Cette semaine, nous utiliserons les données NBA pour présenter les codes Python de base et importants afin de procéder au nettoyage et à la préparation des données. Cette semaine aborde également les analyses sommaires et descriptives à l'aide de statistiques et de graphiques afin de comprendre la distribution des données, les caractéristiques et la structure des variables ainsi que la relation entre deux variables. À la fin de cette semaine, nous introduirons les coefficients de corrélation pour résumer la relation linéaire entre deux variables.

Ce module présente quelques méthodes de représentation des données à l'aide d'exemples tirés de la MLB, de la NBA et de l'Indian Premier League. Les données de la MLB sont utilisées pour analyser la distribution spatiale des différents coups. Les données de la NBA sont utilisées pour générer des cartes thermiques afin d'illustrer les différentes façons dont les joueurs contribuent. Les données de l'IPL sont utilisées pour montrer comment les performances des équipes peuvent être comparées graphiquement.

Cette semaine présente les principes fondamentaux de l'analyse de régression. Nous verrons comment effectuer une analyse de régression à l'aide de Python et comment interpréter les résultats de la régression. Nous utiliserons les données de la NHL pour estimer des modèles de régression multiple afin d'identifier les facteurs de performance au niveau de l'équipe qui affectent le pourcentage de victoire de l'équipe. Nous utiliserons également des données de cricket de l'Indian Premier League pour effectuer des analyses de régression afin d'examiner si les performances des joueurs ont un impact sur leur salaire.

Ce module utilise l'analyse de régression pour étudier la relation entre les dépenses salariales des équipes et les performances des équipes en NBA, NHL, EPL et IPL. Le module explore différentes manières de définir le modèle de régression et d'interpréter les résultats de modèles de régression concurrents.

Cette semaine, nous étudions un sujet intéressant dans le domaine du sport, la main chaude. Nous présenterons le concept de hot hand et discuterons de la recherche universitaire qui examine si le hot hand est un phénomène ou une erreur. Nous montrerons comment tester analytiquement la main chaude à l'aide des données du journal des tirs de la NBA. Nous testerons si les joueurs de la NBA ont la main chaude en calculant les probabilités conditionnelles et les coefficients d'autocorrélation, ainsi qu'en effectuant des analyses de régression.