Publicação: Aplicação de modelo de aprendizado de máquina não supervisionado no jogo FIFA 2022
Carregando...
Arquivos
Data
Autores
Orientador
Schlunzen Junior, Klaus 
Coorientador
Pós-graduação
Curso de graduação
Presidente Prudente - FCT - Estatística
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Todo entusiasta de jogos eletrônicos busca alcançar o melhor desempenho possível
em sua jogabilidade, e no contexto do FIFA, não poderia ser diferente. A possibilidade
de gerenciar uma equipe, realizar contratações e traçar estratégias táticas torna a
experiência ainda mais envolvente e imersiva, com um único objetivo em mente:
alcançar a glória. No entanto, esse objetivo exige mais do que habilidade individual; é
necessário planejamento estratégico, especialmente na identificação e seleção de
atletas que se alinhem ao orçamento e às necessidades da equipe. Por meio da
aplicação de aprendizado de máquina, utilizando o algoritmo K-Médias, atletas foram
agrupados em clusters distintos com base em suas características, como idade, valor
de mercado e potencial de desempenho. Esses grupos permitem que os jogadores
avaliem e escolham atletas de maneira mais eficiente, considerando fatores como
custo-benefício e estratégia de longo prazo. A análise revelou diversas oportunidades
valiosas de contratação. Entre elas, destacam-se atletas jovens com excelente
potencial futuro e preços acessíveis, que representam ótimos investimentos para
equipes que buscam equilíbrio entre desempenho e orçamento. Ao explorar as
possibilidades que os dados oferecem, o trabalho busca aprimorar a experiência dos
jogadores no FIFA, transformando informações complexas em conhecimentos
práticos e acessíveis. Para os entusiastas que desejam elevar sua jogabilidade e
tomar decisões estratégicas fundamentadas, este projeto oferece uma ótima
ferramenta para alcançar o sucesso no universo dos jogos eletrônicos.
Resumo (inglês)
Every electronic game enthusiast seeks to achieve the best possible performance in
their gameplay, and in the context of FIFA, it is no different. The ability to manage a
team, make signings, and devise tactical strategies makes the experience even more
engaging and immersive, with a single objective in mind: to achieve glory. However,
this goal requires more than individual skill; it demands strategic planning, especially in
identifying and selecting athletes that align with the budget and needs of the team. By
applying machine learning using the K-Means algorithm, athletes were grouped into
distinct clusters based on characteristics such as age, market value, and performance
potential. These groups allow players to evaluate and choose athletes more efficiently,
considering factors such as cost-effectiveness and long-term strategy. The analysis
revealed several valuable signing opportunities. Among them, standout players include
young athletes with excellent future potential and affordable prices, representing great
investments for teams seeking a balance between performance and budget. By
exploring the possibilities that data offers, this work aims to enhance the FIFA player
experience by transforming complex information into practical and accessible
knowledge. For enthusiasts who wish to elevate their gameplay and make informed
strategic decisions, this project provides a great tool for achieving success in the world
of electronic games.
Descrição
Palavras-chave
Estatítisica, Analise estatística multivariada, Aprendizado de máquinas, Clusterização, Football, FIFA, K-Means, Clustering, Unsupervised Machine Learning, Elbow Method, Silhouette Method, Athlete Recruitment in FIFA
Idioma
Português
Como citar
LIMA, Igor Rodrigues. Aplicação de modelo de aprendizado de máquina não supervisionado no jogo FIFA 2022. Orientador: Klaus Schlunzen Junior. 2025. 67 f. Trabalho de Conclusão de Curso (Bacharelado em Estatística) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2024.
