ML-модель прогнозирования теннисных матчей — live-анализ коэффициентов
AI и машинное обучение
Разработал и обучил модель машинного обучения для прогнозирования результатов теннисных матчей на основе исторических данных и live-коэффициентов букмекеров.
Сначала был подготовлен структурированный датасет: исторические матчи, коэффициенты до матча и в лайве, счет, турнир, игроки, итоговый результат. Для построения модели использовался AI/AutoML-подход: тестировались различные регрессионные и нейронные модели, выбиралась конфигурация с наилучшим качеством прогноза (вероятности победы, динамика изменения шансов в ходе матча).
Дополнительно я разработал отдельный live-парсер, который в режиме, близком к реальному времени, получал котировки и промежуточные результаты текущего теннисного матча, передавал эти данные в модель и получал оценку вероятностей возможных исходов события. Весь пайплайн работал в облачной среде: загрузка данных, предобработка, инференс модели и логирование результатов.
Я отвечал за полный цикл:
– проектирование структуры данных и логики сбора;
– настройка и обучение ML-моделей (AutoML-подход, регрессия, нейронные сети);
– разработку live-парсера для котировок и результатов;
– интеграцию всего решения в облаке и подготовку прогнозов с достаточно высокой точностью для дальнейшего использования в аналитике и стратегиях.
Использованные технологии: ML/AutoML-библиотеки для построения регрессионных и нейронных моделей, облачная среда для обучения и инференса, парсер live-данных (теннисные матчи, котировки, результаты), работа со структурированными датасетами (CSV/табличный формат, БД).
Сначала был подготовлен структурированный датасет: исторические матчи, коэффициенты до матча и в лайве, счет, турнир, игроки, итоговый результат. Для построения модели использовался AI/AutoML-подход: тестировались различные регрессионные и нейронные модели, выбиралась конфигурация с наилучшим качеством прогноза (вероятности победы, динамика изменения шансов в ходе матча).
Дополнительно я разработал отдельный live-парсер, который в режиме, близком к реальному времени, получал котировки и промежуточные результаты текущего теннисного матча, передавал эти данные в модель и получал оценку вероятностей возможных исходов события. Весь пайплайн работал в облачной среде: загрузка данных, предобработка, инференс модели и логирование результатов.
Я отвечал за полный цикл:
– проектирование структуры данных и логики сбора;
– настройка и обучение ML-моделей (AutoML-подход, регрессия, нейронные сети);
– разработку live-парсера для котировок и результатов;
– интеграцию всего решения в облаке и подготовку прогнозов с достаточно высокой точностью для дальнейшего использования в аналитике и стратегиях.
Использованные технологии: ML/AutoML-библиотеки для построения регрессионных и нейронных моделей, облачная среда для обучения и инференса, парсер live-данных (теннисные матчи, котировки, результаты), работа со структурированными датасетами (CSV/табличный формат, БД).