book

Analyse du football avec l'apprentissage automatique (French Edition)

Name: Analyse du football avec l'apprentissage automatique (French Edition)
ISBN: 0642572406264

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

June 2026

Beginner

344 pages

9h 45m

French

O'Reilly Media, Inc.

Read now

Unlock full access

Préface
À qui s'adresse ce livrePourquoi on a écrit ce livreComment naviguer dans ce livreConventions utilisées dans ce livreUtilisation des exemples de codeO’Reilly Online LearningComment nous contacterRemerciements
1. Le paysage de l'analyse du football
Les problèmes que l'analyse du football aide à résoudreClubs de foot : prendre des décisions à tous les niveaux de l'organisationMarchés des paris : modéliser l'incertitude et évaluer les résultatsSupporters et analystes : lire le match au-delà du scoreL'évolution du football guidée par les donnéesDes résultats au processus : les limites de l'analyse traditionnelleLa révolution des données : des journaux d'événements aux systèmes de suiviL'analyse en pratique : indicateurs, applications et portéePourquoi le football résiste à une analyse simplisteUn cadre pour l'analyse du footballLes trois types d'analyseSources de données pour l'analyse moderneDu joueur à la ligue : niveaux d'agrégationLes principes qui sous-tendent toutAperçu : visite guidée du livreConclusion
2. Les bases de Python : Construire ta boîte à outils d'analyse
Python : le langage à la base de l'analyse moderneTon espace de travail analytique : configuration de l'environnementInstallation : préparer PythonEnvironnements virtuels : isoler tes projetsJupyter Notebook : créer un espace de travail pour l'analyse interactive et plus encoreRéférentiels : stocker tes fichiers de projetLes bases de Python : les commandes essentiellesTypes de données primitifs : représenter les informations de baseOpérations de base : travailler avec des valeurs et des comparaisonsAffectation de variables : stocker et réutiliser des informationsStructures de données : organiser les informationsInstructions conditionnelles : écrire des règles de décisionBoucles : répéter efficacement des calculsCompréhensions de listes : effectuer des itérations compactes et « pythoniques »Fonctions : fournir une logique réutilisable pour l'analysePerspectives d'avenir : des bases de Python à l'analyse concrèteConclusion
3. Analyse exploratoire des données dans le football
Comprendre les niveaux de données du footballDonnées au niveau des matchsDonnées au niveau des joueursDonnées au niveau des événementsQu'est-ce que l'EDA dans l'analyse du football ?Chargement des données de football StatsBombRécupération des donnéesChargement des donnéesPremier aperçu des donnéesAnalyse exploratoire structurée par type de donnéesCaractéristiques numériques : le jeu quantifiableCaractéristiques catégorielles : les aspects qualitatifsCaractéristiques ordinales : les catégories ordonnéesExploration préliminaire : prendre ses repèresCréation de DataFrames pour le tournoiCompter la fréquence des types d'événementsFiltrage : passes par joueur ou par équipeRegroupement : résumés des passes par matchAgrégation : tirs, buts et xG par équipeNettoyage de base des données sur le footballGestion des valeurs manquantesNormalisation des nomsVisualisation des données sur le footballUne petite note sur Matplotlib et SeabornDiagrammes à barres et classementsHistogrammes et distributionsDiagrammes en boîte et variabilitéSéries chronologiques et graphiques cumulatifsNuages de points : nombre de tirs par rapport aux butsVisualisations spécifiques au football avec mplsoccerCartes thermiques des emplacements de passesVisualisations avancées du terrain : réseaux de passesVisualisations de base du terrainVisualisations avancées par carte thermiqueÉtude de cas : l'équipe féminine du Japon à la Coupe du monde 2019Aperçu au niveau de l'équipeDéroulement du matchModèles spatiauxInformations au niveau des joueursRésumé de l'étude de casDe l'EDA au machine learningLes fonctionnalités comme éléments constitutifsLe pipeline standardPerspectives d'avenir : de l'exploration à la régressionConclusion
4. Techniques de régression pour l'analyse du football
Des lignes sur le terrain aux lignes de meilleur ajustement : régression linéairePrédire la valeur marchande : la valeur d'un joueurConstruire le modèle : la droite de meilleur ajustementVisualisation du modèleÉvaluation des performances : notre modèle est-il efficace ?Compter les buts : régression de PoissonPrédire les buts d'un matchVisualisation du modèle de PoissonTrouver des joueurs similaires : régression des K plus prochesPrédire la valeur d'un joueur avec KNNChoisir le bon kÉvaluation et interprétation des modèles de régression dans le contexte du footballUtilisation des indicateurs de performance clésComprendre l'importance d'un ensemble de validationInterpréter les coefficientsVisualiser le KNN : les frontières de décisionComparer les modèlesSujets avancés en régression de Poisson : surdispersion et inflation du zéroSurdispersion : quand la variance dépasse la moyenneRégression binomiale négativeInflation des zéros : trop de zérosModèles à seuil : une autre approcheDiagnostic des modèles : s'assurer que ton modèle est solideAnalyse des résidus : à la recherche de tendancesTests d'adéquationObservations influentes : les valeurs aberrantes qui comptentSélection du modèle : choisir le meilleur modèleÉtude de cas pratique : prédire les résultats des matchsGénération de l'ensemble de donnéesRéalisation d'une analyse exploratoireConstruire et comparer des modèlesÉvaluation sur les données de testInterprétation des résultatsIngénierie des caractéristiques pour de meilleures prédictionsCaractéristiques d'interactionCaractéristiques polynomialesCaractéristiques catégoriellesCaractéristiques décaléesCaractéristiques spécifiques au domainePièges courants et conseils pratiquesPiège n° 1 : surapprentissage sur les données d'entraînementPiège n° 2 : ignorer la multicolinéaritéPiège n° 3 : Utiliser un modèle inadapté aux donnéesPiège n° 4 : Négliger la qualité des donnéesConseil n° 1 : commence par quelque chose de simple, puis ajoute de la complexitéConseil n° 2 : visualise, visualise, visualiseConseil n° 3 : documente ton processusConseil n° 4 : Valide avec des experts du domainePerspectives d'avenir : quand la régression rencontre le monde réelDe la régression à la classificationMéthodes d'ensemble : combiner les modèlesDeep Learning : la nouvelle frontièreSéries chronologiques et données séquentiellesInférence causale : au-delà de la prédictionLe facteur humainConclusion
5. Prédire les résultats du football à l'aide de la classification
Du tirage au sort à la prédiction des buts : Comprendre la classificationRégression logistique : ton premier classificateurL'intuition : des chiffres aux probabilitésPratique : construire un modèle de buts attendusMesurer le succès : tes prédictions sont-elles fiables ?La matrice de confusion : un bulletin de notes pour ton modèlePrécision et rappel : les deux facettes de la performanceLa courbe ROC : une vue d'ensemble de la performanceÉvaluation des modèles probabilistes à l'aide de fonctions de coûtAu-delà du binaire : la classification multiclassesK-voisins les plus proches : trouver des situations similairesL'intuition : qui se ressemble s'assemblePratique : le KNN pour la prédiction des tirsChoisir le bon KÉtude de cas : créer un prédicteur de résultats parfaitÉtape 1 : Définir le problèmeÉtape 2 : Collecte et préparation des donnéesÉtape 3 : Entraîner et évaluer le modèleÉtape 4 : Interpréter les résultatsPrincipaux enseignements tirés de l'étude de casConseils pratiques et pièges courantsGérer les données déséquilibréesSélection et ingénierie des caractéristiquesÉviter le surapprentissageChoisir quand utiliser quel algorithmeAjuster le seuil de décision : trouver le juste milieuComprendre le compromis lié au seuilTrouver le seuil optimalDécider quand ajuster le seuilComparer les modèles : quel classificateur est le meilleur ?Le cadre de comparaison des modèlesPratique : comparaison de modèles pour xGVisualisation des performances du modèleSujets avancés : aller plus loinMise à l'échelle et normalisation des caractéristiquesGestion des données manquantesCombiner les classificateurs avec des méthodes d'ensembleConsidérations pratiquesQualité et disponibilité des donnéesMaintenance et mises à jour du modèleConsidérations éthiquesPerspectives d'avenir : des frontières linéaires aux arbres de décisionConclusion
6. Méthodes de classification avancées
L'arbre de classification : l'organigramme décisionnel du footballL'intuition : apprendre les règles « si-alors » du footballPratique : construire un arbre pour prédire le résultat d'une passeInterpréter les données sur le footballComprendre les avantages et les inconvénients : quand utiliser un seul arbreRégler l'arbre : éviter le surapprentissageForêt aléatoire : la sagesse de la fouleL'intuition : l'apprentissage par ensemblePratique : Construire une forêt aléatoire pour prédire le résultat d'un matchInterpréter l'importance des caractéristiquesRéglage des forêts aléatoiresUtilisation de l'erreur « out-of-bag »Comprendre quand les forêts aléatoires rencontrent des difficultésXGBoost : apprendre de ses erreursL'intuition : l'apprentissage séquentielPratique : XGBoost pour la prédiction xGRéaliser une analyse SHAP : expliquer le modèle opaqueRéglage de XGBoost : l'art de l'optimisation des hyperparamètresSavoir quand utiliser XGBoost plutôt que les forêts aléatoiresApplications pratiques : de la théorie à la pratiqueExemple 1 : Construire un modèle xG completExemple 2 : prédire les actions des joueursExemple 3 : Reconnaître les schémas tactiquesGérer les données déséquilibrées dans le footballUtilisation de l'ingénierie des caractéristiques pour les modèles basés sur des arbresPerspectives d'avenir : des règles définies manuellement aux représentations apprisesConclusion
7. Deep Learning pour l'analyse du football : de l'intuition à la mise en œuvre
Pourquoi le Deep Learning pour le football ? Au-delà des modèles traditionnelsRegard à l'intérieur du modèle : comment les réseaux neuronaux capturent les schémasApprendre à partir des données : apprentissage, perte et optimisationConstruire ton premier modèle de prédiction footballistique avec PyTorchRésultats binaires : l'équipe à domicile va-t-elle gagner ?Résultats des matchs : victoire, match nul ou défaitePrédiction des buts : modélisation du nombre de buts marquésSimulation complète du match : des buts aux résultatsUn autre point de vue : implémenter le modèle dans TensorFlowRésultats binaires : l'équipe qui joue à domicile va-t-elle gagner ?Résultats du match : victoire, match nul ou défaitePrédiction des buts : modélisation du nombre de buts marquésSimulation complète du match : des buts aux résultatsPerspectives d'avenir : des modèles flexibles aux entrées plus intelligentesConclusion
8. Ingénierie des caractéristiques pour l'analyse du football
Ingénierie des caractéristiques : des données brutes aux signaux prédictifsCaractéristiques de performance : les fondamentauxButs marqués et buts encaissés : mesurer la performance offensiveRépartition par lieu : prendre en compte les matchs à domicile et à l'extérieurQualité des tirs : évaluer la création d'occasionsCaractéristiques tactiques : décrire la manière dont les équipes jouentPasses et possession : mesurer le contrôle du ballonTacles, interceptions et récupérations : suivre les actions défensivesIntensité du pressing : exercer une pression défensiveCoups de pied arrêtés : analyser les situations de balles arrêtéesCaractéristiques contextuelles : intégrer les conditions du matchRepos et calendrier : modélisation de la fatigue et de l'encombrementForme et dynamique : capturer les tendances récentes en matière de performancesCaractéristiques de classement et algorithmes de classement avancés : estimer la force des équipesLa matrice de Colley : une approche algébrique linéairePageRank : une perspective basée sur les réseauxClassement Elo : un système de classement dynamiqueComparaison des méthodes : forces et compromisCaractéristiques au niveau des joueursPipeline d'ingénierie des caractéristiques : des données aux entrées du modèleÉtude de cas : prédire la finale de la Coupe du monde féminine 2019Perspectives d'avenir : de meilleures données d'entrée pour des décisions plus difficilesConclusion
9. L'art et la science des paris sur le football
Les bases des paris sur le footballTypes de paris sur le footballCotesOpportunités d'arbitrageL'ensemble de données réel utilisé dans ce chapitreChoisir une équipeChoisis toujours l'équipe qui joue à domicileChoisis toujours les cotes les plus bassesUtilise un modèle de base simple d'apprentissage automatiqueStratégies de parisParis à mise fixeCritère de KellyDes pronostics aux gains potentielsLa réalité de la rentabilitéConsidérations pratiquesL'importance de la disciplineLe rôle de la technologieConsidérations éthiquesPerspectives d'avenir : s'appuyer sur les fondamentauxConclusion

10. Quelle est la prochaine étape pour l'analyse du football ?
De quoi parlait vraiment ce livreDes questions aux donnéesLa préparation des données fait partie de l'analyseL'exploration avant la prédictionC'est dans l'ingénierie des caractéristiques que la connaissance du domaine entre en jeuLes modèles viennent appuyer le jugement, ils ne le remplacent pasLa prochaine étape de l'analyse du footballDes ensembles de données statiques aux pipelines de données dynamiquesDes modèles au niveau de l'équipe aux modèles au niveau des joueurs et des compositionsDes données plus riches : suivi, vidéo et analyse multimodaleDes orientations de modélisation plus solidesDes carnets de notes aux produits analytiquesL'IA et les grands modèles linguistiques dans le processus d'analyseDéfis et limitesQualité et accès aux donnéesInterprétabilité et confianceL'incertitude ne disparaîtra pasÉthique, confidentialité et utilisation responsableAu-delà du footballUne feuille de route pratique après ce livreRéflexions finales
Annexe. Références et lectures complémentaires
Lectures complémentaires par thèmeStatistiques fondamentales et régressionMéthodes statistiques avancéesApprentissage automatique et Deep LearningAnalyse sportiveAnalyse spécifique au footballParis sportifs et analyse commercialeRéférences
Glossaire
Index
À propos des auteurs

Overview

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

Tu as du mal à saisir les concepts de l'apprentissage automatique ou tu ne sais pas trop comment les mettre en pratique ? Ce livre a pour but de t'aider en s'appuyant sur le sport le plus populaire au monde — le football — pour t'expliquer les concepts clés de la modélisation prédictive et de la science des données. Tu acquerras des bases solides en apprentissage automatique grâce à des exemples captivants qui font le lien entre les principes théoriques et les applications pratiques.

Rédigé par des experts en apprentissage automatique et en analyse sportive, ce guide pratique axé sur Python présente les techniques fondamentales de la science des données à l’aide de données réelles issues du football. Idéal pour les étudiants, les analystes et les fans de football, il propose des instructions sur des modèles et des techniques tels que la régression logistique, les forêts aléatoires, le Deep Learning, les simulations et l’ingénierie des caractéristiques. Mais au lieu de mémoriser des algorithmes, tu apprendras en construisant des modèles prédictifs pour analyser les résultats de matchs, tester des stratégies de paris, simuler des scénarios de match, et bien plus encore.

Comprends les concepts de l'apprentissage automatique en travaillant avec de vraies données sportives
Développe, affine et évalue des modèles d'apprentissage automatique en utilisant Python pour l'analyse de données
Réalise des analyses et des recherches approfondies sur les pronostics de matchs de football et les stratégies de paris pour dégager des informations précieuses
Applique les compétences acquises à des scénarios de modélisation prédictive dans d'autres secteurs

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

Mise en service et optimisation des LLM par la pratique (French Edition)

Publisher Resources

ISBN: 0642572406264

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills