Aplicação de modelo de aprendizado de máquina não supervisionado no jogo FIFA 2022

Abstract

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.

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.