LuanVan.vnLuận Văn
Gửi thư

PHÂN TÍCH THÔNG SỐ CẦU THỦ CHO VIỆC CHUYỂN NHƯỢNG VÀ DỰ ĐOÁN KẾT QUẢ TRONG MÔN BÓNG ĐÁ

Khoá luận tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảTrần Phan Thanh Tùng
Người hướng dẫnLê Huỳnh Quốc Bảo
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2025
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Bóng đá hiện nay không chỉ là một môn thể thao thuần túy, đòi hỏi sức mạnh, kỹ năng cá nhân hay tinh thần đồng đội, mà còn là một ngành công nghiệp tỷ đô mới của thế giới. Các đội bóng không ngừng đầu tư cả về sức khỏe, chiến thuật cho cầu thủ mà còn là các công nghệ quản lý để tối ưu hóa sức mạnh đội bóng. Việc dữ liệu cầu thủ ngày càng được cập nhật và mở rộng chi tiết hơn, như điểm số phòng ngự, tấn công, dứt điểm,.. mở ra một cách nhìn mới trong việc bố trí nhân lực giúp đội bóng giành chiến thắng, hay tìm kiếm một cầu thủ mới trên thị trường chuyển nhượng để bổ sung chất lượng đội hình. Đối với mục tiêu chuyển nhượng cầu thủ, sử dụng đồng thời AE giảm chiều dữ liệu và VAE học phân phối talent cho embeding, thuật toán Adam cho việc tối ưu hóa tham số nhanh và ổn định, ReduceLROnPlateau để điều chỉnh learning rate để cải thiện hội tụ, kèm thêm dự đoán chỉ số overall từ ensemble XgBoost + RF để tạo các gợi ý tương tự về đặc trưng và kĩ thuật của các cầu thủ tương đồng hay nổi trội hơn. Với mục tiêu dự đoán kết quả trận đấu, tiến hành Feature Engineering bằng cách merge các dữ liệu theo thứ tự trận đấu > đội bóng > cầu thủ để lấy các thông số của cầu thủ tạo thành các thuộc tính mới , áp dụng TfidfVectorizer cosine similarity với mục đích tránh nhầm lẫn dữ liệu như tên đội bóng khi kết nối các file khác nhau. Sau đó, dữ liệu được huấn luyện trên stacked ensemble XgBoost+CatBoost+LightGBM cho ra kết quả dự đoán đạt 72,43%, cao hơn đáng kể so với việc sử dụng các model phổ biến đơn lẻ như Tabnet với 66,26% và XgBoost với 64,1%, cho thấy tiềm năng của mô hình trong việc dự đoán các trận đấu trong tương lai, khi cầu thủ là trung tâm của kết quả, không phải là những con số thống kê lịch sử có phần mang tính tham khảo nhiều hơn là dự đoán trong một môn thể thao mang nhiều biến số như bóng đá. Các nghiên cứu này nhằm một mục tiêu: đề cao vai trò của cầu thủ trong môn thể thao vua. Cầu thủ là người trực tiếp trên sân, mọi hành động của họ đều phản ánh lên sức mạnh của đội bóng và tỉ lệ chiến thắng mà đội bóng có được trước các đối thủ. Với các nghiên cứu trước chỉ tập trung vào phần thông số lịch sử đối đầu giữa 2 đội, mà quên rằng động lực của các đội bóng đều nằm trên người các cầu thủ có mặt trong đội hình, và mỗi năm đội hình đều sẽ khác đi. Chính vì vậy, việc đánh giá sức mạnh đội bóng dựa trên sức mạnh đội hình nói chung hay thông số từng cầu thủ nói riêng trong AI là rất quan trọng, và không nên bị bỏ quên ở bất kì nghiên cứu nào về thể thao nói chung và bóng đá nói riêng.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.