دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Gunther Hellmann
سری:
ISBN (شابک) : 9783662683125, 9783662683132
ناشر: Springer
سال نشر: 2024
تعداد صفحات: 266
[247]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
در صورت تبدیل فایل کتاب Computer Science in Sport: Modeling, Simulation, Data Analysis and Visualization of Sports-Related Data به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب علوم کامپیوتر در ورزش: مدل سازی، شبیه سازی، تجزیه و تحلیل داده ها و تجسم داده های مرتبط با ورزش نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Prologue Contents Contributors I: History 1: History 1.1 Introduction 1.2 The Institutional Constitution of Sports Informatics 1.2.1 The Pre-institutional Phase (Before 1995) 1.2.2 The Phase of the dvs Section Sports Informatics (1995–2003) 1.2.3 The Phase of IACSS (2003–2019) 1.2.4 The Institutional Integration Phase of Informatics Working Groups (from 2019) References II: Data 2: Artificial Data 2.1 Example Sport 2.2 Background 2.2.1 Limits of Real-World Data 2.2.2 The Idea of Artificial Data 2.2.3 Random Numbers and Monte Carlo Simulation 2.2.4 Advantages and Disadvantages of Artificial Data Sets 2.3 Applications References 3: Text Data 3.1 Introduction 3.2 Applications 3.2.1 Evaluation of Technological Officiating Aids 3.2.2 Match Predictions 3.2.3 Talent Scouting References 4: Video Data 4.1 Example Sport 4.2 Background 4.3 Basics and Definition 4.4 Applications References 5: Event Data 5.1 Example Sport 5.2 Background 5.3 Application 5.3.1 Event Data to Extend Box Score Statistics 5.3.2 Event Data to Value in-Game Actions and Player Impact 5.3.3 Event Data to Understand Player Interactions References 6: Position Data 6.1 Example Sport 6.2 Background 6.3 Applications References 7: Online Data 7.1 Example Sport 7.2 Background 7.3 Application References III: Modeling 8: Modeling 8.1 Example Sport 8.2 Background 8.3 Application References 9: Predictive Models 9.1 Example Sport 9.2 Background 9.2.1 Looking into the Future 9.2.2 Predictive Models in Sports 9.2.3 Creation of Predictive Models Step 1: Goal Step 2: Data Step 3: Methodological Approach Step 4: Evaluation of Predictive Quality 9.2.4 Exemplary Methods Model 1: Statistical Model to Forecast Soccer Results (Hvattum & Arntzen, 2010) Model 2: Computer Science Model for Forecasting Horse Racing (Lessmann et al., 2010) 9.3 Applications References 10: Physiological Modeling 10.1 Example Sport 10.2 Background 10.3 Applications References IV: Simulation 11: Simulation 11.1 Example Sport 11.2 Background 11.3 Applications References 12: Metabolic Simulation 12.1 Example Sport 12.2 Background 12.3 Applications References 13: Simulation of Physiological Adaptation Processes 13.1 Example Sport 13.2 Background 13.3 Applications References V: Programming Languages 14: An Introduction to the Programming Language R for Beginners 14.1 History and Philosophy 14.2 Concept and Programming Paradigms 14.3 Resources on R 14.4 R Community and Packages 14.5 Introduction to Working with R 14.6 An Example Workflow in R References 15: Python 15.1 Example Sport 15.2 Background 15.3 Applications References VI: Data Analysis 16: Logistic Regression 16.1 Example Sport 16.2 Background 16.3 Application References 17: Time Series Data Mining 17.1 Example Sport 17.2 Background 17.3 Applications 17.3.1 Tasks in Time Series Data Mining 17.3.2 Time Series Data Mining in Medicine 17.3.3 Time Series Data Mining in Sports References 18: Process Mining 18.1 Example Sport 18.2 Background 18.3 Application 18.3.1 Process Mining in Healthcare 18.3.2 Process Mining in Education 18.3.3 Process Mining in Soccer References 19: Networks Centrality 19.1 A Network Science in Football 19.2 Background 19.3 Applications References 20: Artificial Neural Networks 20.1 Example Sport 20.2 Background 20.3 Applications Study Box References 21: Deep Neural Networks 21.1 Example Sport 21.2 Background 21.3 Applications Study Box References 22: Convolutional Neural Networks 22.1 Example Sport 22.2 Background 22.3 Applications Study Box References 23: Transfer Learning 23.1 Example Sport 23.2 Background 23.3 Applications References 24: Random Forest 24.1 Example Sport 24.2 Background 24.3 Applications References 25: Statistical Learning for the Modeling of Soccer Matches 25.1 Example Sport 25.2 Background 25.3 Applications References 26: Open-Set Recognition 26.1 Example Sport 26.2 Background 26.3 Applications References VII: Visualization 27: Visualization: Basics and Concepts 27.1 Example Sport 27.2 Background 27.3 Applications Study Box References VIII: Outlook 28: Outlook 28.1 Trends 28.2 Sensors 28.3 Wearables und Intelligent Systems 28.4 Big Data and Cloud 28.5 Machine Learning and Computer Vision 28.6 Virtual und Augmented Reality and Robotics 28.7 Data Protection and Data Misuse References Appendix. Third-Party Funds Competitively Acquired by German Sports Scientists from the German Research Foundation (DFG) in the Review Board for Computer Science Index