Título: Redes Neurais de Grafos para Análise de Partidas de Futebol
Comissão Examinadora - Titulares
Prof. Dr. Ulisses Martins Dias (Presidente) - FT/Unicamp
Prof. Dr. Guilherme Palermo Coelho - FT/Unicamp
Prof. Dr. Allan da Silva Pinto - CNPEN
Suplente
Prof. Dr. Plínio Roberto Souza Vilela - FT/Unicamp
Prof. Dr. Rafael de Oliveira Werneck - IC/Unicamp
Local: Sala de Defesa (Prédio da Pós-graduação da FT) https://stream.meet.google.com/stream/9598b451-750f-4c6a-b40e-2780c12ced3f
Resumo: Esta proposta de mestrado visa aplicar conceitos de redes neurais de grafos para análise de
partidas de futebol. De modo mais específico, pretendemos realizar a predição de qual será o
desfecho de uma posse de bola, sendo este desfecho caracterizado como sucesso ou fracasso.
Um sucesso ocorre quando a equipe com a posse de bola alcança a zona de ataque próxima à
grande área adversária ao final da posse de bola. Caso contrário, o intervalo de posse de bola
é caracterizado como fracasso. A tarefa de predição é realizada tendo como fonte de
informação os primeiros cinco segundos da posse de bola. Avanços neste problema já foram
obtidos por trabalhos correlatos. Sabemos de antemão que realizar a predição com uma boa
acurácia é possível, sendo esta hipótese validada por trabalhos anteriores usando modelos de
aprendizado de máquina. Entretanto, a técnica utilizada anteriormente gerou uma rede com
uma quantidade muito alta de parâmetros a serem treinados, além de ser preciso uma
extração manual das características mediante a conversão de dados de séries temporais de
parâmetros de redes complexas, sendo algumas escolhidas após estudos da área de futebol,
que foram convertidos em imagens de ritmo visual utilizadas para coletar características
processadas pelas redes neurais. No presente trabalho, propomos fazer com que a extração de
características ocorra de maneira automática fazendo uso das recentes técnicas de redes
neurais de grafos, validando se dessa forma conseguimos obter bons resultados. A motivação
para este estudo decorre do desejo de investigar se a eliminação da intervenção humana e a
experiência do desenvolvedor podem gerar resultados ainda satisfatórios. Em outras
palavras, queremos analisar se o conhecimento específico da área é determinante para a
acurácia da rede. Uma outra questão de pesquisa se refere a estudar a quantidade de
informações dos primeiros cinco segundos necessária para a análise adequada, além de
verificar se é possível efetuar alguma compactação dessa informação sem prejudicar
substancialmente a qualidade dos resultados. A redução da dimensionalidade desses dados de
entrada permite realizar o treinamento e a predição de maneira mais eficiente, diminuindo o
tempo de resposta do modelo para que a análise seja gerada. Em nossos resultados, definimos
um conjunto de cenários e validamos esses cenários utilizando a acurácia balanceada de cada
modelo. O nosso melhor modelo possui uma acurácia balanceada de aproximadamente 66%,
o que nos permite concluir que ainda há espaço para melhorias. Consideramos o resultado
atual bastante relevante, dado que o que buscamos obter é significativo para esta área do
conhecimento.