In den letzten Jahren ist die Sportinformatik extrem gewachsen, vor allem weil immer mehr und neuere Daten verfügbar wurden. Sportinformatische Tools ¿ sei es im Training zur Gegnervorbereitung, im Wettkampf oder in der Wissenschaft ¿ sind im Sport heute auf unterschiedlichen Expertise-Ebenen unverzichtbar. Durch den Einsatz in den vier großen Anwendungsfeldern Vereine und Verbände, Wirtschaft, Wissenschaft sowie Medien ist ein völlig neuer Markt entstanden, der innerhalb der universitären Forschungs- und Lehraktivitäten zunehmend an Bedeutung gewinnt.
Dieses Lehrbuch möchte der mittlerweile breiten Vielfalt der Sportinformatik gerecht werden, indem mehr als 30 Autorinnen und Autoren aus ihrem Spezialgebiet berichten und neueste Erkenntnisse prägnant zusammenfassen. Das Werk gliedert sich in vier Hauptabschnitte: Datensätze, Modellbildung, Simulation sowie Datenanalyse. Neben Hintergründen zu Programmiersprachen und zur Visualisierung wird es von der Historie und einem Ausblick eingerahmt.
Studierende mit Bezug zur Sportwissenschaft erhalten einen umfassenden Einblick in die Sportinformatik, unterstützt durch ein didaktisch ausgefeiltes Konzept, das eine einfache Vermittlung der Lerninhalte ermöglicht. Zahlreiche digitale Übungsfragen untermauern den Lerneffekt und gewährleisten eine optimale Prüfungsvorbereitung. Für Fortgeschrittene bietet die vertiefende Diskussion von Zeitreihen Data Mining, künstlichen neuronalen Netzwerken, Convolution Kernel, Transfer Learning und Random Forests einen zusätzlichen Mehrwert.
In den letzten Jahren ist die Sportinformatik extrem gewachsen, vor allem weil immer mehr und neuere Daten verfügbar wurden. Sportinformatische Tools ¿ sei es im Training zur Gegnervorbereitung, im Wettkampf oder in der Wissenschaft ¿ sind im Sport heute auf unterschiedlichen Expertise-Ebenen unverzichtbar. Durch den Einsatz in den vier großen Anwendungsfeldern Vereine und Verbände, Wirtschaft, Wissenschaft sowie Medien ist ein völlig neuer Markt entstanden, der innerhalb der universitären Forschungs- und Lehraktivitäten zunehmend an Bedeutung gewinnt.
Dieses Lehrbuch möchte der mittlerweile breiten Vielfalt der Sportinformatik gerecht werden, indem mehr als 30 Autorinnen und Autoren aus ihrem Spezialgebiet berichten und neueste Erkenntnisse prägnant zusammenfassen. Das Werk gliedert sich in vier Hauptabschnitte: Datensätze, Modellbildung, Simulation sowie Datenanalyse. Neben Hintergründen zu Programmiersprachen und zur Visualisierung wird es von der Historie und einem Ausblick eingerahmt.
Studierende mit Bezug zur Sportwissenschaft erhalten einen umfassenden Einblick in die Sportinformatik, unterstützt durch ein didaktisch ausgefeiltes Konzept, das eine einfache Vermittlung der Lerninhalte ermöglicht. Zahlreiche digitale Übungsfragen untermauern den Lerneffekt und gewährleisten eine optimale Prüfungsvorbereitung. Für Fortgeschrittene bietet die vertiefende Diskussion von Zeitreihen Data Mining, künstlichen neuronalen Netzwerken, Convolution Kernel, Transfer Learning und Random Forests einen zusätzlichen Mehrwert.
Über den Autor
¿Prof. Dr. Daniel Memmert ist geschäftsführender Institutsleiter und Professor am Institut für Trainingswissenschaften und Sportinformatik an der Deutschen Sporthochschule Köln. Er ist Herausgeber und Autor zahlreicher Lehrbücher mit Arbeitsschwerpunkten in der Bewegungswissenschaft sowie in der Sportpsychologie und -informatik. Sein Institut organisiert zwei Zertifikatsstudiengänge (Spielanalyse Team Köln / Sportdirektor*in im Nachwuchsleistungs- und Amateurfußball) sowie den ersten internationalen Weiterbildungs-Masterstudiengang "Spielanalyse".
Zusammenfassung
Das Standardwerk für Sportinformatik-Module, sowohl im Bachelor als auch im Masterstudium
Einfaches Lernen und optimale Klausurvorbereitung durch digitale Übungsfragen (SN Flashcards)
Von über 30 Expertinnen und Experten der Sportinformatik verfasst
Inhaltsverzeichnis
Teil I Historie.- Historie.- Teil II Datensätze.- Künstliche Datensätze.- Reale Datensätze: Textdaten.- Reale Datensätze: Videodaten.- Reale Datensätze: Eventdaten.- Reale Datensätze: Positionsdaten.- Reale Datensätze: Online-Daten.- Teil III Modellbildung.- Modellbildung.- Prädiktive Modelle.- Physiologische Modellierung.- Teil IV Simulation.- Simulation.- Metabolische Simulation.- Simulation physiologischer Anpassungsprozesse.- Teil V Programmiersprachen.- Eine Einführung in die Programmiersprache R.- Python.- Teil VI Datenanalyse.- Logistische Regression.- Zeitreihen Data Mining.- Process Mining.- Zentralität von Netzwerken.- Künstliche Neuronale Netzwerke.- Tiefe Neuronale Netzwerke.- Convolutional Neural Networks.- Transfer Learning.- Random Forest.- Statistisches Lernen.- open-set recognition.- Teil VII Visualisierung.- Grundlagen und Konzepte.- Teil VIII Ausblick.- Ausblick.