Moneyball 一书表明，数据分析可用于提高球队胜率，从而引发了职业体育成绩统计分析的一场革命。本课程展示了如何使用 Python 进行数据编程，以测试 Moneyball 故事背后的主张，并研究 Moneyball 统计数据自该书出版以来的演变。课程将引导学员通过公开数据集计算棒球表现统计数据。课程从分析上垒率和投球命中率开始，到使用预期跑数矩阵得出的更高级的衡量标准，如高于替补胜场数（WAR）。课程结束时，学员将能够使用这些统计数据对自己的球队和球员进行分析。
钱球及其他
了解顶级公司的员工如何掌握热门技能
积累特定领域的专业知识
本课程是 运动表现分析 专项课程 专项课程的一部分
在注册此课程时，您还会同时注册此专项课程。
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书
该课程共有5个模块
在本模块中，我们将介绍 "金钱球 "的故事，并探讨用于检验该故事的方法。我们首先通过建立球队胜率与两项成绩统计--上垒率（OBP）和击球率（SLG）--之间的关系来复制 "金钱球 "测试。
涵盖的内容
5个视频10篇阅读材料3个作业2个非评分实验室
在本模块中，我们估算了 MLB 球员的薪水与其表现统计数据 OBP（上垒率）和 SLG（击球率）之间的关系。结果似乎证实了 Moneyball 的说法--在 Moneyball 出版之前，OBP 相对于 SLG 被低估，而在 Moneyball 出版之后，两者的相对重要性发生了逆转。
涵盖的内容
6个视频8篇阅读材料3个作业2个非评分实验室
本模块更新了 Hakes & Sauer 的分析，并估算了 1994 -2015 年间 OBP 和 SLG 的回报。此外，它还展示了奖励如何与 SLG 的各个组成部分相关：保送、一垒安打、二垒安打、三垒安打和本垒打。
涵盖的内容
6个视频9篇阅读材料3个作业2个非评分实验室
本模块介绍了跑分期望值的概念，展示了如何根据 2018 赛季所有赛事的 MLB 数据集推导出跑分期望值矩阵和计算跑分值。跑分值按事件类型（保送、单打、双打等）和球员计算。
涵盖的内容
4个视频9篇阅读材料3个作业2个非评分实验室
本模块探讨了 "替补以上胜场"（WAR）的概念，并介绍了如何根据击球表现计算 WAR。然后探讨比赛跑分值、球队胜率和球员薪资之间的关系。结果表明，跑分值与胜率和薪金有高度相关性。跑分值可以在一定程度上预测胜率。
涵盖的内容
4个视频9篇阅读材料3个作业2个非评分实验室
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
位教师
授课教师评分
(13个评价)
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
学生评论
- 5 stars
69.81%
- 4 stars
22.64%
- 3 stars
3.77%
- 2 stars
0%
- 1 star
3.77%
显示 3/53 个
AB
已于 Oct 25, 2023审阅
Excellent course, really enjoyed it even as someone who doesn't follow baseball
JB
已于 Aug 25, 2021审阅
I learned a lot about baseball and the Python language. Thank you for the great course.
MH
已于 Mar 17, 2022审阅
An excellent way to develop Python skills to interesting topics.
从 数据科学 浏览更多内容
University of Houston
University of Michigan
University of Colorado Boulder
University of Michigan