کاربردهای یادگیری عمیق در پیش بینی و تحلیل ورزشی: مرور سیستماتیک

این مقاله یک مرور جامع از ۲۲ مطالعه اخیر از سال های ۲۰۲۲ تا ۲۰۲۴ ارائه می دهد که تکنیک های یادگیری عمیق را در وظایف متنوع تحلیل ورزشی از جمله ردیابی اشیاء، تشخیص فعالیت، پیش بینی عملکرد، تخمین وضعیت بدنی و موارد دیگر به کار می گیرند. در سراسر نمونه، شبکه های عصبی کانولوشنی (۴۵٪) و شبکه های حافظه کوتاه مدت بلندمدت (۱۸٪) از جمله معماری های پرکاربرد هستند. ورزش های مورد بررسی از حوزه های اصلی مانند فوتبال، بسکتبال و تنیس تا فعالیت های کمتر متعارف مانند طناب زنی و فعالیت بدنی را شامل می شود. میانگین عملکرد پیش بینی از ۹۰٪ دقت فراتر می رود که پتانسیل یادگیری عمیق در ورزش را تایید می کند، در حالی که محدودیت های مهمی را در رابطه با تعمیم پذیری مدل، تنوع حالت های سنسور و قابلیت های یادگیری انتقال بین حوزه ای برجسته می کند که نیاز به بررسی بیشتر دارد.

کلیدواژه ها:

یادگیری عمیق ، شبکه های عصبی کانولوشنی ، تشخیص فعالیت ، پیش بینی عملکرد ، تحلیل ورزشی