skimifil / ds_dota Goto Github PK

Coleta as informações da API da OpenDota para avaliar os times de Dota 2 em campeonatos.

1. Conecta na API
2. Através dos endpoints, coleta as informações dos times, sendo:
   • Jogos
   • Times
   • Jogadores
   • Heróis
3. Armazena em um banco de dados
4. Através de um Notebook Jupyter, faz a analise com Machine Learning

É preciso ter uma banco de dados MySQL para armazenamento dos dados. Criei um 'docker-compose.yml' para subir um MySQL no Docker pra facilitar o trabalho em teste e homologação.

Com o banco funcional, crie o arquivo 'config.py' dentro da pasta 'src/' e adicione o trecho abaixo no arquivo (caso queira trocar os dados de acesso, lembre-se de avaliar o 'docker-compose.yml' também).

MYSQL_CONFIG = {
    'MYSQLUSER': 'myuser',
    'MYSQLPASSWORD': 'mypassword',
    'MYSQLSERVER': '172.19.0.2',
    'MYSQLDB': 'dota_tournaments',
}

Open Dota API - https://docs.opendota.com/#section/Introduction

• leagues
• proMatches
• proPlayers
• teams
• teamsMatches
• teamPlayers
• teamHeroes

1. Entender o problema de negócio e identificar os elementos a serem considerados para o planejamento de um Modelo de Data Science:

   • A ideia é entender quais fatores contribuem para o sucesso de uma equipe em torneios de Dota 2. Elementos a considerar incluem desempenho das equipes, estatísticas dos jogadores, resultados de partidas e características das ligas.

2. Descrever os dados do problema e as relações entre dados através da Análise Exploratória de Dados:

   • Isso envolve a coleta de dados das ligas, partidas, equipes e jogadores, seguida pela análise para identificar padrões, correlações e insights importantes. A análise exploratória de dados (EDA) ajudará a entender melhor a distribuição dos dados e as possíveis relações entre variáveis.
     • leagues:
       • Com as ligas, podemos entender o comportamento dos times e jogadores dependendo do tier da liga (amadora, profissional, etc).
     • proMatches:
       • Temos a visão das partidas oficiais de jogos profissionais, dados de duração da partida, dia e horário de começou, times jogando e qual ganhou.
     • proPlayers:
       • Temos as informações dos jogadores para fazer relação com as informações de partidas e ligas que ele(a) jogou.
     • teams:
       • Dados básicas, mas importantes, como vitórias e derrotas do time e o "rating" do time pode nos passar uma ideia de comparação com outros times.
     • teamsMatches:
       • Pegamos dados mais detalhados de partidades que houveram daquele time, duração, data e hora, quem era seu oponente e a liga.
     • teamPlayers:
       • Fazemos referência aos jogadores que estão e passarampor aquele time, entendendo quantos jogos tiveram e quantas vitórias.
     • teamHeroes:
       • Pegando dados de vitórias e quantidade de jogos com determinado herói dentro do jogo, podemos entender o desempenho do time com cada herói.

3. Construir uma apresentação executiva mostrando os resultados obtidos:

   • A apresentação deve incluir visualizações claras e concisas dos resultados da análise, insights importantes descobertos, e recomendações baseadas nos dados. Deve ser direcionada a um público executivo, destacando os pontos mais relevantes. #TODO - Ja é pra construir uma apresentação? Mas que resultados?

1. Desenvolver as instâncias de Data Acquisition e Data Wrangling em seu trabalho final:

   • Isso inclui a configuração e utilização da OpenDota API para coletar dados e o processo de limpeza e transformação dos dados para que possam ser utilizados em análises posteriores.
   • Através das funções criadas, foi desenvolvido um código que conecta na API da OpenDora API e armazena em um banco de dados MySQL.

2. Conseguir uma articulação em equipe e uma divisão de tarefas adequadas aos objetivos:

   • Definir claramente os papéis e responsabilidades de cada membro da equipe para garantir que todas as partes do projeto sejam cobertas eficientemente.
   • Este projeto esta sendo feito de forma individual, apenas pelo Rafael P de Carvalho.
   • Tarefas:
     • Planejamento e Organização do Projeto
       • Definição do Problema e Objetivos do Projeto
       • Configuração do Ambiente de Trabalho.
     • Coleta e Aquisição de Dados (Data Acquisition)
       • Conexão à OpenDota API
       • Download de Dados
     • Preparação e Limpeza dos Dados (Data Wrangling)
       • Criação do Banco de Dados
       • Inserção de Dados no Banco de Dados
       • Limpeza de Dados
     • Análise Exploratória de Dados (EDA)
       • Análise Univariada
       • Análise Bivariada
       • Análise Multivariada
     • Modelagem e Análise de Dados
       • Filtragem e Seleção de Dados
       • Modelagem Preditiva
     • Visualização e Apresentação dos Resultados
       • Criação de Visualizações
       • Preparação da Apresentação Executiva
     • Documentação e Relatório Final
       • Documentação do Projeto
       • Elaboração do Relatório Final
     • Revisão e Entrega
       • Revisão do Trabalho
       • Entrega do Projeto

3. Realizar Filtragem:

   • Aplicar técnicas de filtragem para isolar os dados mais relevantes para o estudo, como partidas de torneios específicos, jogadores profissionais, etc. #TODO - Eu pego tudo que vem da API, basicamente eu tiro o "lixo" ou é mais na hora da analise que faz essa filtragem?

4. Descrever o que significa cada variável, como se comporta:

   • Explicar o significado de cada variável coletada (ex: match_id, start_time, radiant_team_id, dire_team_id, etc.) e analisar seu comportamento através de estatísticas descritivas e visualizações.

5. Especificar as distribuições e relações (gêneros, sexo, idade, tributação, tipo de empresa):

   • Embora essas especificações sejam mais comuns em estudos demográficos, aqui podemos adaptar para incluir distribuições e relações como desempenho das equipes ao longo do tempo, estatísticas de vitórias/derrotas, distribuições de tempo de jogo, etc.

1. Apresentação da empresa ou problema específico:

   • Introdução ao projeto e a OpenDota API, explicando a importância de analisar os dados de torneios de Dota 2 para entender os fatores de sucesso das equipes.

2. Perguntas e objetivos da pesquisa:

   • Quais fatores mais contribuem para o sucesso de uma equipe em torneios de Dota 2?
   • Como as estatísticas individuais dos jogadores influenciam os resultados das partidas?
   • Existem padrões ou tendências que podem prever o desempenho futuro de uma equipe?

3. Configuração da equipe de trabalho:

   • Descrever a composição da equipe, incluindo as funções de cada membro (ex: coleta de dados, análise, visualização, apresentação).

4. Indicação da fonte do dataset e os critérios de seleção (Data Acquisition):

   • Fonte: OpenDota API. Critérios de seleção podem incluir partidas de torneios, dados de jogadores profissionais e equipes, filtrados para incluir apenas partidas recentes de torneios principais.

5. Geração do primeiro Data Wrangling e EDA, apontado seus dados (insights) univariados, bivariados e multivariados:

   • Exemplo de insights univariados: Distribuição de durações de partidas.
   • Insights bivariados: Correlação entre a quantidade de vitórias e a pontuação média da equipe.
   • Insights multivariados: #TODO

6. Análise de Componentes Principais:

   • Utilizar PCA para reduzir a dimensionalidade dos dados e identificar as variáveis mais influentes no desempenho das equipes.

7. Contar a história de seus dados:

   • Criar uma narrativa em torno dos dados coletados e insights obtidos, mostrando como as análises podem ajudar a prever ou melhorar o desempenho das equipes em torneios futuros.

8. Filtros aplicados aos dados. Distribuição. Dataset final para analisar:

   • Detalhar os filtros aplicados, como a seleção de partidas de torneios específicos e a exclusão de dados irrelevantes. Apresentar a distribuição final dos dados após a filtragem.

9. Analisar objetivos ou objetivo para esses dados:

   • Reavaliar os objetivos com base nos dados analisados e ajustar as metas do projeto conforme necessário. Fornecer recomendações baseadas nas análises.