Data Mining and Its Applications in Sports

Öz

With the rapidly developing technology, there has been a great increase in stored data. It is very important to be able to distinguish important and desired data from so many data. The most effective method for this is the data mining method. In its shortest definition data mining is the process of extracting desired, significant and valuable information from a lot of data stored in a storage medium. Although data mining is a new issue, there are many application areas of it. Medicine, biology and genetics are the most used application areas. The purpose of this study is to examine the use of data mining in sports. While there are not many studies about data mining in sports in our country, this field has developed considerably in abroad. Sport is a very suitable field for the techniques of data mining. There are a lot of datum about the athletes, teams, competitions and seasons. By analyzing these datum, the scores of future competitions can be predicted, new strategies can be defined in a game. Furthermore; in the selection of athletes, coaches, facilities and sports equipments these datum can be used and we can make predictions about performance evaluations, injury risks of athletes, ticket sales

Anahtar Kelimeler

• Analysis,Sports,Forecasting,Technology,Data mining

VERİ MADENCİLİĞİ VE SPOR ALANINDAKİ UYGULAMALARI

Öz

Hızla gelişen teknolojiyle birlikte depolanan verilerde de çok fazla artış olmuştur. Bu kadar çok veri arasından önemli ve istenilen verilerin ayırt edilebilmesi çok önemlidir. Bunun için en etkin kullanılan yöntem veri madenciliği yöntemidir. Veri madenciliği en kısa tanımıyla depolama ortamına kaydedilmiş çok fazla veri arasından istenilen, önemli ve değerli bilgilerin ortaya çıkarılmasıdır. Yeni bir konu olmakla birlikte çok fazla uygulama alanı bulunmaktadır. En fazla uygulama yapılan alanlar tıp, biyoloji ve genetiktir. Bu çalışmanın amacı veri madenciliğinin spor alanında kullanımının incelenmesidir. Ülkemizde sporda veri madenciliğiyle ilgili çok fazla bilimsel çalışma bulunmazken, yurtdışında bu alan oldukça gelişmiştir. Spor veri madenciliği teknikleri için oldukça uygun bir alandır. Sporcular, takımlar, müsabakalar ve sezonlarla ilgili çok fazla veri bulunmaktadır. Bu verilerin analiz edilmesiyle gelecekteki müsabakaların skorları tahmin edilebilmekte, oyunda yeni stratejiler belirlenebilmekte, sporcu, antrenör, tesis, sporcu araç gereçleri seçimlerinde bu verilerden yararlanılabilmekte, performans değerlendirmesi, sporcu sakatlanma riskleri, bilet satış tahminleri ve analizleri yapılabilmektedir.  

Anahtar Kelimeler

• Analiz,Spor,Tahmin,Teknoloji,Veri madenciliği

Kaynakça

1. Akgöbek Ö, Çakır F. (2009). Akademik Bilişim: Veri Madenciliğinde Bir Uzman Sistem Tasarımı. Şanlıurfa: Harran Üniversitesi.
2. Akpınar H. (2000). Anonim Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği, İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29, 1-22.
3. Albayrak M. (2008). EEG Sinyallerindeki Epilepti Form Aktivitenin Veri Madenciliği Süreci ile Tespiti. Doktora Tezi. Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
4. Baloğlu UB. (2006). DNA Sıralarındaki Tekrarlı Örüntülerin ve Potansiyel Motiflerin Veri Madenciliği Yöntemiyle Çıkarılması, Yüksek Lisans Tezi. Fırat Üniversitesi, Fen Bilimleri Enstitüsü.
5. Bigus JP. (1996). Data Mining With Neural Networks: Solving Business Problems From Application Development to Decision Support. New York.
6. Bozkır AS, Mazman SG, Sezer EA. (2010). 2nd International Symposium on Information Management in a Changing World: Identification of User Patterns in Social Networks by Data Mining Techniques: Facebook Case Hacettepe University, Ankara.
7. Byungho M, Jinhyuck K, Chongyoun C, Hyeonsang E, McKay R. (2008) A Compound Framework for Sports Results Prediction: A Football Case Study,” Knowledge-Based Systems, Elsevier Science Publishers B. V. Amsterdam, The Netherlands 21(7), 551-562.
8. Cabena P, Hadjinian P, Stadler R, Verhees J, Zanasi A. (1998). Discovering Data Mining: From Concept to Implementation. New Jersey, Prentice Hall.

9. Cao C. (2012). Sports Data Mining Technology Used in Basketball out come Prediction. Dublin Institute of Technology for the degree of M.Sc. in Computing (Data Analytics).
10. Carson KL, Kyle WJ. (2014). Sports Data Mining: Predicting Results for the College Football Games Procedia Computer Science. 35, 710 – 719.
11. Chang L, Wang H. (2006). Analysis of Traffic Injury Severity: An Application of Non-Parametric Classification Tree Techniques Accid. Anal. Prev. 38,1019–1027.
12. Choros K. (2013). Temporal Aggregation of Video Shots in TV Sports News for Detection and Categorization of Player Scenes. In: Proceedings of the ICCCI 2013. Springer; 487-497.
13. Çelikten Ö, Karacan H. (2013). Dinamik Verilere Yönelik Karar Tahmin Mekanizması Oluşturulması. Marmara Üniversitesi Fen Bilimleri Dergisi 25(3), 100-114.
14. Duru N, Canbay M. (2007). International Earthquake Symposium: Veri Madenciliği ile Deprem Verilerinin Analizi. Kocaeli.
15. FIBA (2008). Official Basketball Rules. 20.12.2017, http://www.fiba.basketball/
16. Flinders, K. (2002). Football Injuries are Rocket Science. Vnunet.com. London.
17. Günay SY, Arslanoğlu B, Kiriş A. (2015). 1. International Symposium on Sport Science, Engineering and Technology: Talent Scouting in Basketball Using An Expert System Based on Fuzzy Logic and Data Mining Classification Techniques. İstanbul.
18. Gürbüz F, Özbakır L, Yapıcı H. (2009). Türkiye’de Bir Havayolu İşletmesine Ait Parça Söküm Raporlarına İlişkin Veri Madenciliği Uygulaması. Gazi Üniversitesi Mimarlık Mühendislik Fakültesi Dergisi. 24(1), 73-78.
19. Ivankovic Z, Rackovic M, Markoski B, Radosav D, Ivkovic M. (2010). Appliance of Neural Networks in Basketball Scouting. Acta Polytechnica Hungarica 7,4.
20. İnan O. (2003). Veri Madenciliği. Yüksek Lisans Tezi. Selçuk Üniversitesi, Fen Bilimleri Enstitüsü.
21. Kalgotra P, Sharda R, Chakraborty G. (2013). Predictive Modeling in Sports Leagues: An Application in Indian Premier League. SAS Global Forum. 1-10.
22. Kalıkov A. (2006). Veri Madenciliği ve Bir E-Ticaret Uygulaması, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü.
23. Kayaalp K. (2007). Asenkron Motorlarda Veri Madenciliği ile Hata Tespiti. Yüksek Lisans Tezi. Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü.
24. Li Y, Zhang Y. (2012). Application of Data Mining Techniques in Sports Training, 5th Intl. Conf. on Biomedical Engineering and Informatics (BMEI).
25. Lu WL, Ting JA, Little JJ, Murphy KP. (2013). Learning to Track and Identify Players From Broadcast Sports Videos. IEEE Transactions on Pattern Analysis and Machine Intelligence 35(7), 1704-1716.
26. Mentzelopoulos M, Psarrou A, Angelopoulou A, Rodríguez JG. (2013). Active Foreground Region Extraction and Tracking For Sports Video Annotation. Neural Processing Letters. 37(1), 33-46. Messelodi S, Modena CM. (2013). Scene Text Recognition and Tracking to Identify Athletes in Sport Videos. Multimedia Tools and Applications. 63(2), 521-545.
27. Miljkovic D, Gajic L, Kovacevic A, Konjovic Z. (2010). The use of Data Mining for Basketball Matches out Comes Prediction. IEEE 8th International Symposium on Intelligent and Informatics, Serbia, 309-312.
28. Min B, Kim J, Choe C, Eon H, Ian, McKay B. (2008). A Compound Framework for Sports Prediction: The Case Study of Football. Knowledge-Based Systems, Elsevier Science Publishers B. V. Amsterdam, The Netherlands. 21, 551-562.
29. Nenonen N. (2013). Analysing Factors Related to Slipping, Stumbling, and Falling Accidents At Work: Application Of Data Mining Methods to Finnish Occupational Accidents and Diseases Statistics Database Applied Ergonomics. 44, 215–224.
30. Nunes S, Sousa M. (2006). Applying Data Mining Techniques to Football Data From European Championships. Actas da 1. Conferencia Metodol. Investig. Cientifica.
31. Ofoghi B, Zeleznikow J, MacMahon C. (2013). Data Mining in Elite Sports. A Review and a Framework Markus Raab Measurement in Physical Education and Exercise Science. 17, 171–186.
32. Özcan C. (2014). Veri Madenciliği ile Sahtekârlık Analizi. İstanbul Bilgi Üniversitesi Sosyal Bilimler Enstitüsü Bilişim ve Teknoloji Hukuku Yüksek Lisans Tezi, İstanbul.
33. Özekes S. (2003). Data Mining Models and Application Areas. İstanbul Commerce University Journal of Science. 3, 65-82.
34. Özkan Y. (2013). Veri Madenciliği Yöntemleri, Papatya Yayınevi.
35. Sangün L. (2007). Temel Bileşenler Analizi, Ayırma Analizi, Kümeleme Analizleri ve Ekolojik Verilere Uygulanması Üzerine Bir Araştırma. Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Su Ürünleri Anabilim Dalı Doktora Tezi, Adana 12s.
36. Savaş S, Topaloğlu N, Yılmaz M. (2012). Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi. 21, 1-23.
37. Savaşçı İ, Tatlıdil R. (2006). Bankaların Kredi Kartı Pazarında Uyguladıkları CRM (Müşteri İlişkiler Yönetimi) Stratejisinin Müşteri Sadakatine Etkisi. Ege Akademik Bakış Dergisi, 6, 62-73.
38. Shearer C. (2000). The Crisp-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing, 5(4), 13-23.
39. Smith L, Lipscomb B, Simkins A. (2007). Data Mining in Sports: Predicting Cy Young Award Winners. Journal of Computing Sciences in Colleges. 22 (4), 115-121.
40. Solieman O. (2006). Data Mining In Sports: A Research Overview. Master Project. California: University Of California Department of Managment and Informatic System.
41. Şık MŞ. (2014). Veri Madenciliği ve Kanser Erken Teşhisinde Kullanımı. Yüksek Lisans Tezi. İnönü Üniversitesi Sosyal Bilimler Enstitüsü.
42. Yurdakul S. (2015). Veri Madenciliği ile Lise Öğrenci Performanslarının Değerlendirilmesi. Yüksek Lisans Tezi. Kırakkale Üniversitesi Fen Bilimleri Enstitüsü.
43. Zeng L, Mizuno S. (2013). On The Generalized Mirrored Scheme For Double Round Robin Tournaments in Sports Scheduling. Asia-Pacific Journal of Operetional Research.30(3),16.