Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Aimez-vous le football - le repêchage de la NFL, le football fantastique et les jeux vidéo de football ? Ensuite, commencez à suivre Joseph Bryan de Koalaty Statistics sur Twitter !
Au cours des deux dernières années, j'ai suivi Statistiques Koalaty sur Twitter, intéressé par les analyses et la modélisation prédictive des données du football qui y sont tweetées en fils de discussion. Parfois, les données explorées et analysées proviennent de jeux vidéo, comme le football Madden d'EA Sports , qui publie ses propres évaluations des joueurs et des équipes. (J'ai un fils adolescent qui aime à la fois le football et les jeux vidéo et qui m'apprend ces choses.)
Le football reprenant bientôt, j'ai contacté la personne derrière le compte, identifiée dans la biographie comme un spécialiste de l'analyse avec un BS en statistiques de l'Université de Géorgie. Il s'avère que Koalaty Statistics ( @KoalatyStats ) est Joseph Bryan, et il a eu la gentillesse de me parler un peu de lui et de ce qu'il fait.
Né et élevé en Géorgie, Joseph aime le football - à la fois universitaire et NFL. Alors qu'il avait prévu d'étudier le génie mécanique à l'Université de Géorgie, il a changé de spécialité après que le professeur de son cours de statistiques de base ait enseigné des concepts en appliquant les statistiques au football. Avance rapide de quelques années, et maintenant ce spécialiste de l'analyse avec un diplôme de premier cycle en statistique a une suite pour ce qu'il appelle sa "prise de football basée sur la régression ringard".
Il a travaillé pour la première fois avec des données dans une "application du monde réel" lors d'un stage en ingénierie de la qualité chez Caterpillar. Au cours de l'année écoulée, il a été ingénieur qualité pour Masterack en Géorgie, où il a aidé à introduire l'analyse de données dans l'installation et a dirigé des projets avec des économies estimées à plus de 200 000 $ par an (!).
Il s'est marié au début de l'été et a déménagé à Philadelphie avec sa femme, qui obtient un doctorat en économie à l'Université de Pennsylvanie. Et maintenant, il est à la recherche d'un poste d'analyste de données dans sa nouvelle ville. Pendant ce temps, il partage des analyses sur Koalaty Statistics.
Parlez-nous des statistiques de Koalaty ? Qu'est-ce que c'est, et quand/comment/pourquoi l'as-tu commencé ?
OK, il y a quelques années, j'ai suivi un cours appelé Régression linéaire appliquée, qui était mon cours préféré à l'UGA. Mon professeur, Mark Werner, était fantastique et m'a vraiment fait aimer la régression. C'était un cours de printemps et je voulais appliquer ce que j'avais appris à ce que j'aime (le football). J'ai donc commencé à travailler sur une régression pour prédire le repêchage de la NFL. Le repêchage est un énorme événement de la NFL qui se déroule en avril et l'une de mes choses préférées. Je voulais prédire le brouillon avant qu'il n'arrive ou au moins essayer. J'ai créé une régression, et c'était OK, mais rien d'étonnant. J'ai collecté toutes les données manuellement (je n'avais aucune des compétences que j'ai maintenant), et il a fallu environ 30 heures pour que tout soit utilisable.
Un peu de temps s'est écoulé et l'obtention de mon diplôme approchant, j'ai pensé : "Je devrais commencer à utiliser mon diplôme pour des trucs de football... peut-être que les gens sur Twitter s'en soucieront." J'ai utilisé mes compétences / méthodes statistiques plus raffinées et j'ai participé au repêchage de la NFL 2018 pour les porteurs de ballon avec un succès * impressionnant *. J'ai prédit le brouillon avec un .67 R ^ 2 avant qu'il ne se produise. J'étais super fier et j'ai commencé à développer un petit public. Surtout, grâce à Peter Howard ( @pahowdy ) qui a été la première personne à RT mon travail.
À partir de là, j'ai commencé à appliquer mes méthodes/compétences à plus que le brouillon. J'ai pensé que j'avais besoin d'un nom, et mon surnom au lycée était Koala... alors Koalaty Statistics a été formé. J'ai commencé à travailler avec la régression dans DFS (Daily Fantasy Sports), des trucs comme DraftKings et FanDuel, et ma suite est devenue beaucoup plus grande. En ce moment, je suis à environ 1 803 abonnés, ce qui est une tonne pour une vision ringard du football basée sur la régression. Quand j'ai commencé, je n'aurais jamais pensé dépasser les 100 abonnés. Tout a commencé avec le repêchage de la NFL. Mais il a évolué vers presque tout ce qui est basé sur la régression (dans le football). J'aime bien prédire DFS, qui est essentiellement basé sur un jeu à l'autre.
Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game. Vers la fin de 2018, Joseph Bryan a créé ce modèle bayésien à l'aide de JMP. Il a prédit si un porteur de ballon serait "bon" ou "mauvais". Bon = au-dessus du FP moyen (points fantastiques) marqués et Mauvais = en dessous du FP moyen marqué. L'objectif était d'ajouter une autre variable à un modèle d'ensemble plus large qui prédisait le succès hebdomadaire. L'axe X est le FP marqué en un seul match.
Comment les fans de football ont-ils réagi aux statistiques de Koalaty ?
Habituellement, "admiration" comme, "comment a-t-il prédit cela un mois avant que cela n'arrive?" Ou quand je prédis un joueur d'évasion dans une semaine donnée, les gens sont plutôt contents. Ce qui est vraiment amusant ! Les moments les plus cool sont quand les gens voient ce que je fais et sont suffisamment intéressés pour me contacter par DM afin d'en savoir plus sur les méthodes statistiques.
Qu'espérez-vous est le résultat de Koalaty Statistics?
L'objectif final est d'aider les gens à apprendre les statistiques de manière ludique. Chaque fois que quelqu'un me demande pourquoi je suis allé à l'université et que je réponds "statistiques", il répond *toujours* "Beurk, c'est dur/ennuyeux" (ou une variante). Les statistiques sont tellement amusantes, intéressantes et une fois que vous en apprenez suffisamment, elles peuvent être incroyablement utiles.
Gagnez-vous toujours au football Fantasy ?
Haha, parfois. Mes modèles ne sont pas parfaits 100% du temps - aucun modèle ne l'est. Je travaille toujours sur tout, et j'espère qu'un jour je pourrai. J'ai eu des semaines où mon modèle était presque parfait, mais j'ai aussi eu des semaines où mon modèle n'a presque rien obtenu de correct.
Qu'est-ce que vous aimez le plus dans les statistiques ?
Si j'ai changé de spécialisation à l'université, c'est parce que je pensais: «Avec les statistiques, je peux prédire l'avenir», et dans une certaine mesure, c'est vrai. C'est comme une superpuissance, et tout le monde ne veut-il pas une superpuissance ?
Comment avez-vous commencé à utiliser JMP ? Pourquoi l'utilisez-vous maintenant ?
on m'a d'abord présenté JMP dans mon cours de régression linéaire appliquée à l'UGA. On nous a appris à utiliser à la fois R et JMP dans ce cours. J'utilise toujours les deux aujourd'hui, mais principalement JMP pour sa fantastique capacité de visualisation et de réseau neuronal. JMP rationalise la plupart des outils de régression, ce qui permet d'essayer très facilement plusieurs approches différentes d'un problème en peu de temps.
Qu'est-ce que les gens aimeraient savoir d'autre sur vous ?
Quand il n'y a pas de football, j'aime regarder le softball de la NCAA et le basket de la NBA. J'étais dans la fanfare Redcoat à l'UGA où je jouais du trombone. Je suis également Eagle Scout. Enfin, au cours de ma dernière année à l'UGA, j'ai donné un cours de codage à des maternelles pour un programme parascolaire dans une école locale.
