Please use this identifier to cite or link to this item: https://essuir.sumdu.edu.ua/handle/123456789/86137
Or use following links to share this resource in social networks: Recommend this item
Title Застосування методів машинного навчання для статистичного аналізу та прогнозування кіберспортивної галузі
Authors Kuzmenko, Olha Vitaliivna  
Mynenko, Serhii Volodymyrovych  
Hrytsenko, Kostiantyn Hryhorovych  
Yatsenko, Valerii Valeriiovych  
ORCID http://orcid.org/0000-0001-8575-5725
http://orcid.org/0000-0003-3998-9031
http://orcid.org/0000-0002-7855-691X
http://orcid.org/0000-0003-2316-3817
Keywords кіберспорт
кіберспортивна індустрія
машинне навчання
метод опорних векторів
SVM
e-sports
e-sports industry
machine learning
reference vector method
киберспорт
киберспортивная индустрия
машинное обучение
метод опорных векторов
Type Article
Date of Issue 2021
URI https://essuir.sumdu.edu.ua/handle/123456789/86137
Publisher Вимірювальна та обчислювальна техніка в технологічних процесах
License Copyright not evaluated
Citation Застосування методів машинного навчання для статистичного аналізу та прогнозування кіберспортивної галузі / О. В. Кузьменко, С. В. Миненко, К. Г. Гриценко, В. В. Яценко // Вимірювальна та обчислювальна техніка в технологічних процесах. 2021. № 1. C. 126-132. DOI: 10.31891/2219-9365-2021-67-1-18
Abstract У статті розглянуто динаміку та поведінку кіберспортивної індустрії на світовому рівні та стан кіберспорту як індустрії в Україні. Визначено основні досягнення кіберспортивної сфери України. Проведено статистичний аналіз доходу кіберспортивної індустрії, сукупної аудиторії кіберспортивних ігор, постійних та пересічних глядачів змагань на основі аналізу варіації, моди, показників асиметрії та ексцесу розподілу. Для досягнення цілей дослідження було використано метод експоненційного згладження та метод опорних векторів. SVM є методом машинного навчання, який використовується для вирішення задач класифікації та регресії. Як і для класичної моделі регресії основою підходу є знаходження функції підгонки емпіричних даних. Обрані методи дозволили підготувати дані для аналізу та побудувати регресійні SVM-моделі з ядром на основі радіально-базисних функцій. Побудовані моделі для доходу кіберспорту та пересічних глядачів кіберспорту мають тип epsilon-SVM, а для світової аудиторії кіберспорту та постійних глядачів кіберспорту – nu-SVM. Доведена адекватність побудованих моделей на основі аналізу залишків моделі. Здійснено прогнозування вхідних показників. Визначено, що до 2025 року очікується постійне зростання доходу від кіберспортивної діяльності, що означає постійний розвиток та вдосконалення супутньої до кіберспорту інфраструктури. Визначено важливість та необхідність державної підтримки розвитку кіберспорту на всіх рівнях: від організації турнірних площадок до проведення регіональних, шкільних, аматорських турнірів. Отримані результати можуть бути використані Федерацією кіберспорту України, кіберспортивними організаціями, дослідниками для обгрунтування необхідності розвитку кіберспорту в Україні
The article considers the dynamics and behavior of the e-sports industry at the global level and the state of e-sports as an industry in Ukraine. The main achievements of the e-sports sphere of Ukraine are determined. The statistical analysis of the income of the e-sports industry, the total audience of e-sports games, regular and average spectators of competitions on the basis of the analysis of variation, fashion, indicators of asymmetry and excess of distribution is carried out. To achieve the objectives of the study, the method of exponential smoothing and the method of reference vectors were used. SVM is a machine learning method used to solve classification and regression problems. As for the classical regression model, the basis of the approach is to find the function of fitting empirical data. The chosen methods allowed to prepare data for analysis and to build regression SVM-models with a kernel on the basis of radial-basis functions. The built models for the income of e-sports and ordinary e-sports spectators are of the epsilon-SVM type, and for the global audience of e-sports and regular e-sports viewers - nu-SVM. The adequacy of the constructed models is proved on the basis of the analysis of model residues. Input indicators are predicted. It is determined that by 2025 the income from e-sports activities is expected to grow steadily, which means the constant development and improvement of the infrastructure related to e-sports. The importance and necessity of state support for the development of e-sports at all levels: from the organization of tournament venues to regional, school, amateur tournaments. The obtained results can be used by the Federation of e-sports of Ukraine, e-sports organizations, researchers to substantiate the need for the development of e-sports in Ukraine.
Appears in Collections: Наукові видання (ННІ БіЕМ)

Views

Belgium Belgium
1
China China
716
France France
1
Germany Germany
439895175
Greece Greece
8242
Ireland Ireland
174805
Japan Japan
439895174
Lithuania Lithuania
2862
Netherlands Netherlands
356
Singapore Singapore
-1813459947
Sweden Sweden
717
Ukraine Ukraine
266921549
United Kingdom United Kingdom
3663750
United States United States
1829869225
Unknown Country Unknown Country
11258477

Downloads

China China
1
Finland Finland
8238
France France
1
Lithuania Lithuania
1
Ukraine Ukraine
439895174
United Kingdom United Kingdom
1
United States United States
1829869226
Unknown Country Unknown Country
1178231105

Files

File Size Format Downloads
Kuzmenko_machine learning.pdf 629.29 kB Adobe PDF -846963549

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.