Usando aprendizado de máquina/inteligência artificial para seleções de equipes de partidas de teste de críquete

O críquete é um esporte que dá alegria. O críquete é seguido por milhões de pessoas em todo o mundo, especialmente em países onde é jogado em massa. As pessoas são apaixonadas por seus times e os jogadores têm muitos fãs em todo o mundo.
Dado que mais do que apenas momentos esportivos, um jogo de críquete amplamente seguido tem muito mais em jogo do que apenas alguns dias ou poucas horas durante as quais é jogado.
Podemos descobrir que os fãs frequentemente discutem partidas de críquete e possíveis times antes de cada partida, seja uma partida de teste ou um dia internacional ou um T20.
O IPL escancarou as portas e apresentou muitos bons jogadores com suas boas atuações. Esses jogadores não são comprovados em nível internacional ou nacional, mas podem fazer valer no cenário internacional. O IPL também introduziu muitos bons problemas de seleção, ou seja, muito mais jogadores para escolher.
Quando uma seleção nacional é anunciada, ela envolve apenas jogadores que se provaram em nível internacional e não envolve jogadores que estão no centro das atenções por meio do críquete de franquia.
Além disso, quando a administração da equipe anuncia a equipe para uma partida antes do início da partida, às vezes as seleções chocam todos os fãs em todo o mundo. Os torcedores, mesmo que não sejam jogadores, entendem por que um jogador específico deveria ter sido incluído ou excluído do time.
Aqui é onde devemos confiar no método científico para nos fornecer o resultado tão necessário, uma política de seleção sem erros humanos, preconceito ou negligência.
Considerando que um capitão pode apenas ser capaz de julgar um jogador usando alguns critérios de seleção que ele tem em mente, não há como o capitão de um time ou o gerenciamento do time saber dos muitos outros fatores que podem influenciar o resultado do confronto. -à-vis o conjunto de jogadores que poderão fazer parte do plantel final.
Aqui, um bom algoritmo de aprendizado de máquina ou um algoritmo/modelo de IA pode usar toneladas de dados (Big data) e pode ser construído usando muitos critérios de seleção medidos ou parcialmente medidos. Estes podem ser o desempenho específico de um jogador contra um jogador adversário usando dados históricos, desempenho medido quantitativamente de um jogador em um local ou parâmetros de peso/forma física de um jogador, padrão alimentar seguido por um jogador, desempenho durante o segundo turno, primeiro turno , desempenho durante uma hora do dia, muitos outros parâmetros técnicos relacionados a rebatidas e boliche e parâmetros de desempenho de jogo, como quantas vezes um jogador ganhou uma partida para seu time etc., todos esses parâmetros podem ser quantificados e um resultado final pontuação pode ser obtida.
Essa abordagem do Balanced Scorecard, quando equilibrada com o objetivo de maximizar a chance do time contra um adversário em um local, removerá os caprichos e as políticas de seleção inconsistentes que às vezes são observadas pelos torcedores. Isso contribuirá muito para melhorar a credibilidade do críquete internacional, que infelizmente pode ser prejudicado por decisões partidárias ou incompetentes da administração.
“Em Deus nós confiamos. Todos os outros devem trazer dados.”