Reorganización de las conferencias de fútbol universitario – node2vec
Reorganización conferencias fútbol universitario - node2vec
Has llegado a la parte final de este blog de 4 partes. En la parte 3 de este blog, intentamos explorar un mundo de conferencias basadas en clustering donde equipos similares pueden compartir conferencias. En este blog, realizaremos un análisis desde la perspectiva de las cadenas de televisión y los medios de comunicación. Nos vamos a centrar en crear una alineación de partidos de televisión hechos a medida: piensa en el juego de inauguración de Camping World cada semana. En otras palabras, ¿cómo se vería el panorama del fútbol universitario si ESPN o FOX pudieran personalizar las conferencias a su gusto (y al de sus accionistas)? En muchos aspectos, este enfoque es más realista que el blog anterior. La idea es que calcularemos una ganancia esperada de cada posible partido de fútbol universitario, llenaremos los horarios de forma codiciosa para maximizar la ganancia y crear una “temporada de ensueño”, definiremos un grafo de red basado en los enfrentamientos seleccionados y crearemos conferencias basadas en la estructura del grafo.
Esta serie se organiza en cuatro partes (y la motivación completa se encuentra en la parte 1):
- Reorganización de las conferencias de fútbol universitario – Análisis exploratorio de datos en Python
- Reorganización de las conferencias de fútbol universitario – Regresión
- Reorganización de las conferencias de fútbol universitario – Clustering
- Reorganización de las conferencias de fútbol universitario – node2vec
Espero que cada parte de la serie te brinde una perspectiva fresca sobre el futuro del querido juego del fútbol universitario. Para aquellos de ustedes que no leyeron la parte 1 o 2, una breve sinopsis es que creé mi propio conjunto de datos compilados de fuentes en la web. Estos datos incluyen información básica sobre cada programa FBS, una aproximación no canónica de todas las rivalidades del fútbol universitario, tamaño del estadio, rendimiento histórico, frecuencia de apariciones en las encuestas AP top 25, si la escuela es una institución AAU o R1 (históricamente importante para la membresía en la Big Ten y Pac 12), el número de selecciones en el draft de la NFL, datos sobre los ingresos del programa de 2017 a 2019 y una estimación reciente sobre el tamaño de las bases de fanáticos del fútbol universitario. En la parte 1 descubrimos que había varias características que se correlacionaban fuertemente con el tamaño de la base de fanáticos, así que en la parte 2 desarrollamos un modelo de regresión lineal y de regresión de bosques aleatorios para predecir el tamaño de la base de fanáticos. En la parte 3, utilizamos clustering k-means restringido para sugerir 10 nuevos…
- Observabilidad de Datos Pionera Datos, Código, Infraestructura y IA
- Esta investigación de IA presenta un modelo de aprendizaje profundo que puede robar datos escuchando las pulsaciones de teclas grabadas por un teléfono cercano con un 95% de precisión.
- Phil the Gaps Desentrañando los hilos ocultos de la red de comercio de Filipinas en 2022
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Rompiendo la seguridad de GPT-4 Edición Piromaniaco
- 🦜🔗 ¿Qué hace LangChain?
- Introducción al Aprendizaje Automático de Audio
- Conoce Retroformer Un elegante marco de inteligencia artificial para mejorar iterativamente los agentes de lenguaje grandes mediante el aprendizaje de un modelo retrospectivo de conexión.
- Transición de carrera de Ingeniero de Sistemas a Analista de Datos
- Investigadores de NVIDIA y la Universidad de Tel Aviv presentan Perfusion una red neuronal compacta de 100 KB con un tiempo de entrenamiento eficiente.
- Revolucionando el Diseño de Proteínas Cómo esta investigación de IA aumentó las tasas de éxito diez veces con mejoras en el Aprendizaje Profundo