Programme

Lundi 26 juin

14h - 17h (Amphi S3 043)

Accueil et présentation (François Rioult, Albrecht Zimmermann)

Détecter les compensations en biomécanique de la course : du labo vers l'optimisation des performances et la rééducation (Benedicte Vanwanseele, Tim op de Beeck) diapos

La course de fond récréative est l'une des formes d'activité physique les plus populaires. La course à pied confère des bienfaits pour la santé allant de la prévention des maladies chroniques à l'amélioration de la santé mentale. Malheureusement, la course à pied se caractérise toujours par une (ré)occurrence élevée de blessures musculo-squelettiques. Les tentatives d'identification des facteurs de risque de blessures liées à la course à pied (RRI) ont généralement donné des résultats médiocres. Les principales raisons de ces mauvais résultats sont qu'ils utilisent principalement une approche réductionniste qui ne tient pas compte de la nature multifactorielle complexe des IRR, sont des études de laboratoire rétrospectives et ne surveillent pas la charge musculo-squelettique pendant les séances d'entraînement.

La combinaison de la technologie portable, de l'intelligence artificielle (IA) et des connaissances biomécaniques pour modéliser les données recueillies lors des séances d'entraînement et de rééducation a contribué à une meilleure compréhension des interactions complexes entre l'environnement, la fatigue et les blessures. Nous discuterons des défis liés aux données qui se posent lors de l'analyse de ce type de données et de l'importance du matériel, de la fixation des capteurs et des méthodes d'extraction de caractéristiques correctes pour obtenir de bonnes données, des modèles utiles et des interprétations exploitables.

Analyse de données pour les sports individuels : Différents types de modèles markoviens et applications en natation et escalade (Nicolas Vergne) diapos (avec vidéo, sans vidéo)

Les modèles de type markoviens permettent de traiter de données dépendantes, en conditionnant la probabilité d'un état à l'instant présent par l'état de l'instant précédent. Après une brève description des modèles de Markov classiques, deux extensions de ces modèles seront présentés : les modèles de Markov dérivants et les modèles semi-markoviens. La construction toute récente de modèles dérivants semi-markoviens sera ensuite discutée. Enfin les modèles de Markov dérivants seront appliquées à des données issues de natation et d'escalade.

Mardi 27 juin

9h30 - 11h (Amphi S3 043)

Optimisation des performances en patinage de vitesse et en cyclisme sur route (Arno Knobbe) diapos patinage de vitesse cyclisme

Dans les sports d'élite, atteindre le podium demande une attention aux détails. Beaucoup de ces détails nécessitent l'optimisation d'un large éventail de paramètres, et une analyse minutieuse des données disponibles est nécessaire afin d'atteindre ou de s'approcher de cet optimum. Par exemple, lors de la préparation d'un athlète pour une course à venir, de nombreux aspects de la répartition de l'entraînement au cours des semaines précédant la course auront un impact modeste, mais potentiellement décisif sur le résultat. Une analyse minutieuse des données historiques pourrait vous donner des indices sur la façon d'optimiser cette préparation. Dans cette conférence, je discuterai des efforts dans deux disciplines sportives où des efforts substantiels en science des données nous ont permis de déterrer des informations détaillées qui pourraient potentiellement conduire à un avantage concurrentiel. Dans le premier sport, le patinage de vitesse, nous avons analysé une grande collection d'horaires d'entraînement afin de rechercher les opportunités et les pièges pour les futures courses. En cyclisme sur route, nous modélisons la réponse physiologique non triviale d'athlètes sélectionnés à différents efforts, grâce aux données collectées à partir du capteur de puissance du vélo. Dans les deux cas, nous nous concentrons sur le défi d'utiliser des données personnelles détaillées afin de produire un modèle spécifique à l'athlète qui capture les caractéristiques individuelles de l'athlète d'élite.

11h - 12h (Amphi S3 043)

Géolocalisation d’intérieur au gymnase des Vikings (Caen Handball) (François Rioult)

14h - 17h (Salle TP S3 160 [S3 159, si nécessaire])

Session pratique : Contextualiser les données physiques an handball: travailler avec des données brutes pour y “percevoir" du handball (John Komar) diapos (560 MB, .pptx)

Mercredi 28 juin

9h30 - 12h (Salle TP S3 160 [S3 159, si nécessaire])

Session pratique : Basketball data science (Ambra Macis) diapos

Ce court cours se compose de deux parties. Le premier fournit la compréhension des concepts de base de la science des données de basket-ball. Le second concerne les données de basket-ball et le package R BasketballAnalyzeR. À partir d'une description des différentes sources et formes de données de basket-ball, cette partie présente le package R BasketballAnalyzeR et suggère comment l'utiliser avec certaines méthodes de base et avancées d'analyse de données statistiques.

14h - 15h30 (Amphi S3 043)

Coaching optimal : comment les outils de modélisation statistique et d'intelligence artificielle peuvent aider (Mathieu Rosenbaum) diapos

Dans cette conférence, nous montrons à travers des exemples comment certains outils mathématiques combinés à des techniques d'intelligence artificielle peuvent aider les équipes à améliorer leurs décisions. Nous nous concentrons sur les équipes de football et examinons divers problèmes qui doivent être résolus avant, pendant et après les matchs. Notre objectif est d'illustrer la puissance des outils scientifiques pour quantifier les décisions prises par les équipes et les joueurs.

15h30-17h (Amphi S3 043)

Utilisation de l'apprentissage automatique pour évaluer la qualité des joueurs dans les sports d'équipe (Albrecht Zimmermann) diapos

Jeudi 29 juin

9h30 - 12h (Amphi S3 043)

Défis spatio-temporels dans l'analyse des données de football (Ulf Brefeld) diapos

Les données provenant du sport nécessitent souvent des moyens de traitement non standard. En particulier, les données de suivi des données des sports d'équipe sont souvent difficiles car il existe différents types d'agents (joueurs équipe A, joueurs équipe B, ballon) où la position de chaque agent est mesurée automatiquement à intervalles réguliers et discrets. Les données de suivi sont souvent enrichies d'événements de match qui sont souvent annotés manuellement. Par conséquent, les horodatages des données d'événement sont répartis de manière irrégulière dans le jeu et peuvent différer des horodatages des données de suivi. Dans la première partie de cet exposé, je présenterai différentes manières de convertir les données de suivi et d'événements du football (soccer) en formats utilisables. La deuxième partie les utilise comme représentations d'entrée dans des modèles qui calculent des résultats intéressants. Nous nous concentrerons sur les modèles et discuterons des applications et des résultats (par exemple, la détection de modèles, la disponibilité,…).

Data-Informed Pragmatism: Parma Calcio’s Use of Analytics in Football (la présentation sera en français, avec les diapositives en anglais) (Sébastien Coustou) diapos

Découvrez comment Parma Calcio exploite l'analyse de données dans le football avec une approche pragmatique. Nous collaborons avec des fournisseurs de premier plan tels que Opta, Transfermarkt, WyScout et Wimu, en utilisant des téraoctets de données via notre architecture Big Data. Les capacités d'apprentissage automatique internes améliorent encore nos capacités d'analyse. Cette présentation présente l'intégration des informations sur les données entre les scouts, la haute direction et le personnel, illustrant le pragmatisme basé sur les données de Parma Calcio à la pointe de l'analyse du football.