Доцент кафедры физического воспитания, спорта и туризма
заведующий кафедрой информационных систем и прикладной информатики, доктор экономических наук, доцент
Machine learning methods are increasingly being used in various fields of activity, including physical education and sports. The article analyzes the main areas of application of machine learning and artificial intelligence in sports. The author's classification is given. The classification includes such criteria as purpose, subject, instrument, stage of sports training, and sports level. The application of machine learning methods to manage university sports sections is considered. The problem of predicting the retention of student athletes in the sports section using machine learning classification models is described. The constructed models are based on the integration of training logs, competitive activity results, and university information system data, including academic performance. The proposed models, including those based on decision trees, random forest, and logistic regression, demonstrate the possibility of predicting student-athlete retention. The implementation of the proposed approaches makes it possible to increase the effectiveness of decisions made in the management of student sports.
Методы машинного обучения находят все более широкое применение в различных областях деятельности, включая физическую культуру и спорт. В настоящей работе анализируются основные направления применения технологий машинного обучения и искусственного интеллекта в спорте. Приводится авторская классификация, включающая такие критерии как: цель, субъект, инструмент, этап спортивной подготовки, спортивный уровень. Рассматривается применение методов машинного обучения для управления спортивными секциями университета. Описывается задача предсказания закрепления спортсменов-студентов в спортивной секции с помощью классификационных моделей машинного обучения. Построенные модели основаны на интеграции данных журналов тренировок, результатов соревновательной деятельности и данных информационной системы университета, в том числе об успеваемости. Предложенные модели, включая, основанные на деревьях решений, случайном лесе и логистической регрессии, демонстрируют возможность прогнозирования закрепления студентов-спортсменов. Реализация предложенных подходов позволяет повысить эффективность принимаемых решений в задачах управления студенческим спортом.