[general_dat] Llamado a tesistas para el proyecto conjunto con Racing de Santander

[Dirección LCD]

---------- Forwarded message ---------
From: <guillermo.duran at de.fcen.uba.ar>
Date: Wed, Dec 25, 2024 at 5:52 PM
Subject: Llamado a tesistas para el proyecto conjunto con Racing de
Santander
To: Comunidad <comunidad at dm.uba.ar>, <comunidad at ic.fcen.uba.ar>,
<docentes at dc.uba.ar>, <alumnos at dc.uba.ar>, <alumnos at dm.uba.ar>,
<general_dat at listas.exactas.uba.ar>
Cc: Afarall <afarall at hotmail.com>, Manud2307 <manud2307 at gmail.com>,
Sebastian ceria <sebastian.ceria at gmail.com>, Gduran <gduran at dm.uba.ar> 

En el marco del convenio de cooperación entre la Facultad y el Racing de

Santander (club de fútbol de la Segunda División de España, cuyo 
principal accionista es Sebastián Ceria), convocamos a tesistas de 
licenciatura en Cs de Datos, Computación o Matemática a incorporarse al 
grupo de trabajo en estos temas ya existente de colaboración entre el 
Instituto de Cálculo y el club, y realizar sus tesis en algunos de los 
proyectos que se reseñan abajo (no excluyente, los/as tesistas pueden 
sugerir temas alternativos).
El objetivo es realizar las tesis durante el primer cuatrimestre de 
2025, empezando a trabajar desde febrero/marzo con una dedicación 
horaria semanal de 15 a 20 hs.
Interesados/as comunicarse conmigo y/o con Andrés Farall 
(afarall at hotmail.com), enviando copia de sus CV's y una descripción en 
el cuerpo del mensaje de por qué el interés en un proyecto de estas 
características.
Un saludo a todos/as

Willy Durán

Temas sugeridos:

1) Modelo de Predicción de Resultados de Partidos de Fútbol Basado en 
xG/xGOT
En esta tesis proponemos desarrollar un modelo supervisado para la 
predicción de resultados de partidos de fútbol, al estilo del modelo 
propuesto en 301060, pero utilizando métricas avanzadas como *Expected 
Goals (xG), **Expected Goals on Target (xGOT)* (u otras métricas 
complejas) en lugar de los resultados finales de los partidos. El 
objetivo es explorar si el uso de estas métricas, que encapsulan mejor 
la calidad de las oportunidades generadas, puede mejorar la precisión 
predictiva en comparación con enfoques basados en resultados reales. 
Entrenaremos múltiples algoritmos y evaluaremos su desempeño utilizando 
algunos KPI's para determinar el accuracy del modelo a lo largo de una 
competencia y evaluar si hay una mejora significativa respecto a los 
modelos propuestos por 301060.

2) Sistemas de Recomendación para Scouting de Jugadores en Fútbol
Esta tesis tiene como objetivo diseñar y desarrollar un sistema de 
recomendación para el scouting de jugadores en fútbol, utilizando un 
enfoque inspirado en sistemas de recomendación de plataformas como 
Netflix o Spotify. El sistema buscará matchear equipos y jugadores 
basándose en las características específicas de ambos, tales como 
estilos de juego, posiciones requeridas, y fortalezas individuales, así 
como en el rendimiento histórico de jugadores en contextos similares. 
Utilizaremos técnicas de aprendizaje supervisado y no supervisado para 
modelar el feedback, considerando métricas de rendimiento asociadas con 
el éxito de jugadores en distintos equipos y ligas.
El modelo permitirá no solo identificar candidatos ideales para un 
equipo específico, sino también personalizar las recomendaciones a 
través del aprendizaje continuo del feedback de éxito o fracaso en 
decisiones pasadas, ofreciendo una herramienta práctica para optimizar 
la toma de decisiones en scouting y transferencia de jugadores.

3) Predicción del Éxito en Acciones de Juego Basado en Datos de Tracking

y Eventing
En este proyecto, investigaremos el uso de modelos supervisados para 
predecir el éxito de diversas acciones de juego en partidos de fútbol, 
como posesiones, contraataques, jugadas a balón parado (o el enfoque que

se decida dar), a partir de datos de tracking (posición y trayectoria de

jugadores) y eventing (acciones específicas como pases, disparos o 
intercepciones). La tesis se centrará en identificar y analizar las 
variables más relevantes en estos conjuntos de datos para determinar qué

factores influyen significativamente en el resultado de dichas acciones.

Implementaremos modelos supervisados avanzados que puedan capturar tanto

la dinámica espacial-temporal como el impacto contextual de los eventos.
El análisis buscará no solo validar el desempeño predictivo de los 
modelos desarrollados, sino también ofrecer una interpretación de las 
métricas clave derivadas de los datos. Este enfoque tiene aplicaciones 
directas en la estrategia y toma de decisiones dentro del fútbol 
profesional, al proporcionar insights sobre cómo optimizar situaciones 
específicas de juego basándose en patrones observados en 
datos históricos.