book

Análisis de fútbol con aprendizaje automático (Spanish Edition)

Name: Análisis de fútbol con aprendizaje automático (Spanish Edition)
ISBN: 0642572406257

by Haipeng Gao, Ari Joury, Weining Shen, Guanyu Hu

June 2026

Intermediate

344 pages

9h 22m

Spanish

O'Reilly Media, Inc.

Read now

Unlock full access

Prefacio
A quién va dirigido este libroPor qué escribimos este libroCómo navegar por este libroConvenciones utilizadas en este libroCómo usar los ejemplos de códigoO’Reilly Online LearningCómo contactarnosAgradecimientos
1. El panorama del análisis de fútbol
Los problemas que la analítica del fútbol ayuda a resolverClubes de fútbol: toma de decisiones en toda la organizaciónMercados de apuestas: modelar la incertidumbre y fijar precios a los resultadosAficionados y analistas: interpretar el partido más allá del marcadorLa evolución basada en datos en el fútbolDe los resultados al proceso: los límites del análisis tradicionalLa revolución de los datos: de los registros de eventos a los sistemas de seguimientoLa analítica en la práctica: métricas, aplicaciones y alcancePor qué el fútbol se resiste a un análisis sencilloUn marco para el análisis del fútbolLos tres tipos de análisisFuentes de datos para el análisis modernoDel jugador a la liga: niveles de agregaciónPrincipios que lo abarcan todoUna mirada al futuro: recorrido guiado por el libroConclusión
2. Fundamentos de Python: Cómo crear tu kit de herramientas analíticas
Python: el lenguaje detrás del análisis modernoTu espacio de trabajo de análisis: configuración del entornoInstalación: Preparando PythonEntornos virtuales: aislar tus proyectosJupyter Notebook: Creación de un espacio de trabajo para el análisis interactivo y másRepositorios: cómo guardar los archivos de tu proyectoConceptos básicos de Python: los movimientos fundamentalesTipos de datos primitivos: Representación de información básicaOperaciones básicas: Trabajar con valores y comparacionesAsignación de variables: Almacenar y reutilizar informaciónEstructuras de datos: Organizar la informaciónSentencias condicionales: Escribir reglas de decisiónBucles: repetir cálculos de manera eficienteComprensiones de lista: realizar iteraciones compactas y al estilo PythonFunciones: Proporcionar lógica reutilizable para el análisisUna mirada al futuro: de los fundamentos de Python al análisis realConclusión
3. Análisis exploratorio de datos en el fútbol
Comprender los niveles de datos del fútbolDatos a nivel de partidoDatos a nivel de jugadorDatos a nivel de evento¿Qué es el EDA en el análisis de fútbol?Cargar datos de fútbol de StatsBombObtener los datosCargar los datosUn primer vistazo a los datosEDA estructurado por tipos de datosCaracterísticas numéricas: el juego cuantificableCaracterísticas categóricas: los aspectos cualitativosCaracterísticas ordinales: las categorías ordenadasExploración preliminar: orientarseCreación de marcos de datos del torneoContar la frecuencia de los tipos de eventosFiltrado: pases por jugador o equipoAgrupación: resúmenes de pases por partidoAgregación: tiros, goles y xG por equipoLimpieza básica de datos de fútbolManejo de valores faltantesEstandarización de nombresVisualización de datos de fútbolUna nota rápida sobre Matplotlib y SeabornGráficos de barras y clasificacionesHistogramas y distribucionesDiagramas de caja y variabilidadSeries temporales y gráficos acumulativosGráficos de dispersión: volumen de tiros frente a golesVisualizaciones específicas para el fútbol con mplsoccerMapas de calor de la ubicación de los pasesVisualizaciones avanzadas del campo: redes de pasesVisualizaciones básicas del campoVisualizaciones avanzadas de mapas de calorCaso práctico: la selección femenina de Japón en la Copa del Mundo de 2019Resumen a nivel de equipoFlujo del partidoPatrones espacialesInformación a nivel de jugadorResumen del caso prácticoDel análisis exploratorio de datos al aprendizaje automáticoLas funciones como bloques de construcciónEl proceso estándarMirando hacia el futuro: de la exploración a la regresiónConclusión
4. Técnicas de regresión para el análisis de datos en el fútbol
De las líneas del campo a las líneas de mejor ajuste: Regresión linealPredicción del valor de mercado: el valor de un jugadorCreación del modelo: la línea de mejor ajusteVisualización del modeloEvaluar el rendimiento: ¿qué tan bueno es nuestro modelo?Contar goles: regresión de PoissonPredicción de goles en un partidoVisualización del modelo de PoissonEncontrar jugadores similares: regresión de los K vecinos más cercanosPredicción del valor de los jugadores con KNNElegir el k adecuadoEvaluación e interpretación de modelos de regresión en el contexto del fútbolUso de métricas clave de rendimientoComprender la importancia de un conjunto de validaciónInterpretación de los coeficientesVisualización de KNN: límites de decisiónComparación de modelosTemas avanzados en la regresión de Poisson: Sobredispersión e inflación de cerosSobredispersión: cuando la varianza supera la mediaRegresión binomial negativaInflación de ceros: demasiados cerosModelos de barrera: un enfoque alternativoDiagnóstico de modelos: cómo asegurarte de que tu modelo sea sólidoAnálisis de residuos: en busca de patronesPruebas de bondad de ajusteObservaciones influyentes: valores atípicos que importanSelección de modelos: elegir el mejor modeloEstudio de caso práctico: predicción de resultados de partidosGeneración del conjunto de datosRealización del análisis exploratorioCreación y comparación de modelosEvaluar con datos de pruebaInterpretación de los resultadosIngeniería de características para mejores prediccionesCaracterísticas de interacciónCaracterísticas polinómicasCaracterísticas categóricasCaracterísticas con desfaseCaracterísticas específicas del dominioErrores comunes y consejos prácticosError 1: Sobreajuste a los datos de entrenamientoError 2: Ignorar la multicolinealidadError 3: Usar el modelo incorrecto para los datosError 4: Olvidarse de la calidad de los datosConsejo 1: Empieza por lo sencillo y luego añade complejidadConsejo 2: Visualiza, visualiza, visualizaConsejo 3: Documenta tu procesoConsejo 4: Valida con expertos en la materiaMirando hacia el futuro: donde la regresión se encuentra con el mundo realDe la regresión a la clasificaciónMétodos de ensamblaje: combinación de modelosDeep Learning: la fronteraSeries temporales y datos secuencialesInferencia causal: más allá de la predicciónEl factor humanoConclusión
5. Predicción de resultados futbolísticos mediante clasificación
De lanzar monedas a predecir goles: Entender la clasificaciónRegresión logística: tu primer clasificadorLa intuición: de los números a las probabilidadesPráctica: Creación de un modelo de goles esperadosMedir el éxito: ¿qué tan buenas son tus predicciones?La matriz de confusión: un boletín de calificaciones para tu modeloPrecisión y recuperación: las dos caras del rendimientoLa curva ROC: una visión completa del rendimientoEvaluación de modelos probabilísticos con funciones de costoMás allá de lo binario: clasificación multiclaseK-vecinos más cercanos: encontrar situaciones similaresLa intuición: Dios los cría y ellos se juntanPráctica: KNN para la predicción de tirosElegir el K adecuadoCaso práctico: Creación de un predictor de resultados de coincidencia completa Consejos prácticos y errores comunesPaso 1: Define el problemaPaso 2: Recopilar y preparar los datosPaso 3: Entrena y evalúa el modeloPaso 4: Interpretar los resultadosConclusiones clave del caso prácticoConsejos prácticos y errores comunesManejo de datos desequilibradosSelección y ingeniería de característicasCómo evitar el sobreajusteElegir cuándo usar cada algoritmoAjustar el umbral de decisión: encontrar el punto óptimoComprender la disyuntiva del umbralEncontrar el umbral óptimoDecidir cuándo ajustar el umbralComparación de modelos: ¿qué clasificador es el mejor?El marco de comparación de modelosPráctica: comparación de modelos para xGVisualización del rendimiento del modeloTemas avanzados: profundizandoEscalado y normalización de característicasManejo de datos faltantesCombinación de clasificadores con métodos de conjuntoConsideraciones del mundo realCalidad y disponibilidad de los datosMantenimiento y actualizaciones del modeloConsideraciones éticasMirando hacia el futuro: de los límites lineales a los árboles de decisiónConclusión
6. Métodos avanzados de clasificación
El árbol de clasificación: el diagrama de flujo de decisiones del fútbolLa intuición: aprender las reglas «si-entonces» del fútbolPráctica: Crear un árbol para predecir el resultado de un paseInterpretar la inteligencia del fútbolComprender las ventajas y desventajas: cuándo usar un solo árbolAjustar el árbol: evitar el sobreajusteBosque aleatorio: la sabiduría de la multitudLa intuición: el aprendizaje por conjuntosPráctica: Crear un bosque aleatorio para predecir el resultado de un partidoInterpretar la importancia de las característicasAjuste de los bosques aleatoriosUso del error «out-of-bag»Entender cuándo los bosques aleatorios tienen dificultadesXGBoost: aprender de los erroresLa intuición: el aprendizaje secuencialPráctica: XGBoost para la predicción de xGRealización del análisis SHAP: explicación del modelo opacoAjustar XGBoost: el arte de la optimización de hiperparámetrosSaber cuándo usar XGBoost frente a Random ForestAplicaciones prácticas: de la teoría a la prácticaEjemplo 1: Creación de un modelo xG completoEjemplo 2: Predicción de las acciones de los jugadoresEjemplo 3: Reconocer patrones tácticosManejo de datos desequilibrados en el fútbolUso de la ingeniería de características para modelos basados en árbolesMirando hacia el futuro: de las reglas creadas a mano a las representaciones aprendidasConclusión
7. Deep Learning para el análisis de fútbol: de la intuición a la implementación
¿Por qué usar Deep Learning en el fútbol? Más allá de los modelos tradicionalesUna mirada al interior del modelo: cómo las redes neuronales captan patronesAprender de los datos: entrenamiento, pérdida y optimizaciónCrea tu primer modelo de predicción futbolística con PyTorchResultados binarios: ¿ganará el equipo local?Resultados del partido: victoria, empate o derrotaPredicción de goles: modelar el resultado de los golesSimulación completa del partido: de los goles a los resultadosUna segunda perspectiva: implementar el modelo en TensorFlowResultados binarios: ¿Ganará el equipo local?Resultados del partido: victoria, empate o derrotaPredicción de goles: modelización de la puntuaciónSimulación completa del partido: de los goles a los resultadosMirando hacia el futuro: de los modelos flexibles a las entradas más inteligentesConclusión
8. Ingeniería de características para el análisis de fútbol
Ingeniería de características: de los datos brutos a las señales predictivasCaracterísticas de rendimiento: los fundamentosGoles a favor y en contra: cómo medir el rendimiento goleadorDiferencias según el lugar: considerando los partidos en casa frente a los de visitanteCalidad de los tiros: evaluar la creación de ocasionesCaracterísticas tácticas: cómo juegan los equiposPases y posesión: medir el control del balónEntradas, intercepciones y recuperaciones: seguimiento de las acciones defensivasIntensidad de la presión: cómo aplicar presión defensivaJugadas a balón parado: análisis de las situaciones de balón paradoCaracterísticas contextuales: incorporación de las condiciones del partidoDescanso y calendario: modelar la fatiga y la congestiónForma y racha: Capturar las tendencias recientes de rendimientoCaracterísticas de clasificación y algoritmos avanzados de clasificación: estimar la fuerza de los equiposLa matriz de Colley: un enfoque de álgebra linealPageRank: una perspectiva basada en redesClasificaciones Elo: un sistema de clasificación dinámicoUna comparación de métodos: fortalezas y compensacionesCaracterísticas a nivel de jugadorProceso de ingeniería de características: de los datos a las entradas del modeloCaso práctico: predicción de la final de la Copa Mundial Femenina de 2019Mirando hacia el futuro: de mejores entradas a decisiones más difícilesConclusión
9. El arte y la ciencia de las apuestas de fútbol
Conceptos básicos de las apuestas de fútbolTipos de apuestas de fútbolCuotasOportunidades de arbitrajeEl conjunto de datos real utilizado en este capítuloElegir un equipoElige siempre al equipo localElige siempre las cuotas más bajasUsa una base simple de aprendizaje automáticoEstrategias de apuestasApuestas con apuesta fijaCriterio de KellyDe las predicciones a las ganancias potencialesLa realidad de la rentabilidadConsideraciones prácticasLa importancia de la disciplinaEl papel de la tecnologíaConsideraciones éticasMirando hacia el futuro: construir sobre los fundamentosConclusión

10. ¿Qué sigue para el análisis de fútbol?
De qué trataba realmente este libroDe las preguntas a los datosLa preparación de datos es parte del análisisExploración antes de la predicciónLa ingeniería de características es donde entra el conocimiento del dominioLos modelos respaldan el juicio, no lo reemplazanLa siguiente etapa en el análisis del fútbolDe conjuntos de datos estáticos a flujos de datos dinámicosDe los modelos a nivel de equipo a los modelos a nivel de jugador y de alineaciónDatos más ricos: seguimiento, vídeo y análisis multimodalDirecciones de modelado más sólidasDe los cuadernos a los productos analíticosLa IA y los modelos de lenguaje a gran escala en el flujo de trabajo de análisisDesafíos y límitesCalidad y acceso a los datosInterpretabilidad y confianzaLa incertidumbre no va a desaparecerÉtica, privacidad y uso responsableMás allá del fútbolUna guía práctica tras leer este libroReflexiones finales
Apéndice. Referencias y lecturas recomendadas
Más lecturas por temaEstadística básica y regresiónMétodos estadísticos avanzadosAprendizaje automático y Deep LearningAnálisis deportivoAnálisis específico del fútbolApuestas deportivas y análisis empresarialReferencias citadas
Glosario
Índice
Acerca de los autores

Overview

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

¿Te cuesta entender los conceptos del aprendizaje automático o no sabes cómo aplicarlos en la vida real? Este libro pretende cambiar eso utilizando el deporte más popular del mundo —el fútbol— para explicar conceptos clave de la modelización predictiva y la ciencia de datos. Desarrollarás una base sólida en aprendizaje automático a través de ejemplos interesantes que conectan los principios académicos con las aplicaciones prácticas.

Escrito por expertos tanto en aprendizaje automático como en análisis deportivo, esta guía práctica centrada en Python presenta técnicas fundamentales de ciencia de datos utilizando datos reales del fútbol. Ideal tanto para estudiantes como para analistas y aficionados al fútbol, ofrece instrucciones sobre modelos y técnicas como la regresión logística, los bosques aleatorios, Deep Learning, las simulaciones y la ingeniería de características. Pero en lugar de memorizar algoritmos, aprenderás creando modelos predictivos para analizar resultados de partidos, probar estrategias de apuestas, ejecutar escenarios de juego simulados y mucho más.

Comprende los conceptos del aprendizaje automático trabajando con datos deportivos reales
Desarrolla, perfecciona y evalúa modelos de aprendizaje automático utilizando Python para el análisis de datos
Realiza análisis detallados e investigaciones sobre predicciones de partidos de fútbol y estrategias de apuestas para obtener información valiosa
Aplica las habilidades que aprendas a escenarios de modelado predictivo en otras industrias

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Una guía ilustrada de los agentes de IA (Spanish Edition)

Publisher Resources

ISBN: 0642572406257

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills