ارائه کننده: فاطمه لطیفی

استاد راهنما: دکتر موسی گلعلی‌زاده

استاد مشاور :دکتر محمدعلی رستگار

استاد داور داخلی: دکتر رضا قره خانلو، دکتر فوائد قادری

تاریخ: ۱۴۰۵/۰۳/۳۰

چکیده: 

در عصر حاضر، فوتبال نه‌تنها یک ورزش، بلکه یک صنعت جهانی با ابعاد متنوع اقتصادی، فرهنگی و اجتماعی قلمداد می‌شود. فناوری‌های نوین ثبت داده‌های این ورزش پرطرفدار، نقش تحلیل‌های آماری و مدل‌های یادگیری ماشینی را در پیشرفت آن بیشتر کرده و امکان تصمیم‌گیری‌های هوشمندانه‌تر را نیز میسّر ساخته است. با این دیدگاه، پژوهش حاضر با هدف تحلیل تاکتیکی و پیش‌بینی عملکرد تیم‌های لیگ برتر ایران، بر پایه داده‌های چندفاکتوری مسابقات و با بهره‌گیری از مدل‌های یادگیری ماشین شامل XGBoost و جنگل تصادفی، مدل‌های آماری شامل مدل‌های رگرسیون پواسونی و دیکسون–کولز، و معماری شبکه عصبی پیشرو انجام شده است. ارزیابی مدل‌ها به‌صورت زمان‌محور و با معیارهای مرسوم در یادگیری ماشینی صورت گرفت. یافته‌های این پژوهش نشان دادند که مدل XGBoost در پیش‌بینی تعداد گل، عملکرد بهتری نسبت به مدل پایه دارد، اما مدل رگرسیون پواسونی در پیش‌بینی نتیجه سه‌کلاسه (برد، مساوی، باخت)، ثبات بین‌فصلی بیشتری نشان می‌دهد. به‌علاوه، با پیاده‌سازی خوشه‌بندی آماری، چهار الگوی تاکتیکی متمایز (تهاجمی، انتقالی، محافظه‌کار و متعادل) بین تیم‌ها به‌دست آمد. همچنین مشخص شد که افزایش پیچیدگی مدل، لزوماً به بهبود تصمیم‌گیری سه‌کلاسه منجر نمی‌شود، بلکه مدل‌های ساده‌تر و قابل‌تفسیرتر برای کاربردهای عملی مرتبط با عملکرد تیم‌های لیگ برتر ایران، قابل‌اطمینان‌ترند.