| Form of studies |
Bachelor |
| Title of the study programm |
Computer Science and Organizational Technologies |
| Title in original language |
Counter-Strike 2 Esports Spēļu Rezultātu Prognozēšana, Pamatojoties uz Spēlētāju Statistiku un Spēļu Vēsturi. |
| Title in English |
Predicting Counter-Strike 2 Esports Match Outcomes Based on Player Statistics and Match History. |
| Department |
Riga Business School |
| Scientific advisor |
Ronalds Cinks |
| Reviewer |
Jiri Janda |
| Abstract |
E-sports ir augoša industrija ar skatītājiem visā pasaulē. Salīdzinot ar tradicionālajiem
sporta veidiem, e-sports ir mazāk populārs un sarežģītāks. Counter-Strike 2 ir viena no visvairāk spēlētajām un skatītajām e-sporta spēlēm. Spēļu rezultātu prognozēšana ir bieži apspriests temats gan tradicionālajā sportā, gan e-sportā. Cilvēki var izdarīt prognozes, tomēr viņiem ir nepieciešamas plašas zināšanas par spēli un spēlētājiem. Lai veiktu prognozes ātrāk un precīzāk, tiek izmantoti mašīnmācīšanās modeļi. Šī darba mērķis ir analizēt dažādus mašīnmācīšanās modeļus un datu punktus, kas tiek izmantotas e-sporta spēļu prognozēšanai, lai salīdzinātu to precizitāti. Šim mērķim darbā tiek izmantots Python kods un dažādas tā bibliotēkas, lai iegūtu datus, izveidotu modeļus un tos testētu. Darbā analizētie modeļi ir loģistiskā regresija, nejaušais mežs un ilgā īstermiņa atmiņa. Vēsturiskie spēlētāju statistikas dati tiek izmantoti darbā, lai apmācītu un testētu modeļus. Darbs ietver literatūras apskatu par saistītajiem pētījumiem, kas pēta Counter-Strike: Global Offensive, kas ir Counter-Strike 2 priekštecis. Turklāt literatūras apskatā ir iekļauti pētījumi par e-sporta spēlēm League of Legends un Defense of the Ancients 2. Darba mērķis ir atbildēt uz diviem pētniecības
jautājumiem. Kurš mašīnmācīšanās modelis vai algoritms sniedz visprecīzākās Counter-Strike 2 e-sporta spēļu rezultātu prognozes? Kuri datu punkti ir visnozīmīgākie Counter-Strike 2 e-sporta spēļu rezultātu prognozēšanā? Šī darba rezultāti var sniegt ieskatu turpmākajiem pētījumiem un mašīnmācīšanās pielietošanas metodēm e-sportā. Šī darba ierobežojumi ir dati, kas tika izmantoti, lai apmācītu modeļus. Var izmantot padziļinātākus datus, lai uzlabotu modeļa veiktspēju. Turklāt var izmantot citus modeļus un salīdzināt to rezultātus. |
| Keywords |
Mašīnmācība, loģistiskā regresija, nejaušs mežs, ilgtermiņa īstermiņa atmiņa, esports, prognozes, Counter-Strike 2 |
| Keywords in English |
Machine learning, logistic regression, random forest, long short-term memory, esports, prediction, Counter-Strike 2 |
| Language |
eng |
| Year |
2025 |
| Date and time of uploading |
13.04.2025 18:11:23 |
