Los científicos de datos generalmente tienen habilidades sólidas en tres áreas: estadística, programación y comunicación. Mis colegas y yo en Datascope respondemos regularmente preguntas relacionadas con el deporte (a veces para clientes, pero principalmente por diversión) mediante el análisis de datos deportivos con diversas habilidades y técnicas en estas tres áreas. Aquí hay un puñado de proyectos específicos de ciencia de datos que hemos abordado en los deportes.
Estadística
- Entonces me estás diciendo que hay una posibilidad …
Para estimar la posibilidad de que un Datascoper gane su grupo de brackets de la NCAA, utilizamos un enfoque basado en datos para simular el torneo para encontrar su probabilidad porcentual estimada de ganar. - ¿Son precisas las proyecciones de fútbol de fantasía de ESPN?
Para determinar si las proyecciones de fútbol de fantasía de ESPN son precisas o no, utilizamos las proyecciones históricas de ESPN para obtener una estimación inicial del error absoluto medio. Mi colega también necesitaba comprender la importancia estadística y las habilidades de programación. - ¿Qué sitio tiene las mejores proyecciones de fútbol de fantasía?
Queríamos averiguar qué sitio tiene las mejores proyecciones de fútbol de fantasía. Para hacerlo, realizamos análisis sobre las proyecciones históricas de 7 sitios web populares. Necesitábamos una comprensión del error estándar, los intervalos de confianza, los histogramas y el arranque para este análisis.
Programación
- ¿Cuáles son algunos temas y detalles interesantes del seminario IEEE en ingeniería electrónica y de comunicación?
- ¿Cómo es la vida de un típico contador público indio?
- No veo la contribución de mi empleador al FP en mi recibo de sueldo. Simplemente dice Provident Fund y, en contra, es la cantidad. ¿Mencionan su contribución en el recibo de sueldo?
- Cómo ganar una oferta de trabajo internacional
- ¿Cómo es CS en los NIT superiores? ¿Es comparable a CS en IIIT Hyderabad e IIT?
- Construyendo el mejor equipo de la NBA ( Construye tu equipo de la NBA )
Utilizando datos de un análisis de jugadores de la NBA mal pagados, un Datascoper creó una herramienta que le permite elegir el mejor equipo de la NBA estableciendo la configuración de su equipo deseado y el grupo salarial. Saber codificar era necesario para construir la interfaz de usuario interactiva.
Comunicación (p. Ej., Visualización de datos)
- ¿Quién es el jugador más mal pagado de la NBA?
Para determinar el jugador de la NBA más mal pagado en función de las ganancias compartidas y el salario actual, fue útil construir una pequeña visualización de los datos. Un gráfico interactivo fácil de usar de los salarios actuales y las ganancias compartidas muestra cuánto se paga o se paga de menos a cada jugador. Elegir la visualización correcta permite a los científicos de datos ver cómo los puntos de datos están relacionados entre sí y nos ayuda a compartir los resultados del análisis de una manera fácil de digerir.
