Sportinformatik - Datenanalyse und -visualisierung
Aktuelles
Übungsblätter
Die Korrekturen findet ihr unter
https://svn.uni.kn/mmsp/teaching/Sportinformatik/WS1920/Abgaben/VornameNachname
Die Übungsblätter sind immer bis Mittwoch, 8 Uhr per SVN abzugeben (ab Übungsblatt 2).
Tutorium
| Code | Daten | |
|---|---|---|
| Hello World | hello_world.R | |
| Plot and Paste | plots.R | |
| Simple Plots | simple_plots.Rmd | powerbike.csv |
| Data Types | DataTypes.Rmd | |
| Data Structures | datastructures.Rmd | |
| Dataframes | Dataframes.Rmd | |
| Tidyverse | tidyverse.Rmd | |
| Control and Loops | csandloops.Rmd | |
| Functions | functions.Rmd | |
| Functions 2 | functions2.Rmd | |
| Sounds | sounds.R | |
| FFT | ffts.R | |
| ODEs (Euler) | Euler.R | |
| Parameter Estimation | lactate.R | Stufentest_laktat_leistung.csv |
Themen und Literatur (geplant)
-
Einführung
Beispiel: "Empirical analysis of pacing in road cycling"
Zeitdiskrete Signalverarbeitung
-Signale
-Filter
-Savitzky-Golay Smoothing Filters
-On the Frequency-Domain Properties of Savitzky-Golay Filters
-Resampling/Interpolation
-Fourier-AnalyseRanglisten
-ELO
-Bundesliga/FIFA
-The Perron–Frobenius Theorem and the Ranking of Football Teams
- Lecture 08.01.20: part 1, part 2
- Lecture 15.01.20: part 1, part 2, part 3
- Lecture 22.01.20: part 1, part 2, part 3Modellierung und Parameterschätzung
-Oxygen dynamics
-Rationale and resources for teaching the mathematical modeling of athletic training and performance
Inhalte
Die Vorlesung ist für Studierende in Bachelorstudiengängen zu den Fächern Sportwissenschaft und Informatik konzipiert. Sie gibt eine Einführung in Themen und Methoden der Sportinformatik.
Die Sportinformatik umfasst primär die folgenden Gegenstandsbereiche:
- Datenaufnahme
- Datenanalyse
- Modellbildung und Simulation
- Datenbanken und Expertensysteme
- Visualisierung und Präsentation
- Kommunikation
Für die praktische Arbeit in Sportinformatik ist der Einsatz einer geeigneten Programmiersprache erforderlich. In diesem Kurs wird dazu eine Einführung in die freie Programmiersprache R gegeben. R gilt zunehmend als die Standardsprache für statistische Problemstellungen, Datenanalyse und deren graphischer Aufbereitung sowohl in der Wirtschaft als auch in der Wissenschaft.
Anhand von Beispielen, z.B. der Ergebnisaufbereitung von großen Sportevents, wird eine Einführung in Algorithmik gegeben, die in der zugehörigen Übung durch Implementierungen vertieft wird.
Weitere Gegenstände der Vorlesung sind Grundlagen der Signalverarbeitung: Sampling und Resampling bei Sensordaten, Filter, Synchronisierung, Korrelation, und Fourieranalyse. Anwendungen, die in der Vorlesung besprochen werden, liegen z.Z. in GPS Tracks, Spiroergometrie, HRV (heart rate variability), Beschleunigungssensorik.
Für die Modellierung und Simulation in der Sportinformatik führen wir in diskrete dynamische Systeme sowie in gewöhnliche Differentialgleichungen und deren numerische Lösung ein. Anwendungen dazu sind Performanzmodelle in Ausdauersportarten und die Modellierung und Planung von Trainingsbelastung (TRIMP).
Übungen
Die Übung begleitet die zugehörige Vorlesung:
- Installation und Konfiguration von R und R-Studio
- Programmieren in R
- Daten einlesen + plotten
- Schleifen, Funktionen, Rekursion in R
- Komplexe 2D Plots, Matrizen und Vektoren
- Mittelwerte und Standardabweichungen, Rekursion und Visualisierung
- Synchronisieren von Datensätzen, Detektion von Ausreißern
- Simulation von Performanzmodellen
- …
Lernziele
Erfolgreiche Studierende werden
- ein Verständnis dafür entwickeln, wie Methoden aus der Informatik in sportorientierten Anwendungen zum Einsatz kommen,
- in der Lage sein, eigenständig zu sportwissenschaftlichen Fragestellungen Methoden für die Datenanalyse- und Visualisierung zu entwickeln und
- Methoden der Sportinformatik in der Programmiersprache R implementieren können.
Zielgruppe
Studierende der Sportwissenschaft, Informatik und Information Engineering in Bachelorstudiengängen.
Empfohlene Voraussetzung
Studierende der Sportwissenschaft sollten zuvor den Kurs Mathematik für Biologen besucht haben. Studierende der Informatik, bzw. Information Engineering, sollten eine einführende Informatikveranstaltung gehört haben und Interesse an Programmieranwendungen in der Sportinformatik mit bringen.
Leistungsnachweis
Mündliche Prüfung am Ende des Semesters.
Vorraussetzung für die Zulassung zur Prüfung ist das Erreichen von mindestens 50% der möglichen Punkte aus den Übungsaufgaben
Literatur
- Clarke, David C., and Philip F. Skiba. "Rationale and resources for teaching the mathematical modeling of athletic training and performance.", Advances in physiology education, 37.2 (2013): 134-152.
- Rockmann, Ulrike, and Hartmut Bömermann. Grundlagen der sportwissenschaftlichen Forschungsmethoden und Statistik. Hofmann, 2006.
- YaRrr! The Pirate’s Guide to R von Nathaniel Phillips
- Hadley Wickham. Tidy data. Journal of Statistical Software, 59(10), 2014
- Tidyverse: R for data science
- https://www.tutorialspoint.com/r/index.htm
- https://www.rdocumentation.org/
- ggplot2 (CRAN)
- ggplot2 Cheat Sheet
- Markdown Cheatsheet
- Alan Oppenheim, Ronald Schafer, John Buck, Discrete-time Signal Processing, Prentice-Hall, 2010.
- Alan Oppenheim, Ronald Schafer, John Buck, Zeitdiskrete Signalverarbeitung, 2. Auflage, Pearson Studium, 2004.
Weitere Literaturhinweise werden in der Veranstaltung bekannt gegeben.