Jan Van Haaren опубликовал свой ежегодный обзор футбольной аналитики.
В нём ссылки на:
- 49 исследований
- 63 блог-поста
- 22 статьи
- 9 подкастов
- 4 вебинара
- 3 книги
- 8 конференций и воркшопов
- 10 библиотек/репозиториев с кодом

Ссылка
Ссылка на пост о прошлогоднем обзоре

Arsenal AI

Я иногда посматриваю на вакансии в спортивном data science. Не для того чтобы устроиться в Даллас Маверикс, сидя в провинциальном российском городе, а интереса ради. Вакансии встречаются разного типа, но такую я вижу в первый раз.

Арсенал ищет AI/Deep Learning Research Engineer для обучения/внедрения нейросеток, в т.ч. и LLM. Описание вакансии, как обычно в Европе, содержит много воды и "за всё хорошее против всего плохого", но если попытаться выжать суть, то требуется универсальный DL-солдат, который будет работать в различных доменах (текст, видео, изображения, геоданные, ну и таблички само собой) и внедрять весь этот ваш ИИ в аналитическую работу канониров. По описанию, похоже, что слово Research здесь не для красного словца: работа реально предполагает чтение статей и отслеживание SOTA (т.е. лучших) решений в индустрии.

Как обычно в иностранных вакансиях в требованиях перечислен весь стек DL-фреймворков (PyTorch, JAX, и даже, прости Господи, Tensorflow c Keras), так что непонятно, то ли Арсенал, в стиле БигТеха, смотрит не на знание конкретных фреймворков, а на общий инженерный уровень, то ли пока в этом направлении (DL/AI) у канониров ничего нет и поэтому на чём человек умеет писать, то и будет (так себе подход, ну да ладно).

На самом деле приятно видеть, что передовые команды стараются идти в ногу со временем и открывают такие вакансии с чёткими направлениями работы, а не "Нам нужен дата/BI/продукт аналитик с экспертным знанием машинного обучения, дата инженерии и фронтэнда за три копейки".

Вакансия
@number_in_sport

смотрите, что есть!!

Как статью назовёшь, столько цитирований и соберёт!

Исследователи посчитали, что очень смешные названия научных статей снижают на 33% их цитирования

8 студентов психологов попросили оценить от 1 до 7 заголовки статей, насколько они приятные и забавные

Приятные - дающие чувство счастливого наслаждения, дружелюбные и милые. Забавные - вызывающие улыбку или смех.

Вот пример и забавных, и приятных статей: “Beware of a half-tailed test”, “The unicorn, the normal curve, and other improbable creatures”

Так вот приятные заголовки слабо увеличивают количество цитирований, а у забавных статистически значимой связи нет. Но прям значительно смешные играют даже в минус..

Возможные объяснения этого эффекта авторами статей:

- несерьезные и подрывают доверие к статье
- содержат меньше профессиональных слов, их сложнее найти
- скрывают за юмором не важные результаты

Вот наконец и вакансия на разработчика - переезд возможен, работать можно внутри Германии откуда угодно, английского хватит.

https://sportec-solutions.jobs.personio.de/job/1968775?language=de&display=en

В Psychology of Sport and Exercise обсуждаются финты в футболе. Авторы обнаруживают значительные различия в когнитивной обработке подлинных и обманных действий.

https://doi.org/10.1016/j.psychsport.2025.102819

🔥 Отдам бесплатно 4 билета на сегодняшний матч:
Динамо Москва - Динамо Махачкала
19:30, ст. Динамо
D307, 1 ряд, 7-10 места

Вакансия BI-аналитика с навыками data-инженера для разработки отчётов и аналитических решений

Что-то пропустил это видео: очень классная презентация от DS Пармы про то, как работать с трекинговыми данными и как масштабировать инфраструктурные решения (на примере AWS). [если техническая часть не интересует - пропускайте следующий абзац]

В целом, брать спотовые инстансы и скейлиться горизонтально - хорошее решение, особенно когда все надо пост-матч (а это скаутинг). Но вот когда будет переход на лайв и если будет скелетал, объемы данных возрастут сильно на одну игру (например, по одному крупному провайдеру в лайве с 140+ метров в json / xml до 13 гигов, пост-матч с 50 метров до 730 метров в паркетах), нужен будет нормальный месседж брокер, а лайв потребует serverless из-за быстроты. Это будет отдельный уровень удовольствия, но если думать заранее, то в целом ничего страшного нет.

С 28 минуты можно посмотреть примеры красивых скаутинговых, предматчевых и послематчевых отчетиков в Tableau, как итог выхлопа всей инфры + смеси разных данных (Transfermarkt, Statsbomb, StatsPerform). Выглядит очень и очень приятно.

https://www.youtube.com/watch?v=wZ96Y6j0rzU

Заседание 267: Темы будущих научных проектов исследований спорта

⌚️ 14 апреля 2025, 19:40-21:00
📍 K417
🔗 https://nesuniversity.zoom.us/j/5317421123?pwd=DpqJbj8Y6RzbqDQTaoHWDafMF2D8bw.1
🗣 Дмитрий Дагаев

Аннотация: В этом докладе будет представлено несколько тем для новых проектов НУЛ исследований спорта

Player Pressure Map -- A Novel Representation of Pressure in Soccer for Evaluating Player Performance in Different Game Contexts

Заслуживающая внимания статья о детекции и анализе прессинга — как командного, так и индивидуального.

https://arxiv.org/abs/2401.16235

Как посчитать вероятности того, какие места займут команды, если известно математическое ожидание голов для каждой из них в каждом матче?

Голы в футболе распределены примерно по Пуассону, с небольшими отклонениями, особенно в районе нуля (можно ознакомиться с моделью Dixon-Coles). Чтобы посчитать вероятности каждой возможной разницы в счёте — 0, 1, 2, 3 и так далее — нужно "вычесть" два пуассоновских распределения. В результате получится распределение Скеллама. Оно как раз и описывает разницу голов и позволяет определить вероятность победы, ничьей или поражения: отрицательная разница — победа, ноль — ничья, положительная — поражение.

Зная вероятности исходов всех матчей, остаётся запустить Монте-Карло симуляцию турнира, чтобы получить распределение мест команд.

Ну и, конечно, — ода ChatGPT, который особенно хорош, когда ты знаешь, что должно получиться. Всего за пару вопросов он сгенерировал код, который можно найти в комментариях.