Qualificação de mestrado do discente Carlos Souza, dia 11/12 as 14:00

Qualificação de mestrado do discente Carlos Souza, dia 11/12 as 14:00

Título: CLASSIFICAÇÃO DE JOGADAS NA NFL UTILIZANDO GNN E DADOS DE RASTREIO DOS JOGADORES
Resumo: A análise de dados esportivos tem evoluído significativamente com a disponibilização de dados de rastreamento (tracking data) de alta fidelidade, permitindo investigações mais profundas sobre as dinâmicas táticas em esportes complexos como o futebol americano. Este estudo propõe uma abordagem baseada em Redes Neurais de Grafos (GNNs) para a classificação de jogadas ofensivas na National Football League (NFL) em duas categorias: passe ou corrida. Partindo da hipótese de que o posicionamento relativo e as interações espaciais entre os jogadores contêm informações críticas frequentemente ignoradas por modelos tradicionais, o estudo utiliza dados da temporada 2022-2023 para modelar cada jogada como um grafo. Foram exploradas e comparadas diversas estratégias de construção de grafos para representar a conectividade em campo, incluindo Triangulação de Delaunay, Grafo de Gabriel, Vizinhança Relativa, Árvore Geradora Mínima (MST) e k-Vizinhos Mais Próximos (k-NN). O desempenho de uma Rede Convolucional de Grafos (GCN) foi confrontado com modelos de base clássicos (Random Forest e Multilayer Perceptron). Os resultados experimentais preliminares demonstram a superioridade da modelagem relacional, com a GCN utilizando a topologia de Árvore Geradora Mínima alcançando o melhor desempenho (F1-Score} máximo de 0,7794, superando as arquiteturas convencionais e validando a eficácia da captura de dependências geométricas para a predição de estratégias na NFL.
- Data: 11/12/2025    - Horário: 14:00
- Banca: Prof. Dr. Vander Freitas; Prof. Dr. Jadson Castro