Статистика в киберспорте

Компьютерные игры являются неотъемлемой частью жизни молодого поколения. С развитием индустрии компьютерных игр, по ним начали проводить соревнования, подобные спортивным, которые назвали “киберспорт”. Если раньше это явление считалось чем-то локальным, то на данный момент киберспорт — большой бизнес, который продолжает расти и расти. Многие спортивные клубы заключают контракты с успешными киберспортивными организациями, стараясь не отставать от времени. Помимо этого, существуют множество любительских турниров среди школьников и студентов по всему миру.

---

Требуется заказать курсовую работу по химии ? Вы можете обратиться к нам! Если курсовая работа нужна срочно, то мы выполним ее за несколько часов!

---

Поэтому, вопросы, связанные с киберспортом набирают всё большую популярность, например: “Сможет ли киберспорт в будущем догнать или даже перегнать обычный спорт?” Объектом исследования является математическая статистика. Предметом исследования являются методы машинного обучения в разработке интеллектуальных систем. Целью выпускной квалификационной работы является сравнение статистических показателей в спортивной и киберспортивной индустрии, на основе которых будет сделан прогноз об их дальнейшем развитии. Итогом выпускной квалификационной работы является программный продукт, позволяющий сравнить статистические показатели и сделать итоговый прогноз. Исходя из цели исследования, могут быть сформулированы следующие задачи: - проанализировать предметную область, изучить поставленную задачу, историю спорта и киберспорта, рассмотреть данные, существующие на текущий момент; - проанализировать необходимые алгоритмы; - выбрать программное средство; - реализовать алгоритмы и используемые статистические данные средствами выбранного языка программирования; - реализовать программное обеспечение с графическим интерфейсом. Актуальность данной выпускной квалификационной работы обусловлена тем, что на текущий момент киберспорт занимает огромную часть глобального рынка в индустрии развлечений. Это одна из наиболее быстро растущих отраслей мировой экономики. К тому же, многие дети стремятся стать киберспортсменами, отдавая предпочтение компьютерным играм, а не физическому развитию. Структура выпускной квалификационной работы. Выпускная квалификационная работа состоит из введения, двух разделов, заключения, списка используемых источников и приложений. В первой главе были рассмотрены этапы развития, текущие направления исследований и типы интеллектуальных систем, изучены методы машинного обучения, проведен их сравнительный анализ, на базе которого была выбрана нейронная сеть для демонстрации работы интеллектуальной системы на базе машинного обучения в области статистических показателей киберспорта. Во второй главе был проведен анализ киберспортивной индустрии. На основе проведенного анализа был определен сценарий работы интеллектуальной системы. Описаны этапы создания и результаты разработки системы машинного обучения на языке программирования Python. В приложении представлен программный код реализованной интеллектуальной системы.

Данная программа описывала, догонит ли киберспорт обычный спорт или нет, использую искусственный интеллект и машинное обучение. Как мы знаем, искусственный интеллект и машинное обучение очень востребованы в наше время, тем более что при помощи них можно точно описать какое-либо событие, именно поэтому было принято решение разработать данную программу на языке python, так как он больше всего подходит для создания искусственного интеллекта и машинного обучения. Интерфейс взаимодействия, моделирование сценария работы, анализ данных, хранение и получение данных. Нейронная сеть подходила под поставленную задачу наибольшим образом, благодаря ее универсальности. Информацию и статистику программа берет из excel файла, в котором прописываются необходимые значения, взятые с различных сайтов, посвященных тематике киберспорта. Данная программа имеет простой интерфейс, который понятен даже обычным пользователям, а также точно показывает тенденции развития киберспорта. Опираясь на вышесказанное, можно сказать, что киберспорту еще есть куда расти, но в ближайшем будущем есть шанс, что он нагонит обычный спорт, так как разрабатываются все больше киберспортивных игр, которые привлекают больше новых пользователей, тем самым продвигая киберспорт выше. В заключении можно сказать, что выполненная мной задача актуальна в современных реалиях, а разработанная программа помогла получить навыки и понимание в работе с искусственным интеллектом и машинном обучении, которые можно будет применить на практике в будущем. Программа будет дорабатываться, будут внесены новые функции, например, Статистика в определенной киберспортивной игре, будет улучшен интерфейс, для более комфортного пользования, возможность выводить несколько графиков, для более точного сравнения.

1. История зарождения киберспорта [Электронный ресурс]. URL: https://www.playground.ru/misc/opinion/istoriya_zarozhdeniya_kibersporta-704395 (дата обращения 05.06.2022). 2. Киберспорт изнутри: анализ киберспортивной экономики [Электронный ресурс]. URL: https://goodgame.ru/creative/18698/ (дата обращения 05.06.2022). 3. Мировая статистика киберспорта за 2020 год [Электронный ресурс]. URL: https://goodgame.ru/creative/18698/ (дата обращения 06.06.2022). 4. Исторический аналаиз призовых в киберспорте за последние 20 лет [Электронный ресурс]. URL: https://dtf.ru/esport/730176-kak-menyalis-prizovye-dengi-v-kibersporte-za-poslednie-20-let (дата обращения 06.06.2022). 5. Esports Earnings [Электронный ресурс]. URL: https://www.esportsearnings.com (дата обращения 06.06.2022). Киберспортивная статистика турниров и команд [Электронный ресурс] https://escharts.com/ru (дата обращения 07.06.2022). 6. Habr [Электронный ресурс] https://habr.com/ru/post/271563/ (дата обращения 07.06.2022). 7. Python-scripts [Электронный ресурс] https://python-scripts.com/intro-to-neural-networks (дата обращения 07.06.2022). 8. Tkinter [Электронный ресурс] https://python-scripts.com/category/gui/tkinter-python (дата обращения 07.06.2022). 9. Habr [Электронный ресурс] https://habr.com/ru/company/nix/blog/425253/ (дата обращения 07.06.2022). 10. python.ivan-shamaev [Электронный ресурс] https://python.ivan-shamaev.ru/beginners-guide-to-machine-learning-with-python/ (дата обращения 07.06.2022). 11. codecamp [Электронный ресурс] https://codecamp.ru/blog/machine-learning-python-tutorial/ (дата обращения 07.06.2022). 12. Sidath Asiri Machine Learning Classifiers. Статья в Интернете [Электронный ресурс]. URL: https://towardsdatascience.com/machine-learning-classifiers-a5cc4e1b0623 (дата обращения 01.03.2021). 13. И. В. Заенцев Нейронные сети: основные модели. 1999. – 76с. 14. Под общ. ред. М.Г. Петровой. Теоретические и прикладные аспекты современной науки. Сборник научных трудов по материалам Международной научно-практической конференции, 2015. – 180с. 15. Савченко Е. Ю., Мусакулова Ж. А. Настройка сигмоидальной логистической функции активации в алгоритме обратного распространения. //Материалы Международной конференции «Проблемы управления и информационных технологий». Проблемы автоматики и управления. Бишкек. 2010. – 241–245. 16. yar.fruct [Электронный ресурс]. URL: https://yar.fruct.org/projects/common-info/wiki/Требования_к_организации_и_оформлению_кода_(Python) (дата обращения 07.06.2022). 17. В. Г. Спицын, Интеллектуальные системы: учебное пособие / В. Г. Спицын, Ю.Р. Цой; Томский политехнический университет. – Томск: Изд-во Томского политехнического университета, 2012 – 176с. 18. Коровин, А.М. К681 Интеллектуальные системы: текст лекций/ А.М. Коровин. – Челябинск: Издательский центр ЮУрГУ, 2015. – 60с. 19. Л.Н. Ясницкий. Интеллектуальные системы: учебник. – М.: Лаборатория знаний, 2016. – 221с. 20. B. Jack Copeland. Artificial Intelligence: A Philosophical Introduction, издательство Wiley-Blackwell, 1993. – 328с. 21. В.П. Карелин. Интеллектуальные технологии и системы искусственного интеллекта для поддержки принятия решений. Текст научной статьи по специальности «Компьютерные и информационные науки» 2011. – 6с. 22. netology-university.bitbucket [Электронный ресурс]. URL: https://netology-university.bitbucket.io/codestyle/python/ (дата обращения 07.06.2022). 23. PythonWorld [Электронный ресурс]. URL: https://pythonworld.ru/osnovy/pep-8-rukovodstvo-po-napisaniyu-koda-na-python.html (дата обращения 07.06.2022). 24. docs.cntd [Электронный ресурс]. URL: https://docs.cntd.ru/document/1200177291 (дата обращения 07.06.2022). 25. allgosts [Электронный ресурс]. URL: https://allgosts.ru/35/240/gost_r_59895-2021 (дата обращения 07.06.2022). 26. Trevor Hastie, Robert Tibshirani, Jerome Friedman: «Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition» Февраль 2017 27. Cristopher Bishop «Pattern Recognition and Machine Learning» Лето, 2018 28. Kevin Murphy «Machine Learning: A Probabilistic Perspective» MIT Press, 2019 29. Willi Richert, Luis Pedro Coelho «Building Machine Learning Systems with Python» Лето, 2019 30. Стюарт Рассел, Питер Норвиг Искусственный интеллект. Современный подход Лето, 2016 31. Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы решения сложных проблем Зима, 2015 – 83с 32. Саймон Хайкин Нейронные сети. Полный курс Весна, 2018 – 95с 33. Борис Миркин Введение в анализ данных. Учебник и практикум Лето, 2016 – 87с 34. Марина Архипова, Татьяна Дуброва Анализ данных. Учебник Зима, 2009 – 45с 35. Загоруйко Н.Г. Прикладные методы анализа данных и знаний Лето, 2010 – 64с 36. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия Весна, 2019 – 85с 37. Рубан А.И. Методы анализа данных Лето, 2015 – 79с 38. Уэс Маккинни Python и анализ данных Весна, 2010 – 86с 39. Петер Флах Машинное обучение Лето, 2017 – 76с 40. Кристофер М. Бишоп Распознавание образов и машинное обучение Зима, 2006 – 86с 41. Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R Весна, 2016 – 66с 42. Себастьян Рашка Python и машинное обучение Осень, 2017 – 87с 43. Хенрик Бринк, Джозеф Ричардс Машинное обучение Осень 2020 – 67с 44. Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных Зима 2017 – 47с 45. Червоненкис А.Я. Теория обучения машин Осень 2014 – 87с 46. Ричард С. Саттон, Эндрю Г. Барто Обучение с подкреплением Лето 2017 – 64с 47. Андреас Мюллер, Сара Гвидо Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными Зима 2014 – 76с 48. Дэви Силен, Арно Мейсман Основы Data Science и Big Data. Python и наука о данных Лето 2014 – 67с 49. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций Лето 2017 – 86с 50. В. И. Донской Алгоритмические модели обучения классификации: обоснование, сравнение, выбор Осень 2015 – 70с