04030ntm a22005897i 4500 000723919 CZ-PrVSE 20250621144446.0 m d cr n|||||||||| 250621s2025 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Kiml, Kryštof ISIS:162127 dis Prediction of Basketball Games : Can a Purely Data-Driven Approach Outperform Bookmakers' Business Strategies? eng Predikce basketbalových zápasů : Může čistě datový přístup překonat obchodní strategie sázkových kanceláří? Kryštof Kiml 2025 ?? stran : digital, PDF soubor Vedoucí práce: Pavel Zimmermann Bakalářská práce (Bc.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2025 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2025 Tato bakalářská práce se věnuje tvorbě predikčního modelu pro basketbalovou NBA s využitím vybraných algoritmů strojového učení. Hlavní otázkou, na kterou se snažíme odpovědět, je, zda lze z veřejně dostupných dat sestavit model, který by dokázal dlouhodobě porážet sázkové kurzy – tedy generovat zisk při sázení na týmy s vyšší predikovanou pravděpodobností výhry. Pro tento účel jsme sestavili dataset zahrnující více než 10 000 zápasů ze sezón 2015 až 2024. Dataset také obsahuje zhruba 130 proměnných, převážně ve formě kumulativně napočítaných týmových statistik, které reflektují výkon obou týmů před každým utkáním. V rámci práce byly implementovány tři různé modely strojového učení: Random Forest, Extreme Gradient Boosting (XGBoost) a Support Vector Machines (SVM). Výsledky modelů byly porovnávána jak prostřednictvím klasifikačních metrik (Accuracy, AUC-ROC, Gini), tak i na základě výsledků simulované sázkové strategie, ve které byla na každý zápas podána sázka na tým s vyšší predikovanou pravděpodobností výhry. Práce také zahrnuje analýzu výdělečnosti jednotlivých tipů a chování sázkových trhů. Výsledky ukazují, že prediktivní modely mají potenciál konkurovat predikcím obsaženým v kurzech sázkových kanceláří, zejména v určitých obdobích nebo typech zápasů. Celkově práce přispívá k lepšímu pochopení možností prediktivního modelování ve sportovní analytice a nabízí praktický pohled na propojení datové vědy se světem sportovního sázení. Způsob přístupu: Internet data analytics [obor bakal. práce] bakalářské práce fd132403 czenas bachelor's theses eczenas strojové učení NBA sportovní predikce sázkové kurzy Random Forest klasifikace XGBoost SVM Zimmermann, Pavel, 1980- jo20251268570 ths Fojtík, Jan ISIS:87865 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/91147/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/91147 Hlavní práce https://insis.vse.cz/zp/91147/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/91147/posudek/oponent/86888 Oponentura https://insis.vse.cz/zp/91147/priloha/31527 Přiloha k práci https://insis.vse.cz/zp/91147/priloha/31529 Přiloha k práci https://insis.vse.cz/zp/91147/priloha/31530 Přiloha k práci https://insis.vse.cz/zp/91147/podrobnosti dc:identifier NEPOSILAT VSKP vse91147 250618 91147