¿Qué incluye este curso?
Módulos
El alumno aprobado obtendrá un certificado de aprobación reconocido y personalizado bajo el sistema educativo estadounidense con aval de la Florida Global University y Sport Management Academy.
El curso consta de 8 módulos en video, habilitados uno por semana, más una clase en vivo. Posterior a la visualización del material audiovisual, se procederá a la realización de una prueba de selección simple, más una actividad práctica. Finalmente, el curso cerrará con el envío de trabajo final por parte del alumno, el cuál será corregido en una videoconferencia con el ponente, para solventar dudas que hayan quedado a lo largo de los dos meses y medio de aprendizaje.
Introducción, posibilidades, referencias y repaso estadístico
Estado actual de la industria.
Objetivos del curso, posibilidades y alcance.
Dos casos de estudio:
-Leicester Fairytale
-DATAZUL: Un primer caso de analytics aplicado al fútbol profesional en Chile
Clase de procesamiento y limpieza de datos
Stack tecnológico Futbolytics
Arquitectura Futbolytics
-¿Qué es una arquitectura?
-Entendimiento de distintas fuentes de información.
-Ambientes de trabajo y aplicación de funciones.
Repaso R:
-Objetos y tipos
-Características
-Propiedades
-Lógicas internas
Clase practica:
-Librerías usadas en Futbolytics (y a usar durante el curso)
Dplyr: Group by, summarize (n, sum), mutate_all, etc.
Mapa de modelamientos posibles (clusters y similitud)
¿Introducción a modelos, que es?
¿Cómo modelamos el fútbol?
Tipos de modelamiento (familias y árboles de modelos, supervisados, no supervisados, etc).
Clusters:
-¿Qué son y para que nos sirven?
-Tipos de clusterización.
-Número óptimo
-Técnicas y metodologías.
Similitud:
-Introducción teórica.
-Similitud de coseno.
-Parte práctica en código.
Caso práctico: Uso de redes neuronales para predecir la Eurocopa.
Paquetes de R en el futbol y métricas (I de II)
¿¿Qué es una métrica?
¿Como medirla?
-Variables absolutas
-Porcentuales
-Por 90 minutos
-Formas de presentarlas
Librerías en R:
-Estado actual
-Clasificación
-Mejores practicas
Caso práctico: Determinar cuál fue el jugador más valioso de Europa.
Paquetes de R en el futbol y métricas (II de II)
Visualización:
-Colorimetría (Exploración, tipos y ejemplos)
-Junk charts (ejemplos de gráficos fallidos)
En clase práctica:
-Trabajo con librería Understat
-Explorando data de eventos con Statsbomb
-Ploteando mapas de tiros y xG.
Visualización en R: Shiny de 0 a su despliegue
Introducción a aplicación interactiva: Shiny
Arquitectura de Shiny
Posibilidades y casos de uso
Clase practica:
-Usando librerías, traemos data viva y generamos una aplicación interactiva en cloud.
Arquitectura de datos. Conectar distintas fuentes de datos y armar un dashboard (Excel, Power Bi y R)
Volvimos a Excel. Ventajas y beneficios de su uso
Conectar Excel con archivos de datos
PowerQuery
PowerBI.
R, SQL y conexión ORDB
Caso y trabajo practico en sesión en vivo (para generar discusión)
Resumen curso.
Campos a desarrollar.
Generación reporte desde 0.
Comunicación con cliente.
Requisitos
A lo largo del curso se presentan distintas actividades que requieren lo siguiente:
Tener conocimientos básicos de estadística y programación (en R preferentemente).
¿Como sé si tengo los conocimientos básicos en R?
Si conoces/has usado tidyverse, entonces cumples con lo pedido.
Si has usado un shiny, entonces definitivamente lo cumples.
¿Como sé si tengo los conocimientos básicos en estadística?
Usaremos conceptos de tendencia central, dispersión y tipos de gráficos como boxplot. Si entendiste lo anterior, entonces lo cumples.
En caso de no contar con los conocimientos requeridos, puedes realizar nuestro curso introductorio de Estadística y programación y luego nuestro Curso Básico de Big Data para fútbol. Dichos programas te permitirán conocer y aprender lo necesario para este curso avanzado.
Las siguientes herramientas son necesarias para cursar:
Computadora (desktop o laptop)
Conexión a internet
R y RStudio instalado (gratuito)
Profesores
Head researcher de Football Manager Chile. Ingeniero y científico de datos con diplomado en Predictive Data Analytics en el IBAT de Chile. Durante más de 10 años de trayectoria, ha trabajado como analista y jefe de riesgo financiero en múltiples empresas. Es co-fundador de Futbolytics, startup que analiza datos para clubes en Sudamérica.
.png)
.png)
.png)
.png)
.png)
%20(1).png)
.png)
.png)
.png)
.png)
.png)
.png)