Introduction à l'AI par le sport

Plan du cours

Partie 1 : Pourquoi l'analyse et la visualisation des données sont nécessaires à l'ère de l'AI

Dans la première partie, nous donnons un aperçu de l'AI dans le sport : l'histoire de l'analyse sportive et les raisons pour lesquelles l'AI avec des données sportives est nécessaire.

• Nous établissons un lien entre l'analyse sportive et l'analyse commerciale, et nous donnons un aperçu des types de données sportives disponibles et de la manière dont elles sont collectées.
• Nous fournissons un cadre pour les types d'applications que les données sportives alimentent et donnons un aperçu de ce qu'est l'AI, la Vision ordinateur (VA) et l'apprentissage automatique (AAM) et comment ils interagissent.
• Nous soulignons les performances actuelles des assistants d'AI et la nécessité de posséder les compétences de base en matière d'exploration et de visualisation des données en raison des hallucinations provoquées par les assistants d'AI .
• En utilisant les données de basket-ball, nous ferons une découverte initiale des données et créerons les métriques de base qui sont utilisées dans tout le basket-ball (4 facteurs et métriques d'efficacité) afin d'enseigner les bases d'Excel. 
• En conclusion de la première partie, nous montrerons comment nous pouvons créer des métriques de joueurs et visualiser des données de tirs au basket-ball, en utilisant Python, ainsi que les différents outils et méthodes permettant d'obtenir des visualisations significatives.

Partie 2 : Introduction à l'apprentissage automatique

En utilisant les données du basket-ball et du football, nous étudierons comment créer des mesures prédictives et descriptives. Plus précisément, dans cette partie du cours, nous aborderons les points suivants :

• En utilisant la probabilité de victoire comme exemple, montrez pourquoi les modèles d'apprentissage automatique (utilisant des techniques d'apprentissage supervisé) sont nécessaires pour répondre à des questions importantes dans le domaine du sport, telles que "qui va gagner" au cours d'un match. 
• Nous introduirons également le concept d'"analyse contre-factuelle" ou de questions "what-if" qui permettent de mesurer l'impact des décisions prises au cours d'un match, comme le moment de prendre un temps mort. 
• En outre, nous aborderons la simulation "Monte-Carlo", qui permet de prévoir le classement des équipes à la fin de la saison à l'aide des classements de puissance des équipes où nous utilisons la métrique ELO. 
• Enfin, nous vous montrerons également comment créer votre propre modèle de valeur attendue des buts dans le football et comment l'évaluer. 

Partie 3 : Introduction à la Vision ordinateur et aux données de suivi des joueurs

La Vision ordinateur et les données de suivi sont devenues un élément essentiel de l'analyse sportive au cours de la dernière décennie.

Bien qu'il s'agisse d'un sujet avancé, nous nous contenterons de donner un aperçu de haut niveau de son fonctionnement, de son utilisation et de l'avenir de cette technologie dans le sport.

Partie 4 : ChatGPT et LLMs

Dans cette partie du cours, nous mettrons l'accent sur les avancées récentes en matière d'AI, en particulier en ce qui concerne ChatGPT et les grands modèles de langage. Les étudiants devraient avoir une intuition de ce qu'ils sont et comment ils fonctionnent.

En outre, nous mettrons en évidence la manière dont ils peuvent être utilisés dans le sport et nous montrerons aux étudiants comment construire leur propre système.