Kalathis, Spanoulis and the 17 roles of modern basketballDo not forget what you knew about the five basketball positions. Based on the latest Euroleague and the human methodology that changed the way we see basketball, the roles were 17.
One had only four members.
Euroleague is home to about 240 players who compete in 16 teams. And the sequel would normally be 'divided into five positions'. Only the truth is remarkably different. Based on last season's Euroleague, the roles (not positions) of the athletes that made up the club's roster were 17.
What follows is the result of the interaction between Contra.gr's writings and people involved in machine learning and at the level that helps us to better understand what is happening in sports. It is certain that, in general, in sport, the very specific positions are slowly being lost, with multi-estate (or multi-aged) being the ones who will always have jobs.
To get things in order, physician Muthu Alagappan is the first guy to use "basketball intelligence".
For those who missed previous issues, machine learning is a field in computer science that uses sophisticated data analysis algorithms that give machines the ability to "learn" through data and without detailed programming.
So when Alagappan did his practice at Ayasdi, a machine learning software company that created Stanford members, after 12 years of research, he used the software for the NBA. Group 452 NBAers, based on their numbers in seven statistical categories, season 2010-11. The software resulted in statistical similarities and gave it 13 positions.
After verification ... by hand, he concluded that "the traditional five positions do not reflect the style of basketball today." His research was rewarded and was the beginning of the technological revolution in basketball, which also resulted in football. You'll tell me all that you've read. Let's go to what you will see for the first time and was offered by Q, data analyst and researcher.
To Basketball:
On the basis of a recent text of @karmaback referring to the positions of modern basketball (*), is there anyone who tried to reproduce the study of M. Alagapan and wants to share his experience with the community?
Προς μπασκετικούς:— Q (@qpdp) October 3, 2018
Με αφορμή πρόσφατο κείμενο της @karmaback που αναφέρεται στις θέσεις του σύγχρονου μπάσκετ (*), υπάρχει κανείς που να προσπάθησε να αναπαράξει τη μελέτη του Μ. Αλαγκάπαν και θέλει να μοιραστεί την εμπειρία του με την κοινότητα;
(*): https://t.co/V8EaORDyAQ
After a conversation we had on Twitter, Q 'ran' Alagappan's methodology in the last Euroleague. He had warned from the outset that the roles were not stable. That it could have come from 10 to 20. The machine "pulled out" 17. He explained that "the use of the term" role "is closer to what is described by him and what is derived from the application of the methodology."
He explained that "Alagappan uses 7 statistical performance - assists, caps, fouls, points, rebounds, steals, and mistakes - to take out the roles." Then he made 10, a sign that his original methodology did not work with strong stability. of course, that inconsistencies are not positive for the methodology, since its purpose is, in part, to highlight points that are out of focus. " For history, the source of the data is the basis of @ldcystats.
"In order to avoid fictitious matches, players who played less than 100 minutes have been removed while the remaining players are ranked in decreasing total time, the latter being an indirect confidence indicator of the method in whether a player is assigned to each role ".
The methodology
The columns give the performance of players with a. 28 minutes in regular time games, "since their play-offs" change "the character of performance - no longer play against everyone. In some cases players appear to exceed the 5-foul limit, which can to be interpreted as "a player / role that comes in to throw wood." Let's get started, I would suggest that you stand on each of the paintings, to understand why some are better paid than others, and the randomness of coexistence of certain names , on the same scale p / role.
Role 1: Creative role players
Role 2: Offensive Ball Handler
Role 3: All Stars
Role 4: Scoring rebounders
Role 5: Role-playing rebounders
Role 6: Scoring Paint Protectors
Role 7: Scorers
Role 8: Scoring Bouncers
Role 9: Heavy Bouncers
Role 10: Defensive Ball Handlers
Role 11: Supportive Scorers
Role 12: Defensive Forwards
Role 13: Paint Protectors
Role 14: Creative Ball Handlers
Role 15: Offensive Forwards
Role 16: Role Players
Role 17: Role-Playing Ball Handlers
===Ο Καλάθης, ο Σπανούλης και οι 17 ρόλοι του σύγχρονου μπάσκετ
Ξέχασε αυτά που ήξερες για τις πέντε θέσεις του μπάσκετ. Βάσει της τελευταίας Euroleague και της μεθοδολογίας του ανθρώπου που άλλαξε τον τρόπο που βλέπουμε πια το μπάσκετ, οι ρόλοι ήταν 17. Ένας είχε μόλις τέσσερα μέλη.
Στην Εuroleague ανήκουν περί τους 240 παίκτες, οι οποίοι αγωνίζονται σε 16 ομάδες. Και η συνέχεια κανονικά, θα ήταν 'είναι χωρισμένοι σε πέντε θέσεις'. Μόνο που η αλήθεια είναι άρδην διαφορετική. Βάσει της Euroleague της περασμένης σεζόν, οι ρόλοι (ουχί θέσεις) των αθλητών που συγκρότημα τα ρόστερ των συλλόγων ήταν 17.
Όσα ακολουθούν είναι απόρροια του interaction μεταξύ των γραπτών του Contra.gr και ανθρώπων που ασχολούνται με το machine learning και στο επίπεδο που να μας βοηθά να κατανοήσουμε καλύτερα τι γίνεται στον αθλητισμό. To βέβαιο είναι πως, γενικά στον αθλητισμό, χάνονται σιγά σιγά οι πολύ συγκεκριμένες θέσεις, με τους πολυθεσίτες (ή πολυπράγμονες) να είναι αυτοί που θα 'χουν για πάντα δουλειές.
Για να πάρουμε τα πράγματα με τη σειρά, ο (γιατρός) Muthu Alagappan είναι ο πρώτος τύπος που χρησιμοποίησε τη "νοημοσύνη των μηχανών" για το μπάσκετ.
Για όσους χάσατε τα προηγούμενα τεύχη, το machine learning (μηχανική μάθηση) είναι πεδίο στην πληροφορική που χρησιμοποιεί εξελιγμένους αλγόριθμους ανάλυσης δεδομένων, που προσφέρουν στις μηχανές την ικανότητα να “μάθουν”, μέσω των data και δίχως αναλυτικό προγραμματισμό.
Όταν λοιπόν, ο Alagappan έκανε την πρακτική του στην Ayasdi -εταιρεία λογισμικού εκμάθησης μηχανών, που δημιούργησαν μέλη του Stanford, έπειτα από 12ετη έρευνα-, χρησιμοποίησε το λογισμικό για το ΝΒΑ. Γκρουπάρισε 452 NBAers, με βάση τους αριθμούς τους σε επτά στατιστικές κατηγορίες, τη σεζόν 2010-11. Το λογισμικό κατέληξε στις στατιστικές ομοιότητες και του έδωσε 13 θέσεις.
Κατόπιν επαλήθευσης... με το χέρι, κατέληξε στο ότι "οι παραδοσιακές πέντε θέσεις, δεν αντανακλούν στο στιλ που έχει σήμερα το μπάσκετ". Η έρευνα του βραβεύτηκε και ήταν η απαρχή για την τεχνολογική επανάσταση στην καλαθοσφαίριση, που είχε ως συνέπεια και αυτή στο ποδόσφαιρο. Θα μου πεις όλα αυτά τα 'χεις διαβάσει. Πάμε σε αυτά που θα δεις για πρώτη φορά και μας πρόσφερε ο Q, data analyst και ερευνητής.
Προς μπασκετικούς:
Με αφορμή πρόσφατο κείμενο της @karmaback που αναφέρεται στις θέσεις του σύγχρονου μπάσκετ (*), υπάρχει κανείς που να προσπάθησε να αναπαράξει τη μελέτη του Μ. Αλαγκάπαν και θέλει να μοιραστεί την εμπειρία του με την κοινότητα;
Μετά μιας συζήτησης που είχαμε στο Twitter, ο Q 'έτρεξε' τη μεθοδολογία του Alagappan στην τελευταία Euroleague. Είχε προειδοποίησει από την αρχή πως οι ρόλοι δεν ήταν σταθεροί. Ότι μπορούσαν να προκύψουν από 10 έως 20. Το μηχάνημα "έβγαλε" 17. Εξήγησε πως "η χρήση του όρου 'ρόλος' να είναι πιο κοντά σε αυτό που περιγράφεται από τον ίδιο και αυτό που εξάγεται από την εφαρμογή της μεθολογίας".
Διευκρίνισε ότι "o Alagappan χρησιμοποιεί 7 στατιστικές επιδόσεις -ασίστ, τάπες, φάουλ, πόντοι, ριμπάουντ, κλεψίματα και λάθη- για να βγάλει τους ρόλους. Mετέπειτα τους έκανε 10, σημάδι ότι η αρχική του μεθοδολογία δεν έδινε αποτελέσματα με ισχυρή σταθερότητα. To γεγονός βέβαια, ότι δεν αποφεύγονται οι ασυνέπειες είναι θετικό για τη μεθολογία, αφού ο σκοπός της είναι, εν μέρει, να αναδείξει σημεία που διαφεύγουν της προσοχής". Για την ιστορία, πηγή των δεδομένων είναι οι βάσεις του @ldcystats.
Προς μπασκετικούς:— Q (@qpdp) October 3, 2018
Με αφορμή πρόσφατο κείμενο της @karmaback που αναφέρεται στις θέσεις του σύγχρονου μπάσκετ (*), υπάρχει κανείς που να προσπάθησε να αναπαράξει τη μελέτη του Μ. Αλαγκάπαν και θέλει να μοιραστεί την εμπειρία του με την κοινότητα;
(*): https://t.co/V8EaORDyAQ
"Για την αποφυγή πλασματικών αντιστοιχίσεων, αφαιρέθηκαν όσοι παίκτες έπαιξαν λιγότερα από 100 λεπτά στο διάστημα που εξετάζουμε. Οι εναπομείναντες είναι ταξινομημένοι σε φθίνοντα συνολικό χρόνο συμμετοχής. Το τελευταίο είναι ένας έμμεσος δείκτης "εμπιστοσύνης" της μεθόδου στο κατά πόσο ένας παίκτης αντιστοιχίζεται στον εκάστοτε ρόλο".
Η μεθοδολογία
Οι στήλες δίνουν τις επιδόσεις παικτών με μ.ο. συμμετοχής 28 λεπτά, σε παιχνίδια κανονικής περιόδου "μιας και από τη φύση τους τα play-offs "αλλοιώνουν" το χαρακτήρα των επιδόσεων -δεν παίζουν πλέον όλοι εναντίον όλων. Σε κάποιες περιπτώσεις εμφανίζονται παίκτες να υπερβαίνουν το όριο των 5 φάουλ, το οποίο μπορεί να ερμηνευθεί ως "παίκτης/ρόλος που μπαίνει μέσα για να ρίξει ξύλο". Ας ξεκινήσουμε. Θα πρότεινα να σταθείς λίγο σε κάθε έναν από τους πίνακες, για να καταλάβεις γιατί κάποιοι αμείβονται καλύτερα από άλλους, όπως και το ουδόλως τυχαίο της συνύπαρξης συγκεκριμένων ονομάτων, στο ίδιο γκρουπ/ρόλο.
Role 1: Creative role players
Role 2: Offensive Ball Handler
Role 3: All Stars
Role 4: Scoring rebounders
Role 5: Role-playing rebounders
Role 6: Scoring Paint Protectors
Role 7: Scorers
Role 8: Scoring Bouncers
Role 9: Heavy Bouncers
Role 10: Defensive Ball Handlers
Role 11: Supportive Scorers
Role 12: Defensive Forwards
Role 13: Paint Protectors
Role 14: Creative Ball Handlers
Role 15: Offensive Forwards
Role 16: Role Players
Role 17: Role-Playing Ball Handlers
Πηγή: Contra
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου