Využití strojového učení na trhu kurzového sázení ve sportovní oblasti – Bc. Radim Hajda
Bc. Radim Hajda
Diplomová práce
Využití strojového učení na trhu kurzového sázení ve sportovní oblasti
Using Machine Learning at the Betting Market in the Sport Field
Anotace:
Cílem této práce je profitovat na živém fotbalovém sázkovém trhu pomocí strojového učení. Doposud se akademické práce věnovaly převážně předzápasovým sportovním sázkovým trhům. Pomocí přesnosti se porovnávají vytvořené modely s bookmakerem. Nejlepší model dosahoval o 2,84 % větší přesnosti než bookmaker. Oba navržené modely vykazovaly zisk v sezoně 2020/2021 anglické nejvyšší fotbalové soutěže Premier …víceAbstract:
The goal of this thesis is to generate a profit in in-play betting markets using machine learning. Lots of academic works has focused mainly on pre match sports betting markets. The created models compared with the bookmaker using accuracy. The best model achieved 2,84 % higher accuracy than the bookmaker. Both created models reached a profit in the 2020/2021 season of the English Premier League.
Jazyk práce: čeština
Datum vytvoření / odevzdání či podání práce: 28. 5. 2021
Obhajoba závěrečné práce
Citační záznam
Jak správně citovat práci
Hajda, Radim. Využití strojového učení na trhu kurzového sázení ve sportovní oblasti. Zlín, 2021. diplomová práce (Ing.). Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Univerzita Tomáše Bati ve Zlíně, Fakulta aplikované informatikyPlny text prace je k dispozici v elektronicke podobe
Univerzita Tomáše Bati ve Zlíně
Fakulta aplikované informatikyMagisterský studijní program / obor:
Inženýrská informatika / Počítačové a komunikační systémy
Práce na příbuzné téma
-
Modelování hudební transkripce pomocí hlubokého učení: návrh, konstrukce a validace modelu na principu rekurentní neuronové sítě
Daniel Kvak -
Návrh a implementace neuronové sítě YOLO3 pro rozpoznávání zvolených objektů v reálném čase
Vít Hlaváček -
Použití konvoluční neuronové sítě pro klasifikaci snímků ptačího peří
Kateřina Zárybnická -
Vzdělávací hra vysvětlující strojového učení a neuronové sítě
Jakub Ostrihoň -
Časoprostorové predikční modelování pandemie COVID-19 užitím umělé neuronové sítě
Martin KUKRÁL -
Neuronové sítě a jejich aplikace
Erik Benovic -
Model vozidla s automatickým sledováním trasy pomocí konvoluční neuronové sítě
Jakub Zahradník -
Vývoj neuronové sítě pro rozpoznávání objektu v digitálním obrazu
Denis Voinkov