[ Módulo 07 ][ 45 min ]
Pipeline reproducible
Una buena hipótesis solo vale si podemos reproducirla, medir sus errores y entregar el resultado de manera válida.
De tracking a predicciones
- Leer tracking, Smart Tagging y tiempos con índices consistentes.
- Extraer características (distancias, velocidad, balón visible, actividad táctica).
- Estimar probabilidad de H/A/D por fotograma.
- Aplicar inferencia temporal sin usar etiquetas privadas.
- Emitir una fila por fotograma y ejecutar la validación oficial.
frame,label
0,X
1,X
2,D
3,H
...
199318,X
El archivo real debe contener 199.319 filas de datos más la cabecera, índices desde 0 hasta 199318 y etiquetas válidas. Esta muestra es solamente ilustrativa.
La entrega requiere que el repositorio público pueda regenerar exactamente el CSV. No publiques assets restringidos del partido ni etiquetas corregidas manualmente.
Mini-proyecto final
Implementa en Python un baseline geométrico, un suavizador temporal y una evaluación local. Documenta tus supuestos y guarda los resultados con una semilla fija si interviene aleatoriedad.
Lo que te llevas
- El flujo va de leer el tracking a emitir una fila por fotograma y ejecutar la validación oficial, sin usar etiquetas privadas.
- El archivo real tiene 199.319 filas de datos más la cabecera, con índices de 0 a 199318.
- Nada de etiquetado manual ni de publicar assets restringidos del partido.
Lo que debes dominar
- Diseñar una tubería de datos reproducible.
- Separar entrenamiento, inferencia y validación.
- Generar un CSV válido sin etiquetado manual.
Recurso recomendado
[ Ponte a prueba ]
2 respuestas correctas CompletadoComprobación rápida
Responde correctamente las dos preguntas para completar el módulo. Puedes intentarlo todas las veces que quieras.
Responde las dos preguntas antes de evaluar.
¡Módulo completado! Has respondido correctamente.
Preguntas sobre esta página
- Cargando preguntas…
Se guarda en este navegador, sin cuenta.