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

Chapitre 7. LeDeep Learning au service de l'analyse du football : De l'intuition à la mise en œuvre

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Jusqu’à présent, dans ce livre, on a surtout travaillé avec des modèles qui reposent sur des caractéristiques soigneusement choisies et des relations relativement directes entre les entrées et les sorties. C’est un excellent point de départ. Ça t’apprend la rigueur, l’interprétabilité et la logique de la construction de modèles étape par étape. Mais ça a aussi ses limites.

Le football ne se présente pas toujours sous la forme de quelques colonnes bien ordonnées. Son signal est souvent fragmenté entre de nombreuses variables qui interagissent : les déplacements des joueurs, l’état du match, la structure tactique, la dynamique, la fatigue et les subtiles boucles de rétroaction qui émergent au cours d’un match. Ce qui compte, ce n’est pas toujours une seule statistique, ni même un ensemble de statistiques, mais la façon dont de nombreux éléments s’assemblent. Et dans bien des cas, la représentation la plus utile de cette structure n’est pas évidente d’emblée.

C’est là que l’ du Deep Learning devient incontournable. Le Deep Learning s’appuie sur les réseaux neuronaux: des modèles flexibles capables d’ apprendre des représentations en couches à partir des données plutôt que de se fier uniquement à des règles définies manuellement ou à de simples relations ...