Python для спортивной аналитики: Moneyball и Sabermetrics

Профессиональные спортивные команды в значительной степени полагаются на данные, чтобы построить победные списки и оптимизировать производительность игроков. Если вы когда-нибудь хотели заглянуть за кулисы спортивной аналитики и воспроизвести знаменитые методологии "Moneyball", Python является идеальным инструментом для начала вашего путешествия. В этом текстовом курсе вы перейдете от спортивного энтузиаста к спортивному аналитику, ориентированному на данные. Вы научитесь читать, очищать и манипулировать публичными наборами данных по бейсболу с помощью современных библиотек Python, что позволит вам рассчитывать ключевые показатели производительности и делать объективные выводы о стоимости игрока. Что вы узнаете: - Понять основные концепции сабеметрики и историю принятия решений на основе данных в спорте. - Написать код Python для импорта, очистки и структурирования наборов данных о спорте с использованием современных методов анализа данных. - Рассчитать основные бейсбольные показатели, такие как процент на базе (OBP) и процент слэджинга (SLG) для оценки производительности игрока. - Применять статистические модели для проверки исторических заявлений и оценки корреляции между показателями команды и процентами побед. - Анализ эволюции современной спортивной аналитики за пределами основных формул Moneyball, включая расширенные концепции ожидания и оценки. Курс начинается с основополагающей терминологии спортивной аналитики и основных концепций данных Python, а затем пошагово знакомит вас с чтением и анализом реальных наборов бейсбольных данных. Вы будете практиковаться в написании чистого, современного кода Python для решения реалистичных аналитических проблем. Этот курс предназначен для начинающих, которые увлекаются спортом и хотят научиться программировать на Python, без предварительного кодирования или продвинутого статистического опыта. Начните свое путешествие в увлекательный мир спортивных данных сегодня.