& 155 In hoofdstuk 4 analyseerden we verschillende statistische methoden. We hebben de nauwkeurigheid getest van het schatten van de impact van invallers op de fysieke prestaties van een voetbalteam met behulp van positie- en vervangingsdata en data van het optische volgsysteem SportsVU. We vergeleken de nauwkeurigheid van twee methoden: Targeted Maximum Likelihood Estimation (TMLE) en een gegeneraliseerd lineair model op basis van de volledige dataset. We hebben ook de nauwkeurigheid van deze methoden getest wanneer een cruciale variabele uit de dataset werd verwijderd. De robuustere TMLE-methode bood nauwkeurigere inzichten dan het gegeneraliseerde lineaire model, vooral bij afwezigheid van een cruciale variabele in de dataset. Door middel van statistische analyse en machine learning onderzochten we in hoofdstuk 5 de impact van trainingsbelasting op blessures bij hardlopers. Onze dataset bestond uit gegevens van testen, trainingssessies en blessurelogboeken. We gebruikten fysieke werkbelastingindicatoren zoals trainingsuren en ervaren mate van inspanning, om een acute: chronische werkbelasting ratio te creëren. Ons doel was om te testen of traditionele statistische analyse of machine learning toegepast op de inherent incomplete dataset betere inzichten of voorspellingen oplevert. We vonden een statistisch significant verband tussen trainingsbelasting en blessurerisico. Echter, zowel statistische analyse als machine learning zijn beperkt in het geven van bruikbare voorspellingen voor het voorkomen van blessures. Conclusie Op basis van de bevindingen van dit proefschrift is de conclusie dat het combineren van gepersonaliseerde gegevens, sensitieve prestatieindicatoren, machine learning, geavanceerde statistieken en een causale roadmap in combinatie met een causaal model, kunnen helpen om de data analytics kloof tussen fysieke activiteit en fysieke prestatiegegevens en het vermogen om er zinvolle inzichten en voorspellingen te extraheren te verkleinen. Terwijl we de kloof in data analytics verkleinden, toonden we het potentieel van het toepassen van data analytics aan. Door het toepassen van data analytics en het verkleinen van de data analytics kloof wordt het mogelijk beter geïnformeerde interventies in fysieke activiteit te plegen. Deze resultaten bieden een basis voor toekomstig onderzoek om de data-analysekloof nog meer te verkleinen en mogelijk geautomatiseerde monitoring, voorspelling en coachings-systemen te realiseren . SAMENVATTING
RkJQdWJsaXNoZXIy MjY0ODMw