(es): dc.contributor | Casanova, Dalcimar | - |
Autor(es): dc.contributor | Pola, Ives Renê Venturini | - |
Autor(es): dc.contributor | Oliva, Jefferson Tales | - |
Autor(es): dc.contributor | Ribeiro, Matheus Henrique Dal Molin | - |
Autor(es): dc.creator | Diniz, Elioenai Markson Ferreira | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:45:52Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:45:52Z | - |
Data de envio: dc.date.issued | 2023-07-06 | - |
Data de envio: dc.date.issued | 2023-07-06 | - |
Data de envio: dc.date.issued | 2023-06-19 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/31680 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1101432 | - |
Descrição: dc.description | Historically, it can be seen that it is undeniable that making the right decisions, or the best possible ones, with the resources available at the time, will always yield good results as a return. One area where this is crucial is in sports, which traditionally have a subjective bias. However, this has been changing in recent years thanks to efforts to apply quantitative methods and the evident results they bring. Among the existing problems, there is one that stands out as unsolved, which is the optimization in team composition. That is, forming a group that, when combined, possesses good synergy to generate positive outcomes as a product. This work specifically aims to seek a solution to this problem. To do so, a robust mechanism was employed that utilizes technologies within the field of Artificial Intelligence, leveraging a vast dataset from the NBA. The mechanism utilizes Graph Neural Networks to process the data and generate a vector representation that makes the problem representable. In order to achieve this, vectors of representation are extracted and used in a Results Simulator, which emulates a gaming environment between different teams and extracts the outcomes using a function designed for this purpose. Due to the number of simulations, they will be contained within the framework of the Law of Large Numbers, which, in a sense, makes this process analogous to a Monte Carlo Method. Thus, at the end of the process, the obtained response takes the form of a numerical approximation corresponding to various scenarios that could have unfolded. With this information at hand, several metrics were used to evaluate the similarity between distributions, which are already known in the literature, and clearly and objectively confirmed that the simulator achieved good adherence to reality. | - |
Descrição: dc.description | Historicamente, pode-se ver que é inegável que tomar as decisões corretas, ou as melhores possíveis, com os recursos disponíveis no momento sempre trará bons resultados como retorno. Uma área onde isso é crucial são os esportes, que embora tradicionalmente tenham um viés subjetivo. O que vêm mudando nos últimos anos graças aos esforços para se aplicar, e aos evidentes resultados, dos métodos quantitativos. Dentre os problemas existentes, destaca-se um ainda sem solução que seria a otimização na composição de uma equipe. Isto é, constituir um grupo que combinados possuam uma boa sinergia para gerar como produto bons resultados. Este trabalho se empenha justamente em buscar uma solução para o mesmo. Para tal se fez uso de um robusto mecanismo que se usa de tecnologias dentro do campo da Inteligência Artificial, sobre um vasto histórico de dados da NBA. O mecanismo faz uso de Redes Neurais de Grafos para processar os dados, e assim gerar uma dimensão vetorial que torne o problema representável. Afim de o mesmo, ser usado para extração de vetores de representação que serão usados em um Simulador de Resultados, que irá emular um ambiente de jogos entre diferentes times e extrair os resultados, usando para isso uma função modelada para esse fim. Pela quantidade dessas simulações, as mesmas estarão contidas dentro da estrutura da Lei dos Grandes Números, o que em certo modo faz com que esse processo ser análogo a um Método de Monte Carlo. Assim ao final do processo, a resposta obtida na forma de uma aproximação numérica, correspondendo aos vários cenários que poderiam ter vindo a se desenrolar. Tendo isso em mãos, foram utilizadas algumas métricas para se avaliar a semelhança entre distribuições, as quais já são conhecidas na literatura, e atestaram de forma clara e objetiva que o simulador obteve uma boa aderência na realidade. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Pato Branco | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Departamento Acadêmico de Informática | - |
Publicador: dc.publisher | Engenharia de Computação | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
Palavras-chave: dc.subject | Otimização matemática | - |
Palavras-chave: dc.subject | Basquetebol | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Métodos de simulação | - |
Palavras-chave: dc.subject | Modelos matemáticos | - |
Palavras-chave: dc.subject | Mathematical optimization | - |
Palavras-chave: dc.subject | Basketball | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Simulation methods | - |
Palavras-chave: dc.subject | Mathematical models | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Título: dc.title | Diamond Hoop: uma abordagem para otimização na composição de equipes no basquetebol com o uso de inteligência artificial sobre estatísticas pregressas | - |
Título: dc.title | Diamond Hoop: an approach to optimization at basketball team composition using artificial intelligence over previous statistics | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: