MÁSTER EN
PYTHON AVANZADO APLICADO AL DEPORTE

Programa del módulo:

1. Introducción a las Herramientas de Desarrollo Asistido por IA

• – Visión general de las herramientas de IA en el desarrollo de software.
• – Beneficios y limitaciones del uso de asistentes de IA en la programación.
• – Ejemplos de cómo las herramientas de IA están cambiando el desarrollo de software.

2. Uso de Asistentes de Código y Herramientas de IA en Python

• – Introducción a GitHub Copilot, ChatGPT y otras herramientas de asistencia de código.
• – Casos prácticos y ejemplos de cómo estas herramientas pueden acelerar la escritura de código y mejorar la calidad del mismo en proyectos de análisis de datos deportivos.

3. Optimización de Procesos de Análisis de Datos con Herramientas de IA y Análisis Estático de Código.

• Uso de Mito para la exploración interactiva de datos y cómo puede simplificar el proceso de análisis de datos.
• Aplicación de Blackbox Code para optimizar y entender grandes bases de código.
• Introducción al análisis estático de código con Pylint, Mypy y herramientas de refactorización como Rope y Vulture.
• Ejercicios prácticos para mejorar la calidad del código con análisis estático y refactorización.

En este módulo innovador, los estudiantes se sumergirán en el mundo de las herramientas de desarrollo asistido por inteligencia artificial (IA), explorando cómo estas tecnologías están redefiniendo las prácticas de programación. A lo largo del módulo se abordará una visión general de la inteligencia artificial en el desarrollo de software, poniendo especial énfasis en las herramientas más avanzadas y su impacto en la industria.

Este módulo no sólo equipa a los estudiantes con conocimientos técnicos avanzados, sino que también les enseña a adoptar un enfoque proactivo y crítico hacia la programación, asegurando que estén listos para contribuir significativamente en el campo de la analítica deportiva.

Aplicación Práctica: 

• Usaremos estas herramientas para generar diferentes bases de datos que nos ayudarán a realizar varias prácticas del curso. Donde generaremos listas de jugadores, listas de buena fe, captación, datos de mediciones antropométricas, lesiones, consultas kinésicas, gps, datos de rendimiento en competición (eventing y stats del match) y entrenamientos. Con estas herramientas manipularemos estos datos de forma visual.
• Usaremos ChatGPT para conocer conceptos iniciales en el desarrollo de código orientado a la automatización del procesamiento de datos deportivos.
• Usaremos ChatGPT para interpretar los errores comunes que aparecerán al manipular con python datos deportivos.

Programa del módulo:

1. Introducción a la librería pandas

– ¿Qué es pandas y por qué es importante en el análisis de datos?

– Instalación y configuración de pandas en entornos de desarrollo.

– Estructura y características de los objetos de datos en pandas.

2. Estructuras de datos en pandas:

            – Series y DataFrames

– Creación y manipulación de Series en pandas.

– Creación y manipulación de DataFrames en pandas.

– Indexación y selección de datos en Series y DataFrames.

3. Manipulación y limpieza de datos con pandas

– Limpieza y transformación de datos inconsistentes o faltantes.

– Manejo de datos duplicados y valores atípicos.

– Combinación de conjuntos de datos y resolución de conflictos.

4. Indexación y filtrado de datos en pandas

– Indexación y selección basada en etiquetas y posiciones.

– Filtrado de datos utilizando condiciones lógicas y expresiones booleanas.

– Utilización de métodos avanzados de indexación y filtrado en pandas.

5. Operaciones y transformaciones en pandas

– Realización de operaciones aritméticas y lógicas en datos de pandas.

– Aplicación de funciones a columnas y filas en DataFrames.

– Transformación y manipulación de datos utilizando funciones y métodos de pandas.

6. Agrupación y agregación de datos en pandas

– Agrupación de datos basada en criterios específicos.

– Cálculo de estadísticas descriptivas y agregaciones en grupos de datos.

– Aplicación de funciones personalizadas a grupos de datos en pandas.

7. Visualización de datos con pandas

– Uso de pandas para crear visualizaciones básicas, como gráficos de barras y gráficos de líneas.

– Personalización de gráficos y representación visual de datos en pandas.

– Exploración y presentación de datos utilizando herramientas de visualización en pandas.

8. Manejo de Excepciones en pandas

            – Introducción al manejo de excepciones y su importancia en la robustez del código.

            – Implementación de bloques try, except, else, y finally en scripts que utilizan pandas.

– Creación de excepciones personalizadas para manejar errores específicos en la manipulación de datos.

9. Empaquetado de Funciones y Publicación en PyPI

            – Principios del empaquetado de código Python para su reutilización y distribución.

            – Creación de un paquete con funciones personalizadas que utilizan pandas.

            – Documentación y estructuración de un paquete según las normativas de PyPI.

– Pasos para publicar el paquete en el Python Package Index (PyPI) y gestión de versiones.

En este módulo, los estudiantes serán introducidos a la librería pandas y aprenderán a utilizar sus funciones y herramientas para manipular y analizar datos en Python. Desde la creación de estructuras de datos como Series y DataFrames, hasta la limpieza, indexación y filtrado de datos, así como las operaciones y transformaciones necesarias para el análisis. También se abordará la agrupación y agregación de datos, y se enseñarán técnicas para la visualización efectiva de datos utilizando pandas. Cerrando a manipular e interpretar los errores y warning controlandolas mediante excepciones.

Aplicación Práctica: 

• Utilizar Pandas para analizar conjuntos de datos de plantillas de jugadores.
• Reemplazaremos los valores null por ceros y por la media de la columna.
• Generaremos nuevas columnas, en muchos casos, en una columna tenemos múltiples posiciones o múltiples nacionalidades.
• Crearemos funciones de usuario que estandarice la conversiones de fechas y la creación de una nueva columna calculando la edad a partir de la fecha de nacimiento.
• Tomaremos una función y crearemos una librería propia publicándola en Pypl para tener acceso a ella desde cualquier proyecto.

Programa del módulo:

1. Introducción a la lectura de archivos de datos

– Importancia de la lectura de archivos en el análisis de datos.

– Tipos de archivos de datos utilizados en el contexto del análisis deportivo.

– Consideraciones y mejores prácticas al leer archivos de datos en Python.

2. Lectura y escritura de archivos CSV en Python

– Uso de la librería pandas para leer y escribir archivos CSV.

– Configuración de parámetros y opciones al leer archivos CSV.

– Manipulación y transformación de datos CSV utilizando pandas.

3. Lectura y escritura de archivos Excel en Python

– Uso de la librería pandas para leer y escribir archivos Excel.

– Manipulación y transformación de datos en hojas de cálculo utilizando pandas.

– Uso de funciones específicas de pandas para interactuar con datos de Excel.

4. Lectura y escritura de archivos XML en Python

– Uso de la librería xml.etree.ElementTree para leer y escribir archivos XML.

– Extracción y manipulación de datos XML utilizando métodos de la librería.

– Transformación y estructuración de datos XML para su posterior análisis.

5. Lectura y escritura de archivos JSON en Python

– Uso de la librería json para leer y escribir archivos JSON.

– Extracción y manipulación de datos JSON utilizando métodos de la librería.

– Transformación y estructuración de datos JSON para su posterior análisis.

6. Manipulación de datos en diferentes formatos

– Conversión entre formatos de archivos de datos (CSV, Excel, XML, HTML, JSON) utilizando pandas.

– Extracción, combinación y transformación de datos de diferentes formatos.

– Aplicación de técnicas de limpieza y preparación de datos en diferentes formatos.

– Leer varios archivos de un mismo directorio y unificarlos en uno.

En este módulo, los estudiantes aprenderán a leer y escribir archivos de diferentes formatos (CSV, Excel, XML, HTML y JSON) utilizando Python. Se enfocarán en el uso de librerías como pandas y xml.etree.ElementTree para manipular y transformar datos en cada formato. También se abordarán las mejores prácticas y consideraciones al trabajar con diferentes tipos de archivos de datos. Al finalizar este módulo, los estudiantes serán capaces de obtener datos a partir de archivos en diversos formatos y prepararlos para su posterior análisis en el contexto deportivo.

Aplicación Práctica: 

• Aprenderemos a armar en un solo archivo un perfil de jugador multidisciplinar, tomando datos de diversas fuentes y formatos. 
• Podremos ver un resumen de su status actual sobre días perdidos por lesión de los últimos 12 meses, evolución de pliegues antropométricos y pesos, estado de vencimientos de contrato y su valor de venta, records de variables físicas, rendimiento (minutos de juegos, total de partidos posibles y con su porcentaje de participación) y cantidades de consultas kinesicas. 
• Unificamos datos de gps de varios partidos en un solo archivo desde csv.
• Unificamos datos de stats de partidos de varios partidos en un solo archivo desde xml.

Programa del módulo:

1. Fundamentos de Web Scraping

– Introducción al web scraping y su importancia en el análisis de datos deportivos.

– Visión general del proceso de web scraping.

2. Conceptos Básicos de HTML y Estructura de las Páginas Web

– Comprensión de la estructura básica de una página web (HTML, CSS).

– Identificación de los elementos HTML (etiquetas, atributos, clases, ID).

– Uso de herramientas para inspeccionar el código fuente de una página web.

3. Uso de Librerías de Python para Web Scraping

– Exploración de herramientas como BeautifulSoup.

– Ejemplos prácticos de scraping utilizando esta librería.

4. Aspectos Legales y Éticos del Web Scraping

– Comprensión de las consideraciones legales y buenas prácticas en el web scraping.

– Respeto a los términos de uso y políticas de privacidad de los sitios web.

5. Casos Prácticos en el Deporte

– Ejemplos de cómo el web scraping puede ser utilizado para recopilar datos estadísticos de partidos, rendimiento de jugadores y otros datos relevantes en el ámbito deportivo.

– Proyectos prácticos enfocados en el análisis de datos deportivos mediante web scraping.

Aplicación Práctica: 

• Leeremos de varias webs su marco legal referido al web scraping.
• Capturaremos datos fácilmente con la función de pandas read_html.
• Capturaremos datos de gráficos, los cuales se ocultan dentro de funciones JavaScript.
• Detectaremos patrones para capturar datos de las web y estandarizamos los pasos de captura de datos de paginas webs.

Programa del módulo:

1. Introducción a las APIs y su importancia en el análisis de datos deportivos

– Concepto y función de las APIs en el contexto del análisis de datos deportivos.

– Beneficios y aplicaciones de utilizar APIs para obtener datos actualizados.

– Ejemplos de APIs populares utilizadas en el ámbito del deporte.

2. Interacción con APIs en Python

– Uso de librerías como requests y urllib para realizar peticiones a APIs.

– Autenticación y manejo de tokens de acceso para acceder a datos de APIs.

– Manejo de respuestas y errores al interactuar con APIs en Python.

3. Obtención de datos deportivos a través de APIs

– Identificación y selección de APIs relevantes para obtener datos deportivos.

– Ejemplos de APIs utilizadas en el deporte para obtener información como resultados de partidos, estadísticas de jugadores, etc.

– Extracción y almacenamiento de datos obtenidos de APIs en formato adecuado para su análisis.

4. Manipulación y procesamiento de datos obtenidos de APIs

– Limpieza y transformación de datos obtenidos de APIs para su análisis.

– Selección y filtrado de datos relevantes utilizando técnicas de manipulación de datos en Python.

– Aplicación de operaciones y transformaciones en los datos para obtener información significativa.

5. Integración de datos de diferentes fuentes a través de APIs

– Utilización de APIs para obtener datos de diferentes fuentes y combinarlos en un solo conjunto de datos.

– Normalización y unificación de datos provenientes de múltiples APIs.

– Resolución de problemas de calidad y consistencia de datos al integrar información de diferentes fuentes.

6. Uso de datos externos en el análisis de datos deportivos

– Incorporación de datos externos obtenidos a través de APIs en análisis y visualizaciones.

– Evaluación de la relevancia y calidad de los datos externos en el contexto del análisis deportivo.

– Realización de análisis comparativos y correlaciones utilizando datos internos y externos.

En este módulo, los estudiantes aprenderán a interactuar con APIs en Python y a utilizarlas como fuente de datos para el análisis de datos deportivos. Aprenderán a realizar peticiones a APIs, obtener y procesar los datos obtenidos, y combinar información proveniente de diferentes fuentes a través de APIs. También se abordará la integración de datos externos en el análisis y la evaluación de la calidad y relevancia de los datos obtenidos a través de APIs. Al finalizar este módulo, los estudiantes serán capaces de utilizar APIs como una herramienta poderosa para obtener datos actualizados y enriquecer el análisis de datos deportivos.

Aplicación Práctica: 

• Nos conectaremos a una API para extraer datos del mundial. 
• De todos los eventos, filtraremos los pases y crearemos un nuevo set de datos.
• De ese nuevo set de datos agregaremos el evento previo.  
• Estandarizamos el set de datos para generar gráficos como la red de pases.
• Filtraremos los disparos y crearemos una nueva columna categorizando el disparo.

Programa del módulo:

1. Fundamentos de Bases de Datos y SQL:

– Principios básicos de las bases de datos relacionales: tablas, relaciones, claves primarias y foráneas. 

– Introducción al lenguaje de consulta estructurado (SQL), fundamental para la manipulación y consulta de datos.

2. Introducción a MySQL y RDS de AWS: 

– Esta sección se centrará en enseñar a los estudiantes cómo utilizar MySQL, un sistema de gestión de bases de datos ampliamente usado.

– Creación de una cuenta de AWS.

– Amazon RDS (Relational Database Service) para la creación y gestión de bases de datos en la nube.

3. Conexión y Manipulación de Bases de Datos con Python: 

– Conectar Python a una base de datos utilizando la librería MySQL Connector. 

– Ejecutar operaciones básicas como seleccionar (SELECT), insertar (INSERT), actualizar (UPDATE), eliminar (DELETE) y crear vistas (CREATE VIEW).

4. Consultas Avanzadas:

– INNER JOIN: Selecciona registros que tienen valores coincidentes en ambas tablas.

– LEFT (OUTER) JOIN: Devuelve todos los registros de la tabla izquierda y los registros coincidentes de la tabla derecha.

– RIGHT (OUTER) JOIN: Devuelve todos los registros de la tabla derecha y los registros coincidentes de la tabla izquierda.

– FULL (OUTER) JOIN: Combina LEFT y RIGHT JOINs, devolviendo todos los registros cuando hay una coincidencia en cualquiera de las tablas.

• – Funciones de Cadena de Texto

– SUBSTRING: Extrae una subcadena de una cadena de texto.

– CONCAT: Concatena dos o más strings.

– LENGTH / CHAR_LENGTH: Devuelve la longitud de una cadena de texto.

– REPLACE: Reemplaza todas las ocurrencias de una subcadena dentro de una cadena.

• – Funciones de Fecha y Hora

– NOW() / CURRENT_TIMESTAMP: Devuelve la fecha y hora actuales.

– DATE_FORMAT: Formatea una fecha según el formato especificado.

– DATEDIFF: Calcula la diferencia entre dos fechas.

• – Funciones de Conversión

– CAST / CONVERT: Convierte un tipo de dato a otro (por ejemplo, de string a fecha o de entero a string).

• – Funciones de Agregación

– SUM: Calcula la suma de un conjunto de valores.

– AVG: Calcula el promedio de un conjunto de valores.

– COUNT: Cuenta el número de filas que coinciden con un criterio especificado.

– MAX / MIN: Devuelve el valor máximo o mínimo de un conjunto de valores.

• – Funciones de Control de Flujo

– IF / CASE: Permite la ejecución condicional de expresiones SQL.

– COALESCE: Devuelve el primer valor no nulo de una lista.

• – Funciones Matemáticas

– ROUND: Redondea un número a un número específico de decimales.

– FLOOR / CEIL: Redondea un número hacia abajo o hacia arriba al entero más cercano.

• – Funciones de Grupo

– GROUP_CONCAT: Concatena valores de una columna agrupando los resultados.

Este módulo proporcionará a los estudiantes las habilidades necesarias para trabajar eficientemente con bases de datos, un componente crucial en el análisis de datos deportivos, permitiéndoles gestionar grandes volúmenes de información y extraer insights valiosos para la toma de decisiones.

Aplicación Práctica: 

• Crearemos una base de datos que almacene información relevante sobre el rendimiento de los atletas, como estadísticas de entrenamiento, resultados de competiciones, y métricas de salud. 
• Aprenderán a diseñar la estructura de la base de datos, ingresar datos y realizar consultas para obtener información específica.
• Crearemos vistas, donde podremos convertir el formato de fechas desde la base de datos.
• Crearemos nuevas columnas en memoria, haciendo uso de las diferentes funciones de trabajo con texto y fechas.
• Desde Python, crearemos una función que al hacer un select se convierta automáticamente en un Dataframe de pandas.
• Desde Python insertamos nuevos registros.
• Desde Python actualizaremos los registros.
• Desde Python eliminaremos registros.

Programa del módulo:

1. Introducción a la librería Plotly y sus capacidades de visualización

– Visión general de la librería Plotly y su uso en el análisis de datos.

– Ventajas y características principales de Plotly en comparación con otras librerías de visualización.

– Configuración y preparación del entorno de trabajo para utilizar Plotly en Python.

2. Creación de gráficos de barras, líneas, scatter y otros tipos de gráficos con Plotly

– Utilización de Plotly para generar gráficos de barras, gráficos de líneas y gráficos de dispersión.

– Personalización y configuración de los gráficos generados con Plotly.

– Incorporación de interactividad en los gráficos de Plotly para explorar y analizar datos.

3. Visualización de datos específicos de fútbol utilizando la librería mplsoccer

– Introducción a la librería mplsoccer y su enfoque en la visualización de datos de fútbol.

– Creación de visualizaciones específicas de fútbol, como mapas de calor, mapas de pases y gráficos de radar.

– Personalización y configuración de las visualizaciones generadas con mplsoccer para resaltar información relevante.

4. Creación de mapas de calor, mapas de pases y gráficos de radar con mplsoccer

– Uso de mplsoccer para generar mapas de calor que muestran la densidad de eventos en un campo de fútbol.

– Creación de mapas de pases para visualizar las interacciones entre jugadores y las áreas de mayor actividad.

– Generación de gráficos de radar para comparar el desempeño de jugadores o equipos en diferentes aspectos del juego.

5. Presentación efectiva de resultados visuales utilizando Plotly y mplsoccer

– Incorporación de visualizaciones generadas con Plotly y mplsoccer en informes y presentaciones.

– Selección de gráficos y visualizaciones adecuados para comunicar de manera efectiva los resultados del análisis.

– Uso de elementos visuales y diseño de información para mejorar la comprensión y el impacto de los resultados visuales.

En este módulo, los estudiantes aprenderán a utilizar la librería Plotly para crear diversos tipos de gráficos, como barras, líneas y scatter plots, y explorarán las capacidades de personalización y configuración de Plotly. También se introducirán en la librería mplsoccer, enfocada en la visualización de datos específicos de fútbol, y aprenderán a generar visualizaciones como mapas de calor, mapas de pases y gráficos de radar. Además, se abordará la presentación efectiva de los resultados visuales utilizando estas librerías para comunicar de manera clara y persuasiva los hallazgos del análisis de datos. Al finalizar este módulo, los estudiantes podrán crear visualizaciones atractivas y significativas utilizando Plotly y mplsoccer en el contexto del análisis de datos de fútbol.

Aplicación Práctica: 

• A partir de todos los datos preparados de las unidades anteriores generamos gráficos de barras para observar todas las variables de GPS.
• Usaremos gráfico de tortas para ver la distribución de grasas de las antropometrías.
• Diagramas de scatter para analizar los disparos.
• Generaremos un gráfico de Poisson para analizar la categoría sobre la distribución de masas.
• Usaremos campogramas para conocer el status de vencimientos de todos los contratos por posición.
• Usaremos campogramas para una red de pases. 
• Usaremos campogramas para mapas de calor.

Programa del módulo:

1. Introducción a Streamlit

– Conceptos básicos de Streamlit y sus ventajas para el análisis de datos.

– Instalación y configuración del entorno de desarrollo para Streamlit.

– Estructura y componentes básicos de una aplicación Streamlit.

2. Desarrollo de Interfaces de Usuario con Streamlit

– Diseño de la interfaz de usuario utilizando los widgets de Streamlit.

– Gestión de la entrada del usuario y control del estado de la aplicación.

– Mejores prácticas para el diseño de interfaces intuitivas y atractivas.

3. Integración de Análisis de Datos en Streamlit

– Incorporación de código de análisis de datos de Python en Streamlit.

– Visualización de datos deportivos utilizando gráficos interactivos en Streamlit.

– Casos de uso para análisis en tiempo real y presentación de resultados.

4. Despliegue de Aplicaciones Streamlit

– Métodos para el despliegue de aplicaciones Streamlit, incluyendo Streamlit Sharing.

– Configuración y uso de plataformas de despliegue como Heroku y AWS.

– Seguridad y gestión de acceso en aplicaciones Streamlit desplegadas.

Este módulo no sólo enseñará a los estudiantes cómo crear aplicaciones con Streamlit, sino que también les proporciona experiencia práctica en la puesta en marcha de sus aplicaciones y la resolución de problemas comunes relacionados con el despliegue y la seguridad. El proyecto final permitirá a los estudiantes demostrar su habilidad para aplicar lo aprendido en un entorno práctico y realista.

Aplicación Práctica: 

• Iniciaremos una aplicación web, tomando todas las ventajas que conlleva, múltiples accesos, siempre disponible, control de accesos, centralización de la información, etc.
• Crearemos un menú, para los diferentes departamentos. 
• Crearemos una tabla desde un csv y un gráfico y aplicaremos diferentes filtros.
• Crearemos una tabla desde un xls y un gráfico y aplicaremos diferentes filtros.

Programa del módulo:

1. Introducción a la librería Dash y su aplicación en la creación de aplicaciones web interactivas

– Conceptos básicos de Dash y su integración con Plotly para crear aplicaciones web.

– Ventajas y características principales de Dash en el desarrollo de aplicaciones interactivas.

– Configuración del entorno de trabajo para utilizar Dash en Python.

2. Diseño de layouts y componentes para aplicaciones web con Dash

– Creación de layouts responsive utilizando el sistema de grid de Dash.

– Configuración y personalización de componentes básicos, como botones, gráficos y tablas.

– Organización y estructura de la interfaz de usuario en una aplicación web con Dash.

3. Creación de gráficos interactivos y componentes interactivos en aplicaciones web con Dash

– Utilización de callbacks en Dash para crear interactividad entre componentes y gráficos.

– Actualización dinámica de gráficos y visualizaciones en respuesta a eventos del usuario.

– Implementación de filtros y selecciones interactivas para explorar datos en tiempo real.

4. Despliegue de aplicaciones web creadas con Dash en servicios en la nube como Heroku y AWS

– Preparación y configuración de una aplicación web de Dash para su despliegue en servicios en la nube.

– Uso de servicios como Heroku y AWS para implementar y alojar aplicaciones web de Dash.

– Configuración de dominios personalizados y ajustes de seguridad en el despliegue de aplicaciones web.

5. Implementación de sistemas de inicio de sesión en aplicaciones web con Dash

– Incorporación de sistemas de autenticación y autorización en aplicaciones web de Dash.

– Creación de páginas de inicio de sesión y gestión de usuarios en Dash.

– Protección y control de acceso a funcionalidades específicas en aplicaciones web.

6. Desarrollo de dashboards interactivos para el análisis de datos deportivos

– Aplicación de los conceptos y técnicas aprendidas en Dash para desarrollar dashboards interactivos.

– Integración de visualizaciones, gráficos y componentes en un dashboard completo.

– Configuración de paneles de control, filtros y widgets para explorar y analizar datos deportivos.

En este módulo, los estudiantes serán introducidos a la librería Dash y aprenderán a utilizarla junto con Plotly para crear aplicaciones web interactivas en Python. Se enfocarán en el diseño de layouts, la configuración de componentes y la implementación de interactividad en las aplicaciones web. También se abordará el despliegue de aplicaciones Dash en servicios en la nube como Heroku y AWS, así como la implementación de sistemas de inicio de sesión para proteger y gestionar el acceso a las aplicaciones. Además, los estudiantes aprenderán a desarrollar dashboards interactivos para el análisis de datos deportivos, donde podrán explorar y visualizar datos de manera flexible y personalizada. Al finalizar este módulo, los estudiantes estarán capacitados para crear aplicaciones web interactivas y dashboards completos utilizando Dash y Plotly en el contexto del análisis de datos deportivos.

Aplicación Práctica: 

• Iniciaremos una aplicación web, tomando todas las ventajas que conlleva, múltiples accesos, siempre disponible, control de accesos, centralización de la información, etc.
• Implementaremos componentes externos que nos facilitaran el style responsive.
• Implementaremos hojas de estilos propias.
• Aplicaremos una autenticación con usuario y contraseña.
• Crearemos un menú, para los diferentes departamentos. 
• Crearemos una tabla desde un csv y un gráfico y aplicaremos diferentes filtros.
• Crearemos una tabla desde un xls y un gráfico y aplicaremos diferentes filtros.
• Nos conectaremos a una base mysql.
• Usaremos un paquete con una funcionalidad propia que extrae información mediante web scraping y mostraremos una visualización en un campograma de vencimientos de contratos.
• Implementaremos filtros de callbacks múltiples filtros y en la selección de gráficos.
• Haremos el despliegue cloud para acceder desde cualquier ordenador.

Programa del módulo:

1. Introducción al aprendizaje automático y la inteligencia artificial aplicados al deporte

– Conceptos básicos de aprendizaje automático e inteligencia artificial en el contexto del deporte.

– Aplicaciones y beneficios del aprendizaje automático y la inteligencia artificial en el análisis de datos deportivos.

– Casos de uso y ejemplos de éxito de machine learning e IA en el deporte.

2. Implementación de algoritmos de aprendizaje automático con la librería Scikit-learn

– Uso de la librería Scikit-learn para implementar algoritmos de aprendizaje automático en Python.

– Selección y preparación de datos para el entrenamiento de modelos de aprendizaje automático.

– Evaluación y validación de modelos utilizando técnicas de particionamiento y métricas de rendimiento.

3. Aplicación de algoritmos de regresión en el análisis de datos deportivos

– Implementación y ajuste de modelos de regresión lineal y no lineal en el análisis de datos deportivos.

– Predicción y estimación de variables continuas, como el rendimiento de jugadores o el resultado de partidos.

– Interpretación y análisis de los resultados obtenidos de los modelos de regresión.

4. Aplicación de algoritmos de clasificación en el análisis de datos deportivos

– Implementación y ajuste de modelos de clasificación, como árboles de decisión y SVM, en el análisis de datos deportivos.

– Predicción y clasificación de variables categóricas, como el rendimiento de jugadores o la victoria de un equipo.

– Evaluación y análisis de la precisión y el rendimiento de los modelos de clasificación.

5. Evaluación del rendimiento de jugadores y equipos utilizando modelos de aprendizaje automático

– Uso de modelos de aprendizaje automático para evaluar el rendimiento individual de jugadores y equipos.

– Identificación de variables y características clave para la evaluación del rendimiento en el deporte.

– Análisis e interpretación de los resultados obtenidos de los modelos de aprendizaje automático.

En este módulo, los estudiantes serán introducidos al aprendizaje automático y la inteligencia artificial aplicados al deporte. Aprenderán a implementar algoritmos de aprendizaje automático utilizando la librería Scikit-learn en Python y aplicarán técnicas de regresión y clasificación en el análisis de datos deportivos. También se abordará la evaluación del rendimiento de jugadores y equipos utilizando modelos de aprendizaje automático. Al finalizar este módulo, los estudiantes estarán capacitados para aplicar técnicas de machine learning e IA en el análisis.

Aplicación Práctica: 

• Generamos e implementamos modelos de similitud para poder usarlos en scouting.
• Generaremos un modelo de cálculo de xG.
• Generaremos modelos de agrupación para categorizar los diferentes perfiles físicos.
• Generaremos modelos de clasificación para categorizar los diferentes perfiles antropométricos.

Programa del módulo:

1. Diseño del Proyecto Final

– Elección del tema y definición de objetivos claros y medibles.

– Desarrollo de un plan de proyecto.

2. Desarrollo y Aplicación Práctica

– Implementación de técnicas de análisis de datos aprendidas durante el curso.

– Aplicación de herramientas de visualización y modelos de aprendizaje automático.

3. Mentoría y Asesoramiento

– Sesiones de mentoría con expertos en el campo para guiar el desarrollo del proyecto.

– Asesoramiento continuo para la resolución de problemas y la optimización de soluciones.

4. Presentación y Evaluación

– Preparación de una presentación efectiva de los resultados del proyecto.

– Evaluación basada en criterios predefinidos de innovación, aplicabilidad y calidad técnica.

5. Reflexión y Mejora Continua

– Análisis de los resultados y feedback recibido.

– Planificación de mejoras y posibles extensiones del proyecto.

Este módulo culmina la experiencia de aprendizaje proporcionando a los estudiantes la oportunidad de aplicar de forma integral los conocimientos y habilidades adquiridos. El trabajo final pone a prueba su capacidad para llevar a cabo un proyecto completo de análisis de datos en un contexto deportivo, desde la conceptualización hasta la presentación de sus resultados. Además, el apoyo continuo y la retroalimentación por parte de los mentores aseguran un aprendizaje significativo y una experiencia educativa de calidad.

Aplicación Práctica: 

• Desarrollar un proyecto completo que integre todas las habilidades aprendidas, aplicándolas a un problema real en un club o entidad deportiva.
• Deberá tener al menos 3 secciones multiáreas.

• Partidos: resumen post partido (individual y de equipo).
• Partidos: pre partido (análisis rival).
• Partidos: GPS Pre post Individual o grupal.
• Partidos: estatus de participación (Stats sobre la planilla digital)
• Entrenamiento: seguimiento en metodología de entrenamiento, para conocer la distribución de tiempo en sus fases.
• Entrenamiento: Control de carga externa: GPS entrenamiento de cargas acumuladas en un periodo de fecha o alertas para prevenir lesiones o detección de sub o sobre entrenamiento.
• Entrenamiento: Control de carga interna: metodología de sensación subjetiva de esfuerzo (Born) y componente subjetiva de bienestar (Wellness)
• Nutrición Antropometrías: Perfil antropométrico individual.
• Nutrición Antropometrías: Perfil antropométrico grupal.
• Nutrición Densidad Urinaria: seguimiento de deshidratación y control de peso.
• Medicina Aptos médicos: Control, seguimiento y alertas de aptos médicos.
• Medicina Lesiones: índices de las mil horas de exposición.
• Medicina Lesiones: estatus del plantel.
• Medicina Lesiones: perfil de jugadores lesionados.
• Kinesiología: estatus de distribución de atenciones kinesicas.
• Captación: resumen de status del departamento de captacion sobre el seguimiento de jugadores.
• Captación: resumen individual de skill subjetivas y observaciones.
• Scouting: Metodología para detección de posibles fichajes.
• Scouting: Metodología para el seguimiento de los posibles fichajes.
• Administración Contratos: Control, seguimiento y alertas de contratos.
• Administración Contratos: Status de vencimientos de contratos del plantel.
• Administración Prestamos: Control, seguimiento y alertas de préstamos.
• Administración Prestamos: Status de vencimientos de préstamos del plantel.
• Administración plan de cuentas: visualizar como apalancamos los gastos del club. pudiendo analizar lo presupuestado contra lo real.
• Administración Fan: segmentación de socios.

• Al menos un modelo de ML que calcule una métrica avanzada o clasificación o agrupación.
• Contener update de información.
• Exportación de al menos un reporte a pdf.
• Exportación de al menos una grilla a csv.
• Contener manual de uso y actualización.
• La base de datos es a elección, utilizando archivos, apis, web scraping o conexión a base  de datos.
• Deberá tener implementado un login para administrar la seguridad de ingreso a la información.
• Si el proyecto es llevado a cabo en una institución real tendrá valoración extra.