Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos

Bastarrica Boghossian, Felipe - Giosa Lirola, Aldo Gabriel - Maestro Barrios, Esteban

Supervisor(es): Mora Riquelme, Hugo Andrés

Resumen:

El siguiente trabajo final se centra en la aplicación de técnicas de aprendizaje automático aplicado a predicciones de resultados de carreras de caballos, con el objetivo de maximizar las ganancias para distintos tipos de apuestas. La finalidad es poder armar una o más apuestas que lleven al usuario a tener un resultado más redituable frente a su percepción como apostador. Esta puede ser la clásica apuesta al ganador, combinaciones de caballos para los primeros puestos, hasta no hacer ninguna apuesta debido a las pocas certezas que se tienen para obtener un resultado favorable y seguro. Para este trabajo se estudiaron datos de miles de carreras de caballos en Australia, con el objetivo de investigar en profundidad todas las variables que se obtienen de diferentes fuentes, entender el problema para modelar las soluciones de forma acorde y aplicar técnicas de aprendizaje automático para comparar resultados utilizando diferentes métricas. El contenido de esta tesis muestra los variados retos y estudios que implicaron la realización del análisis y los modelos, como el diseño de la simulación y la optimización de las técnicas utilizadas.


Detalles Bibliográficos
2024
PROYECTOS-MD
APRENDIZAJE AUTOMÁTICO
INTELIGENCIA ARTIFICIAL
JUEGOS DE AZAR
Español
Universidad ORT Uruguay
RAD
https://hdl.handle.net/20.500.11968/7030
http://hdl.handle.net/20.500.11968/7030
Acceso abierto
Acceso abierto
_version_ 1816774023130906624
author Bastarrica Boghossian, Felipe
author2 Giosa Lirola, Aldo Gabriel
Maestro Barrios, Esteban
author2_role author
author
author_facet Bastarrica Boghossian, Felipe
Giosa Lirola, Aldo Gabriel
Maestro Barrios, Esteban
author_role author
bitstream.checksum.fl_str_mv 6c163b90da73c9a9684bcbda83f0c486
30134776c83998ae4ed4e4461fb49f42
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
bitstream.url.fl_str_mv https://rad.ort.edu.uy/bitstreams/8864d0c7-6d38-494a-b886-c803cc6e06bb/download
https://rad.ort.edu.uy/bitstreams/b0bf4478-860a-4009-8fa4-6f63e2695d3e/download
collection RAD
dc.contributor.tribunal.none.fl_str_mv Braberman, Victor Adrian
Rodriguez Pedreira, Juan Andrés
dc.creator.advisor.none.fl_str_mv Mora Riquelme, Hugo Andrés
dc.creator.none.fl_str_mv Bastarrica Boghossian, Felipe
Giosa Lirola, Aldo Gabriel
Maestro Barrios, Esteban
dc.date.accessioned.none.fl_str_mv 2024-08-22T18:43:12Z
dc.date.available.none.fl_str_mv 2024-08-22T18:43:12Z
dc.date.issued.none.fl_str_mv 2024
dc.description.abstract.none.fl_txt_mv El siguiente trabajo final se centra en la aplicación de técnicas de aprendizaje automático aplicado a predicciones de resultados de carreras de caballos, con el objetivo de maximizar las ganancias para distintos tipos de apuestas. La finalidad es poder armar una o más apuestas que lleven al usuario a tener un resultado más redituable frente a su percepción como apostador. Esta puede ser la clásica apuesta al ganador, combinaciones de caballos para los primeros puestos, hasta no hacer ninguna apuesta debido a las pocas certezas que se tienen para obtener un resultado favorable y seguro. Para este trabajo se estudiaron datos de miles de carreras de caballos en Australia, con el objetivo de investigar en profundidad todas las variables que se obtienen de diferentes fuentes, entender el problema para modelar las soluciones de forma acorde y aplicar técnicas de aprendizaje automático para comparar resultados utilizando diferentes métricas. El contenido de esta tesis muestra los variados retos y estudios que implicaron la realización del análisis y los modelos, como el diseño de la simulación y la optimización de las técnicas utilizadas.
dc.description.none.fl_txt_mv Incluye bibliografía y anexos.
dc.format.extent.none.fl_str_mv 95 p. diagrs., grafs.
dc.format.mimetype.none.fl_str_mv PDF
dc.identifier.citation.none.fl_str_mv Bastarrica Boghossian, F., Giosa Lirola, A. G. & Maestro Barrios, E. (2024). Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos (Trabajo final). Universidad ORT Uruguay, Facultad de Ingeniería. Recuperado de https://rad.ort.edu.uy/handle/20.500.11968/7030
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.11968/7030
http://hdl.handle.net/20.500.11968/7030
dc.language.iso.none.fl_str_mv spa
dc.publisher.none.fl_str_mv Universidad ORT Uruguay
dc.relation.other.none.fl_str_mv https://sisbibliotecas.ort.edu.uy/bib/95820
dc.rights.license.none.fl_str_mv Acceso abierto
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.source.none.fl_str_mv reponame:RAD
instname:Universidad ORT Uruguay
instacron:Universidad ORT
dc.subject.none.fl_str_mv PROYECTOS-MD
APRENDIZAJE AUTOMÁTICO
INTELIGENCIA ARTIFICIAL
JUEGOS DE AZAR
dc.title.none.fl_str_mv Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
dc.type.none.fl_str_mv Trabajo final de carrera
info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/publishedVersion
description Incluye bibliografía y anexos.
eu_rights_str_mv openAccess
format bachelorThesis
id RAD_de5c719b8fe93f3a225043f947694b79
identifier_str_mv Bastarrica Boghossian, F., Giosa Lirola, A. G. & Maestro Barrios, E. (2024). Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos (Trabajo final). Universidad ORT Uruguay, Facultad de Ingeniería. Recuperado de https://rad.ort.edu.uy/handle/20.500.11968/7030
instacron_str Universidad ORT
institution Universidad ORT
instname_str Universidad ORT Uruguay
language spa
network_acronym_str RAD
network_name_str RAD
oai_identifier_str oai:rad.ort.edu.uy:20.500.11968/7030
publishDate 2024
publisher.none.fl_str_mv Universidad ORT Uruguay
reponame_str RAD
repository.mail.fl_str_mv rodriguez_v@ort.edu.uy
repository.name.fl_str_mv RAD - Universidad ORT Uruguay
repository_id_str 3927
rights_invalid_str_mv Acceso abierto
spelling Braberman, Victor AdrianRodriguez Pedreira, Juan AndrésBastarrica Boghossian, FelipeGiosa Lirola, Aldo GabrielMaestro Barrios, EstebanMora Riquelme, Hugo Andrés2024-08-22T18:43:12Z2024-08-22T18:43:12Z2024Incluye bibliografía y anexos.El siguiente trabajo final se centra en la aplicación de técnicas de aprendizaje automático aplicado a predicciones de resultados de carreras de caballos, con el objetivo de maximizar las ganancias para distintos tipos de apuestas. La finalidad es poder armar una o más apuestas que lleven al usuario a tener un resultado más redituable frente a su percepción como apostador. Esta puede ser la clásica apuesta al ganador, combinaciones de caballos para los primeros puestos, hasta no hacer ninguna apuesta debido a las pocas certezas que se tienen para obtener un resultado favorable y seguro. Para este trabajo se estudiaron datos de miles de carreras de caballos en Australia, con el objetivo de investigar en profundidad todas las variables que se obtienen de diferentes fuentes, entender el problema para modelar las soluciones de forma acorde y aplicar técnicas de aprendizaje automático para comparar resultados utilizando diferentes métricas. El contenido de esta tesis muestra los variados retos y estudios que implicaron la realización del análisis y los modelos, como el diseño de la simulación y la optimización de las técnicas utilizadas.95 p. diagrs., grafs.PDFBastarrica Boghossian, F., Giosa Lirola, A. G. & Maestro Barrios, E. (2024). Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos (Trabajo final). Universidad ORT Uruguay, Facultad de Ingeniería. Recuperado de https://rad.ort.edu.uy/handle/20.500.11968/7030https://hdl.handle.net/20.500.11968/7030http://hdl.handle.net/20.500.11968/7030spaUniversidad ORT Uruguayhttps://sisbibliotecas.ort.edu.uy/bib/95820info:eu-repo/semantics/openAccessAcceso abiertoPROYECTOS-MDAPRENDIZAJE AUTOMÁTICOINTELIGENCIA ARTIFICIALJUEGOS DE AZARImplementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballosTrabajo final de carrerainfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionreponame:RADinstname:Universidad ORT Uruguayinstacron:Universidad ORTFI - Master en Big Data - MDFacultad de IngenieríaMasterMaster en Big DataTrabajo finalTrabajo final (Master). Universidad ORT Uruguay, Facultad de IngenieríaORIGINALMaterial completo.pdfdescriptionapplication/pdf2619872https://rad.ort.edu.uy/bitstreams/8864d0c7-6d38-494a-b886-c803cc6e06bb/download6c163b90da73c9a9684bcbda83f0c486MD51THUMBNAILMaterial completo.pdf.jpgMaterial completo.pdf.jpgGenerated Thumbnailimage/jpeg3789https://rad.ort.edu.uy/bitstreams/b0bf4478-860a-4009-8fa4-6f63e2695d3e/download30134776c83998ae4ed4e4461fb49f42MD5220.500.11968/70302024-11-22 15:16:51.758oai:rad.ort.edu.uy:20.500.11968/7030https://rad.ort.edu.uyUniversidadhttps://www.ort.edu.uy/https://rad.ort.edu.uy/server/oai/requestrodriguez_v@ort.edu.uyUruguayopendoar:39272024-11-22T15:16:51RAD - Universidad ORT Uruguayfalse
spellingShingle Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
Bastarrica Boghossian, Felipe
PROYECTOS-MD
APRENDIZAJE AUTOMÁTICO
INTELIGENCIA ARTIFICIAL
JUEGOS DE AZAR
status_str publishedVersion
title Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
title_full Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
title_fullStr Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
title_full_unstemmed Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
title_short Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
title_sort Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
topic PROYECTOS-MD
APRENDIZAJE AUTOMÁTICO
INTELIGENCIA ARTIFICIAL
JUEGOS DE AZAR
url https://hdl.handle.net/20.500.11968/7030
http://hdl.handle.net/20.500.11968/7030