আজ, NFL দ্বারা প্রদত্ত পরিসংখ্যানের সংখ্যা বৃদ্ধির জন্য তাদের যাত্রা অব্যাহত রয়েছে পরবর্তী জেনারেল পরিসংখ্যান প্ল্যাটফর্ম সমস্ত 32 টি দল এবং সমর্থকদের কাছে। মেশিন লার্নিং (এমএল) থেকে প্রাপ্ত উন্নত বিশ্লেষণের সাহায্যে, এনএফএল ফুটবলের পরিমাণ নির্ধারণের জন্য এবং অনুরাগীদের তাদের জ্ঞান বৃদ্ধির জন্য প্রয়োজনীয় সরঞ্জাম সরবরাহ করার জন্য নতুন উপায় তৈরি করছে। গেমের মধ্যে গেম ফুটবলের 2022 মৌসুমের জন্য, NFL এর লক্ষ্য ছিল প্লেয়ার-ট্র্যাকিং ডেটা এবং নতুন উন্নত বিশ্লেষণ কৌশল বিশেষ দলগুলিকে আরও ভালভাবে বোঝার জন্য.
প্রকল্পের লক্ষ্য ছিল ভবিষ্যদ্বাণী করা যে একজন রিটার্নকারী একটি পান্ট বা কিকঅফ খেলায় কত গজ লাভ করবে। পান্ট এবং কিকঅফ রিটার্নের জন্য ভবিষ্যদ্বাণীমূলক মডেল তৈরি করার সময় চ্যালেঞ্জগুলির মধ্যে একটি হল খুব বিরল ইভেন্টগুলির প্রাপ্যতা - যেমন টাচডাউনগুলি - যা একটি গেমের গতিশীলতায় গুরুত্বপূর্ণ গুরুত্ব রাখে। ফ্যাট লেজ সহ একটি ডেটা বিতরণ বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলিতে সাধারণ, যেখানে বিরল ঘটনাগুলি মডেলগুলির সামগ্রিক কার্যকারিতার উপর উল্লেখযোগ্য প্রভাব ফেলে। চরম ইভেন্টগুলির উপর সঠিকভাবে বন্টন মডেল করার জন্য একটি শক্তিশালী পদ্ধতি ব্যবহার করা ভাল সামগ্রিক কর্মক্ষমতার জন্য অত্যন্ত গুরুত্বপূর্ণ।
এই পোস্টে, আমরা এই ধরনের ফ্যাট-টেইল্ড ডিস্ট্রিবিউশনকে শক্তিশালীভাবে মডেল করার জন্য GluonTS-এ বাস্তবায়িত স্প্লিসড বিনড-প্যারেটো ডিস্ট্রিবিউশন কীভাবে ব্যবহার করতে হয় তা দেখাই।
আমরা প্রথমে ব্যবহৃত ডেটাসেট বর্ণনা করি। এর পরে, আমরা ডেটাসেটে প্রয়োগ করা ডেটা প্রিপ্রসেসিং এবং অন্যান্য রূপান্তর পদ্ধতি উপস্থাপন করি। তারপরে আমরা ML পদ্ধতি এবং মডেল প্রশিক্ষণ পদ্ধতির বিশদ ব্যাখ্যা করি। অবশেষে, আমরা মডেল কর্মক্ষমতা ফলাফল উপস্থাপন.
ডেটা সেটটি
এই পোস্টে, আমরা পান্ট এবং কিকঅফ রিটার্নের জন্য পৃথক মডেল তৈরি করতে দুটি ডেটাসেট ব্যবহার করেছি। প্লেয়ার ট্র্যাকিং ডেটাতে প্লেয়ারের অবস্থান, দিক, ত্বরণ এবং আরও অনেক কিছু থাকে (x,y স্থানাঙ্কে)। পান্ট এবং কিকঅফ নাটকের জন্য চারটি NFL সিজন (3,000-4,000) থেকে যথাক্রমে প্রায় 2018 এবং 2021টি নাটক রয়েছে। উপরন্তু, ডেটাসেটগুলিতে খুব কম পান্ট এবং কিকঅফ-সম্পর্কিত টাচডাউন রয়েছে- যথাক্রমে 0.23% এবং 0.8%। পান্ট এবং কিকঅফের জন্য ডেটা বিতরণ ভিন্ন। উদাহরণ স্বরূপ, কিকঅফ এবং পান্টের জন্য সত্যিকারের ইয়ার্ডেজ বন্টন একই রকম কিন্তু স্থানান্তরিত, যেমনটি নিচের চিত্রে দেখানো হয়েছে।
ডেটা প্রিপ্রসেসিং এবং ফিচার ইঞ্জিনিয়ারিং
প্রথমত, ট্র্যাকিং ডেটা শুধুমাত্র পান্ট এবং কিকঅফ রিটার্ন সম্পর্কিত ডেটার জন্য ফিল্টার করা হয়েছিল। প্লেয়ার ডেটা মডেল ডেভেলপমেন্টের জন্য বৈশিষ্ট্যগুলি অর্জন করতে ব্যবহার করা হয়েছিল:
- X - মাঠের দীর্ঘ অক্ষ বরাবর খেলোয়াড়ের অবস্থান
- Y - মাঠের ছোট অক্ষ বরাবর খেলোয়াড়ের অবস্থান
- S - গজ/সেকেন্ডে গতি; এটিকে আরও নির্ভুল করতে Dis*10 দ্বারা প্রতিস্থাপিত হয়েছে (ডিস হল গত 0.1 সেকেন্ডের দূরত্ব)
- dir - প্লেয়ারের গতির কোণ (ডিগ্রী)
পূর্ববর্তী তথ্য থেকে, প্রতিটি খেলা 10টি আক্রমণাত্মক খেলোয়াড় (বল ক্যারিয়ার ব্যতীত), 11 জন ডিফেন্ডার এবং 14টি প্রাপ্ত বৈশিষ্ট্য সহ 10X11X14 ডেটাতে রূপান্তরিত হয়েছিল:
- sX - একটি প্লেয়ারের x গতি
- sY – একজন খেলোয়াড়ের y গতি
- s - একজন খেলোয়াড়ের গতি
- aX - একটি প্লেয়ারের x ত্বরণ
- aY – একজন খেলোয়াড়ের ত্বরণ
- relX - বল ক্যারিয়ারের তুলনায় খেলোয়াড়ের x দূরত্ব
- relY - বল ক্যারিয়ারের তুলনায় খেলোয়াড়ের y দূরত্ব
- relSx - বল ক্যারিয়ারের তুলনায় প্লেয়ারের x গতি
- relSy বল বাহকের সাপেক্ষে প্লেয়ারের y গতি
- relDist - বল বাহকের তুলনায় খেলোয়াড়ের ইউক্লিডীয় দূরত্ব
- oppX - ডিফেন্স প্লেয়ারের সাপেক্ষে অপরাধী খেলোয়াড়ের x দূরত্ব
- oppY - ডিফেন্স প্লেয়ারের সাপেক্ষে অপরাধী খেলোয়াড়ের y দূরত্ব
- oppSx -অপরাধী খেলোয়াড়ের গতি প্রতিরক্ষা খেলোয়াড়ের সাপেক্ষে
- oppSy - ডিফেন্স প্লেয়ার আপেক্ষিক অপরাধ খেলোয়াড়ের y গতি
ডান এবং বাম অবস্থানের জন্য ডেটা এবং অ্যাকাউন্ট বৃদ্ধি করতে, X এবং Y অবস্থানের মানগুলিও ডান এবং বাম ক্ষেত্রের অবস্থানের জন্য অ্যাকাউন্টে মিরর করা হয়েছিল। ডেটা প্রিপ্রসেসিং এবং ফিচার ইঞ্জিনিয়ারিং এর বিজয়ী থেকে অভিযোজিত হয়েছিল এনএফএল বিগ ডেটা বোল Kaggle উপর প্রতিযোগিতা.
এমএল পদ্ধতি এবং মডেল প্রশিক্ষণ
যেহেতু আমরা একটি টাচডাউনের সম্ভাব্যতা সহ নাটক থেকে সম্ভাব্য সমস্ত ফলাফলে আগ্রহী, তাই আমরা কেবল রিগ্রেশন সমস্যা হিসাবে অর্জিত গড় গজ ভবিষ্যদ্বাণী করতে পারি না। আমাদের সমস্ত সম্ভাব্য ইয়ার্ড লাভের সম্পূর্ণ সম্ভাব্যতা বিতরণের ভবিষ্যদ্বাণী করতে হবে, তাই আমরা সমস্যাটিকে একটি সম্ভাব্য ভবিষ্যদ্বাণী হিসাবে তৈরি করেছি।
সম্ভাব্য ভবিষ্যতবাণী বাস্তবায়নের একটি উপায় হল বিভিন্ন বিনে (যেমন 0-এর কম, 0-1 থেকে, 1-2 থেকে, …, 14-15 থেকে, 15-এর বেশি) অর্জিত গজ বরাদ্দ করা এবং বিনটিকে একটি শ্রেণিবিন্যাস হিসাবে ভবিষ্যদ্বাণী করা। সমস্যা এই পদ্ধতির নেতিবাচক দিক হল যে আমরা ছোট বিনগুলিতে বিতরণের একটি উচ্চ সংজ্ঞা চিত্র রাখতে চাই, কিন্তু ছোট বিনের অর্থ প্রতি বিন প্রতি কম ডেটা পয়েন্ট এবং আমাদের বিতরণ, বিশেষ করে পুচ্ছগুলি খারাপ অনুমান এবং অনিয়মিত হতে পারে।
সম্ভাব্য ভবিষ্যদ্বাণী বাস্তবায়নের আরেকটি উপায় হল আউটপুটকে সীমিত সংখ্যক পরামিতি (উদাহরণস্বরূপ, একটি গাউসিয়ান বা গামা ডিস্ট্রিবিউশন) সহ ক্রমাগত সম্ভাব্যতা বিতরণ হিসাবে মডেল করা এবং পরামিতিগুলির পূর্বাভাস দেওয়া। এই পদ্ধতিটি বিতরণের একটি খুব উচ্চ সংজ্ঞা এবং নিয়মিত চিত্র দেয়, তবে অর্জিত গজগুলির প্রকৃত বিতরণের সাথে মানানসই করার জন্য এটি খুব কঠোর, যা বহু-মডাল এবং ভারী পুচ্ছ।
উভয় পদ্ধতির সেরা পেতে, আমরা ব্যবহার করি বিভক্ত বিনড-প্যারেটো বিতরণ (SBP), যেখানে বিতরণের কেন্দ্রের জন্য বিন রয়েছে যেখানে প্রচুর ডেটা পাওয়া যায়, এবং সাধারণীকৃত প্যারেটো বিতরণ (GPD) উভয় প্রান্তে, যেখানে বিরল কিন্তু গুরুত্বপূর্ণ ঘটনা ঘটতে পারে, যেমন টাচডাউন। GPD-এর দুটি প্যারামিটার রয়েছে: একটি স্কেলের জন্য এবং একটি লেজের ভারীতার জন্য, যেমনটি নিম্নলিখিত গ্রাফে দেখা গেছে (উৎস: উইকিপিডিয়া)।
GPD-কে দুই পাশে binned ডিস্ট্রিবিউশন (নিম্নলিখিত বাম গ্রাফটি দেখুন) দিয়ে বিভক্ত করে, আমরা ডানদিকে নিম্নলিখিত SBP পাই। নিম্ন এবং উপরের প্রান্তিক যেখানে স্প্লিসিং করা হয় হাইপারপ্যারামিটার।
একটি বেসলাইন হিসাবে, আমরা আমাদের জিতেছে যে মডেল ব্যবহার এনএফএল বিগ ডেটা বোল Kaggle উপর প্রতিযোগিতা. এই মডেলটি প্রস্তুতকৃত ডেটা থেকে বৈশিষ্ট্যগুলি বের করতে CNN স্তরগুলি ব্যবহার করে, এবং "1 ইয়ার্ড প্রতি বিন" শ্রেণীবিভাগ সমস্যা হিসাবে ফলাফলের পূর্বাভাস দেয়৷ আমাদের মডেলের জন্য, আমরা বেসলাইন থেকে বৈশিষ্ট্য নিষ্কাশন স্তরগুলি রেখেছি এবং প্রতিটি বিনের সম্ভাব্যতার পরিবর্তে SBP প্যারামিটারের আউটপুট করার জন্য শুধুমাত্র শেষ স্তরটিকে সংশোধন করেছি, যেমনটি নিম্নলিখিত চিত্রে দেখানো হয়েছে (পোস্ট থেকে সম্পাদিত চিত্র 1ম স্থান সমাধান চিড়িয়াখানা).
আমরা প্রদত্ত এসবিপি বিতরণ ব্যবহার করেছি GluonTS. GluonTS হল সম্ভাব্য টাইম সিরিজ মডেলিংয়ের জন্য একটি পাইথন প্যাকেজ, কিন্তু SBP ডিস্ট্রিবিউশন টাইম সিরিজের জন্য নির্দিষ্ট নয়, এবং আমরা রিগ্রেশনের জন্য এটিকে পুনরায় ব্যবহার করতে সক্ষম হয়েছি। GluonTS SBP কীভাবে ব্যবহার করবেন সে সম্পর্কে আরও তথ্যের জন্য, নিম্নলিখিত ডেমোটি দেখুন নোটবই.
মডেলগুলি 2018, 2019 এবং 2020 সিজনে প্রশিক্ষিত এবং ক্রস-ভ্যালিডেট করা হয়েছিল এবং 2021 সিজনে পরীক্ষা করা হয়েছিল। ক্রস-ভ্যালিডেশনের সময় ফাঁস এড়াতে, আমরা একই গেমের সমস্ত নাটককে একই ভাঁজে গোষ্ঠীবদ্ধ করেছি।
মূল্যায়নের জন্য, আমরা কাগল প্রতিযোগিতায় ব্যবহৃত মেট্রিক রেখেছি, ক্রমাগত র্যাঙ্ক করা সম্ভাব্যতা স্কোর (CRPS), যেটিকে লগ-সম্ভাবনার বিকল্প হিসাবে দেখা যেতে পারে যা আউটলায়ারদের কাছে আরও শক্তিশালী। আমরাও ব্যবহার করি পিয়ারসন পারস্পরিক সম্পর্ক সহগ এবং RMSE সাধারণ এবং ব্যাখ্যাযোগ্য নির্ভুলতা মেট্রিক্স হিসাবে। উপরন্তু, আমরা ক্রমাঙ্কন মূল্যায়ন করার জন্য একটি টাচডাউন এবং সম্ভাব্যতা প্লটের সম্ভাব্যতা দেখেছি।
মডেলটি ব্যবহার করে CRPS ক্ষতি সম্পর্কে প্রশিক্ষণ দেওয়া হয়েছিল স্টোকাস্টিক ওজন গড় এবং তাড়াতাড়ি থামানো।
আউটপুট বিতরণের বিনযুক্ত অংশের অনিয়ম মোকাবেলা করার জন্য, আমরা দুটি কৌশল ব্যবহার করেছি:
- একটি মসৃণতা পেনাল্টি পরপর দুটি বিনের মধ্যে বর্গ পার্থক্যের সমানুপাতিক
- ক্রস-ভ্যালিডেশনের সময় প্রশিক্ষিত মডেল এনসেম্বলিং
মডেল কর্মক্ষমতা ফলাফল
প্রতিটি ডেটাসেটের জন্য, আমরা নিম্নলিখিত বিকল্পগুলির উপর একটি গ্রিড অনুসন্ধান করেছি:
- সম্ভাব্য মডেল
- বেসলাইন প্রতি গজ এক সম্ভাবনা ছিল
- কেন্দ্রে SBP ছিল প্রতি গজ এক সম্ভাবনা, লেজে সাধারণীকৃত SBP
- বিতরণ মসৃণকরণ
- মসৃণতা নেই (মসৃণতা শাস্তি = 0)
- মসৃণতা শাস্তি = 5
- মসৃণতা শাস্তি = 10
- প্রশিক্ষণ এবং অনুমান পদ্ধতি
- 10 ভাঁজ ক্রস-ভ্যালিডেশন এবং এনসেম্বল ইনফারেন্স (k10)
- ট্রেনে প্রশিক্ষণ এবং 10টি যুগ বা 20টি যুগের জন্য বৈধতা ডেটা
তারপরে আমরা CRPS দ্বারা বাছাই করা শীর্ষ পাঁচটি মডেলের মেট্রিক্স দেখেছি (নিম্নটি ভাল)।
কিকঅফ ডেটার জন্য, SBP মডেলটি CRPS-এর পরিপ্রেক্ষিতে সামান্য বেশি পারফর্ম করে কিন্তু আরও গুরুত্বপূর্ণভাবে এটি টাচডাউন সম্ভাব্যতাকে আরও ভালভাবে অনুমান করে (পরীক্ষা সেটে প্রকৃত সম্ভাবনা 0.80%)। আমরা দেখতে পাই যে সেরা মডেলগুলি 10টি ভাঁজ এনসেম্বলিং (k10) ব্যবহার করে এবং কোন মসৃণতা পেনাল্টি নেই, যেমনটি নিম্নলিখিত টেবিলে দেখানো হয়েছে।
প্রশিক্ষণ | মডেল | স্নিগ্ধতা | সিআরপিএস | RMSE | CORR % | P(টাচডাউন)% |
k10 | SBP | 0 | 4.071 | 9.641 | 47.15 | 0.78 |
k10 | বেসলাইন | 0 | 4.074 | 9.62 | 47.585 | 0.306 |
k10 | বেসলাইন | 5 | 4.075 | 9.626 | 47.43 | 0.274 |
k10 | SBP | 5 | 4.079 | 9.656 | 46.977 | 0.682 |
k10 | বেসলাইন | 10 | 4.08 | 9.621 | 47.519 | 0.265 |
পর্যবেক্ষিত ফ্রিকোয়েন্সি এবং পূর্বাভাসিত সম্ভাব্যতার নিম্নলিখিত প্লটটি দুটি বিতরণের মধ্যে 0.27 এর RMSE সহ আমাদের সেরা মডেলের একটি ভাল ক্রমাঙ্কন নির্দেশ করে। উচ্চ গজ (উদাহরণস্বরূপ, 100) এর ঘটনাগুলি লক্ষ্য করুন যা সত্য (নীল) অভিজ্ঞতামূলক বিতরণের লেজে ঘটে, যার সম্ভাব্যতা SBP দ্বারা বেসলাইন পদ্ধতির চেয়ে বেশি ক্যাপচার করা যায়।
পান্ট ডেটার জন্য, বেসলাইন SBP-কে ছাড়িয়ে যায়, সম্ভবত কারণ চরম গজের লেজের প্রাপ্তি কম। অতএব, 0-10 গজ চূড়ার মধ্যে মোডালিটি ক্যাপচার করা একটি ভাল ট্রেড-অফ; এবং কিকঅফ ডেটার বিপরীতে, সেরা মডেলটি একটি মসৃণতা পেনাল্টি ব্যবহার করে। নিম্নলিখিত সারণী আমাদের ফলাফলের সংক্ষিপ্ত বিবরণ দেয়।
প্রশিক্ষণ | মডেল | স্নিগ্ধতা | সিআরপিএস | RMSE | CORR % | P(টাচডাউন)% |
k10 | বেসলাইন | 5 | 3.961 | 8.313 | 35.227 | 0.547 |
k10 | বেসলাইন | 0 | 3.972 | 8.346 | 34.227 | 0.579 |
k10 | বেসলাইন | 10 | 3.978 | 8.351 | 34.079 | 0.555 |
k10 | SBP | 5 | 3.981 | 8.342 | 34.971 | 0.723 |
k10 | SBP | 0 | 3.991 | 8.378 | 33.437 | 0.677 |
পর্যবেক্ষিত ফ্রিকোয়েন্সিগুলির নিম্নলিখিত প্লট (নীল রঙে) এবং দুটি সেরা পান্ট মডেলের জন্য পূর্বাভাসিত সম্ভাব্যতা নির্দেশ করে যে অ-মসৃণ মডেল (কমলা রঙে) মসৃণ মডেলের (সবুজ রঙে) তুলনায় কিছুটা ভাল ক্যালিব্রেট করা হয়েছে এবং সামগ্রিকভাবে এটি একটি ভাল পছন্দ হতে পারে।
উপসংহার
এই পোস্টে, আমরা দেখিয়েছি কিভাবে ফ্যাট-টেইলড ডেটা ডিস্ট্রিবিউশন দিয়ে ভবিষ্যদ্বাণীমূলক মডেল তৈরি করা যায়। আমরা স্প্লিসড বিনড-প্যারেটো ডিস্ট্রিবিউশন ব্যবহার করেছি, যা GluonTS-এ বাস্তবায়িত হয়েছে, যা এই ধরনের ফ্যাট-টেইল্ড ডিস্ট্রিবিউশনকে দৃঢ়ভাবে মডেল করতে পারে। আমরা পান্ট এবং কিকঅফ রিটার্নের জন্য মডেল তৈরি করতে এই কৌশলটি ব্যবহার করেছি। আমরা এই সমাধানটি অনুরূপ ব্যবহারের ক্ষেত্রে প্রয়োগ করতে পারি যেখানে ডেটাতে খুব কম ইভেন্ট রয়েছে, তবে সেই ইভেন্টগুলি মডেলগুলির সামগ্রিক কার্যকারিতার উপর উল্লেখযোগ্য প্রভাব ফেলে।
আপনি যদি আপনার পণ্য এবং পরিষেবাগুলিতে ML-এর ব্যবহার ত্বরান্বিত করতে সহায়তা চান তবে অনুগ্রহ করে যোগাযোগ করুন অ্যামাজন এমএল সলিউশন ল্যাব প্রোগ্রাম.
লেখক সম্পর্কে
তেসফগাবির মেহারিজঝি এ একজন ডেটা সায়েন্টিস্ট অ্যামাজন এমএল সলিউশন ল্যাব যেখানে তিনি স্বাস্থ্যসেবা এবং জীবন বিজ্ঞান, উত্পাদন, স্বয়ংচালিত এবং খেলাধুলা এবং মিডিয়ার মতো বিভিন্ন শিল্পে AWS গ্রাহকদের তাদের ব্যবসায়িক চ্যালেঞ্জগুলি সমাধান করতে তাদের মেশিন লার্নিং এবং AWS ক্লাউড পরিষেবাগুলির ব্যবহারকে ত্বরান্বিত করতে সহায়তা করেন।
মার্ক ভ্যান ওডেউসডেন অ্যামাজন ওয়েব সার্ভিসে অ্যামাজন এমএল সলিউশন ল্যাব টিমের একজন সিনিয়র ডেটা সায়েন্টিস্ট। তিনি কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং দিয়ে ব্যবসায়িক সমস্যা সমাধানের জন্য AWS গ্রাহকদের সাথে কাজ করেন। কাজের বাইরে আপনি তাকে সমুদ্র সৈকতে, তার বাচ্চাদের সাথে খেলতে, সার্ফিং বা কাইটসার্ফিং করতে পারেন।
প্যানপান জু AWS-এ Amazon ML Solutions Lab-এর একজন সিনিয়র ফলিত বিজ্ঞানী এবং ম্যানেজার৷ তিনি তাদের AI এবং ক্লাউড গ্রহণকে ত্বরান্বিত করার জন্য বিভিন্ন শিল্প উল্লম্বে উচ্চ-প্রভাবিত গ্রাহক অ্যাপ্লিকেশনগুলির জন্য মেশিন লার্নিং অ্যালগরিদমগুলির গবেষণা এবং উন্নয়নে কাজ করছেন৷ তার গবেষণার আগ্রহের মধ্যে রয়েছে মডেল ব্যাখ্যাযোগ্যতা, কার্যকারণ বিশ্লেষণ, হিউম্যান-ইন-দ্য-লুপ এআই এবং ইন্টারেক্টিভ ডেটা ভিজ্যুয়ালাইজেশন।
কিয়ং হুন (জোনাথন) জং জাতীয় ফুটবল লীগের একজন সিনিয়র সফটওয়্যার প্রকৌশলী। তিনি বিগত সাত বছর ধরে নেক্সট জেনারেল স্ট্যাটস টিমের সাথে রয়েছেন যা কাঁচা ডেটা স্ট্রিমিং থেকে শুরু করে প্ল্যাটফর্ম তৈরি করতে, ডেটা প্রক্রিয়া করার জন্য মাইক্রোসার্ভিস তৈরি করতে, এপিআই তৈরি করতে সাহায্য করে যা প্রক্রিয়াকৃত ডেটা প্রকাশ করে। তিনি আমাজন মেশিন লার্নিং সলিউশন ল্যাবের সাথে কাজ করার জন্য পরিষ্কার ডেটা প্রদানের পাশাপাশি ডেটা সম্পর্কে ডোমেন জ্ঞান প্রদানের জন্য সহযোগিতা করেছেন। কাজের বাইরে, তিনি লস অ্যাঞ্জেলেসে সাইকেল চালানো এবং সিয়েরাসে হাইকিং উপভোগ করেন।
মাইকেল চি ন্যাশনাল ফুটবল লীগে নেক্সট জেনার পরিসংখ্যান এবং ডেটা ইঞ্জিনিয়ারিং তত্ত্বাবধানকারী প্রযুক্তির একজন সিনিয়র ডিরেক্টর। তিনি আরবানা চ্যাম্পেইনের ইলিনয় বিশ্ববিদ্যালয় থেকে গণিত এবং কম্পিউটার বিজ্ঞানে ডিগ্রি অর্জন করেছেন। মাইকেল প্রথম 2007 সালে এনএফএল-এ যোগ দিয়েছিলেন এবং প্রাথমিকভাবে ফুটবল পরিসংখ্যানের জন্য প্রযুক্তি এবং প্ল্যাটফর্মগুলিতে মনোনিবেশ করেছেন। তার অবসর সময়ে, তিনি তার পরিবারের সাথে বাইরে সময় কাটাতে উপভোগ করেন।
মাইক ব্যান্ড ন্যাশনাল ফুটবল লীগে নেক্সট জেনার স্ট্যাটাসের জন্য রিসার্চ এবং অ্যানালিটিক্সের একজন সিনিয়র ম্যানেজার। 2018 সালে দলে যোগদানের পর থেকে, তিনি সমর্থক, NFL সম্প্রচার অংশীদার এবং 32 টি ক্লাবের জন্য প্লেয়ার-ট্র্যাকিং ডেটা থেকে প্রাপ্ত মূল পরিসংখ্যান এবং অন্তর্দৃষ্টিগুলির ধারণা, বিকাশ এবং যোগাযোগের জন্য দায়ী। মাইক শিকাগো বিশ্ববিদ্যালয় থেকে বিশ্লেষণে স্নাতকোত্তর ডিগ্রি, ফ্লোরিডা বিশ্ববিদ্যালয় থেকে ক্রীড়া ব্যবস্থাপনায় স্নাতক ডিগ্রি এবং মিনেসোটা ভাইকিংসের স্কাউটিং বিভাগ এবং নিয়োগ বিভাগ উভয়ের অভিজ্ঞতা সহ দলটির কাছে প্রচুর জ্ঞান এবং অভিজ্ঞতা নিয়ে আসে। ফ্লোরিডা গেটর ফুটবলের।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/predict-football-punt-and-kickoff-return-yards-with-fat-tailed-distribution-using-gluonts/
- 000
- 1
- 10
- 100
- 11
- 2018
- 2019
- 2020
- 2021
- 2022
- 7
- a
- সক্ষম
- সম্পর্কে
- দ্রুততর করা
- ত্বরক
- হিসাব
- সঠিকতা
- সঠিক
- সঠিক
- দিয়ে
- যোগ
- গ্রহণ
- অগ্রসর
- AI
- আলগোরিদিম
- সব
- বিকল্প
- মর্দানী স্ত্রীলোক
- অ্যামাজন মেশিন লার্নিং
- অ্যামাজন এমএল সলিউশন ল্যাব
- অ্যামাজন ওয়েব সার্ভিসেস
- বিশ্লেষণ
- বৈশ্লেষিক ন্যায়
- এবং
- অ্যাঞ্জেলেস
- অ্যাপ্লিকেশন
- ফলিত
- প্রয়োগ করা
- অভিগমন
- স্থাপত্য
- কাছাকাছি
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম গোয়েন্দা এবং মেশিন লার্নিং
- স্বয়ংচালিত
- উপস্থিতি
- সহজলভ্য
- গড়
- ডেস্কটপ AWS
- অক্ষ
- বল
- বেসলাইন
- সৈকত
- কারণ
- সর্বোত্তম
- উত্তম
- মধ্যে
- বিশাল
- বড় ডেটা
- নীল
- উভয় পক্ষের
- আনে
- ব্রডকাস্ট
- নির্মাণ করা
- ভবন
- ব্যবসায়
- গ্রেপ্তার
- মামলা
- কেন্দ্র
- চ্যালেঞ্জ
- শিকাগো
- শিশু
- পছন্দ
- শ্রেণীবিন্যাস
- মেঘ
- মেঘ গ্রহণ
- মেঘ পরিষেবা
- ক্লাব
- সিএনএন
- সহযোগিতা
- সাধারণ
- যোগাযোগ
- প্রতিযোগিতা
- কম্পিউটার
- কম্পিউটার বিজ্ঞান
- পরপর
- যোগাযোগ
- ধারণ
- অব্যাহত
- একটানা
- বিপরীত
- অনুবন্ধ
- তৈরি করা হচ্ছে
- কঠোর
- ক্রেতা
- গ্রাহকদের
- উপাত্ত
- ডেটা পয়েন্ট
- তথ্য বিজ্ঞানী
- ডেটা ভিজ্যুয়ালাইজেশন
- ডেটাসেট
- লেনদেন
- রক্ষাকর্মীদের
- প্রতিরক্ষা
- ডিগ্রী
- প্রদর্শন
- বিভাগ
- উদ্ভূত
- বর্ণনা করা
- বিস্তারিত
- উন্নয়ন
- পার্থক্য
- বিভিন্ন
- অভিমুখ
- Director
- দূরত্ব
- বিতরণ
- ডিস্ট্রিবিউশন
- ডোমেইন
- downside হয়
- সময়
- গতিবিদ্যা
- প্রতি
- গোড়ার দিকে
- প্রান্ত
- প্রকৌশলী
- প্রকৌশল
- পর্বগুলি
- বিশেষত
- আনুমানিক
- অনুমান
- মূল্যায়ন
- মূল্যায়ন
- ঘটনাবলী
- উদাহরণ
- অপসারণ
- অভিজ্ঞতা
- ব্যাখ্যা করা
- নির্যাস
- চরম
- পরিবার
- ভক্ত
- চর্বি
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- কয়েক
- ক্ষেত্র
- ব্যক্তিত্ব
- পরিশেষে
- আবিষ্কার
- প্রথম
- ফিট
- ফ্লোরিডা
- দৃষ্টি নিবদ্ধ করা
- অনুসরণ
- ফুটবল
- থেকে
- সম্পূর্ণ
- তদ্ব্যতীত
- লাভ করা
- একেই
- খেলা
- জেনারেল
- সাধারণ
- পাওয়া
- দেয়
- লক্ষ্য
- ভাল
- GPD
- চিত্রলেখ
- Green
- গ্রিড
- ঘটা
- স্বাস্থ্যসেবা
- সাহায্য
- সাহায্য
- সাহায্য
- উচ্চ
- কিভাবে
- কিভাবে
- HTTPS দ্বারা
- ইলিনয়
- ভাবমূর্তি
- প্রভাব
- বাস্তবায়ন
- বাস্তবায়িত
- গুরুত্ব
- গুরুত্বপূর্ণ
- in
- অন্তর্ভুক্ত
- সুদ্ধ
- বৃদ্ধি
- ইঙ্গিত
- শিল্প
- শিল্প
- তথ্য
- অর্ন্তদৃষ্টি
- পরিবর্তে
- বুদ্ধিমত্তা
- ইন্টারেক্টিভ
- স্বার্থ
- আগ্রহী
- IT
- নিজেই
- যোগদান
- যোগদান
- যাত্রা
- চাবি
- জ্ঞান
- গবেষণাগার
- গত
- স্তর
- স্তর
- সন্ধি
- শিক্ষা
- লেভারেজ
- জীবন
- জীবন বিজ্ঞান
- সীমিত
- দীর্ঘ
- তাকিয়ে
- The
- লস এঞ্জেলেস
- ক্ষতি
- অনেক
- মেশিন
- মেশিন লার্নিং
- করা
- ব্যবস্থাপনা
- পরিচালক
- উত্পাদন
- অনেক
- মাস্টার্স
- অংক
- মিডিয়া
- পদ্ধতি
- প্রণালী বিজ্ঞান
- পদ্ধতি
- ছন্দোময়
- ছন্দোবিজ্ঞান
- মাইকেল
- microservices
- ML
- মডেল
- মডেল
- পরিবর্তিত
- অধিক
- গতি
- জাতীয়
- প্রয়োজন
- নতুন
- পরবর্তী
- পরবর্তী জনক
- NFL এবং
- সংখ্যা
- প্রাপ্ত
- আক্রমণাত্মক
- ONE
- অপশন সমূহ
- কমলা
- অন্যান্য
- ফলাফল
- বিদেশে
- outperforms
- বাহিরে
- সামগ্রিক
- প্যাকেজ
- পরামিতি
- অংশ
- অংশীদারদের
- গত
- কর্মক্ষমতা
- সম্ভবত
- ছবি
- জায়গা
- মাচা
- প্ল্যাটফর্ম
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- খেলা
- খেলোয়াড়
- খেলোয়াড়দের
- কেলি
- দয়া করে
- পয়েন্ট
- অবস্থান
- অবস্থানের
- সম্ভব
- পোস্ট
- ভবিষ্যদ্বাণী করা
- পূর্বাভাস
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- প্রেডিক্টস
- প্রস্তুত
- বর্তমান
- প্রাথমিকভাবে
- সমস্যা
- সমস্যা
- পদ্ধতি
- প্রক্রিয়া
- প্রক্রিয়াকৃত
- পণ্য
- কার্যক্রম
- প্রকল্প
- প্রদান
- প্রদত্ত
- প্রদানের
- পাইথন
- স্থান
- বিরল
- কাঁচা
- বাস্তব জগতে
- নিয়োগের
- নিয়মিত
- সংশ্লিষ্ট
- প্রতিস্থাপিত
- গবেষণা
- গবেষণা ও উন্নয়ন
- দায়ী
- ফলাফল
- প্রত্যাবর্তন
- আয়
- অনমনীয়
- শক্তসমর্থ
- একই
- স্কেল
- বিজ্ঞান
- বিজ্ঞান
- বিজ্ঞানী
- সার্চ
- ঋতু
- ঋতু
- সেকেন্ড
- জ্যেষ্ঠ
- আলাদা
- ক্রম
- সেবা
- সেট
- সাত
- বিভিন্ন
- সংক্ষিপ্ত
- প্রদর্শিত
- পক্ষই
- গুরুত্বপূর্ণ
- অনুরূপ
- কেবল
- থেকে
- ছোট
- So
- সফটওয়্যার
- সফটওয়্যার ইঞ্জিনিয়ার
- সমাধান
- সলিউশন
- সমাধান
- উৎস
- প্রশিক্ষণ
- নির্দিষ্ট
- স্পীড
- খরচ
- খেলা
- বিজ্ঞাপন
- চৌকাকৃতি
- পরিসংখ্যান
- পরিসংখ্যান
- বাঁধন
- স্ট্রিমিং
- এমন
- টেবিল
- টীম
- দল
- প্রযুক্তি
- প্রযুক্তিঃ
- শর্তাবলী
- পরীক্ষা
- সার্জারির
- তাদের
- অতএব
- সময়
- সময় সিরিজ
- থেকে
- অত্যধিক
- সরঞ্জাম
- শীর্ষ
- অনুসরণকরণ
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- রুপান্তর
- রুপান্তরিত
- সত্য
- বোঝা
- বিশ্ববিদ্যালয়
- শিকাগো বিশ্ববিদ্যালয়
- ব্যবহার
- বৈধতা
- মানগুলি
- বৈচিত্র্য
- বিভিন্ন
- উল্লম্ব
- ভাইকিং
- কল্পনা
- উপায়
- ধন
- ওয়েব
- ওয়েব সার্ভিস
- ওজন
- যে
- উইকিপিডিয়া
- মধ্যে
- ওঁন
- হয়া যাই ?
- কাজ
- কাজ
- would
- X
- বছর
- আপনি
- আপনার
- zephyrnet