Καπανταϊδάκης, ΙωάννηςKapantaidakis, IoannisΣίλβα - Γιαννακάκη, Βασιλική – ΕλένηSilva - Giannakaki, Vasiliki – Eleni2025-11-282025-11-282025-11-28https://apothesis.hmu.gr/handle/123456789/11494Η παρούσα εργασία εξετάζει τη σημασία και τις εφαρμογές της ανάλυσης δεδομένων στον χώρο του αθλητισμού, αναδεικνύοντας τον ρόλο της τεχνολογίας και της επιστήμης στη βελτίωση της απόδοσης, της στρατηγικής και της υγειονομικής διαχείρισης των αθλητών. Αρχικά παρουσιάζονται οι βασικές έννοιες της ανάλυσης δεδομένων, οι τύποι των δεδομένων που συλλέγονται (στατιστικά παικτών, φυσικής κατάστασης, βιομετρικά, ψυχολογικά) και οι κύριες πηγές άντλησής τους (wearables, αισθητήρες, βίντεο, εργομετρικά τεστ). Στη συνέχεια, αναλύονται οι μέθοδοι συλλογής, επεξεργασίας και στατιστικής αξιοποίησης των δεδομένων με τη χρήση σύγχρονων εργαλείων όπως το Excel, η Python, η R και η SQL. Ιδιαίτερη έμφαση δίνεται στην εφαρμογή αλγορίθμων μηχανικής μάθησης για την πρόβλεψη επιδόσεων, την πρόληψη τραυματισμών και την αγωνιστική στρατηγική. Μέσω μελετών περίπτωσης, αποδεικνύεται πως η ανάλυση δεδομένων δεν αποτελεί απλώς υποστηρικτικό εργαλείο, αλλά αναπόσπαστο στοιχείο της αθλητικής επιστήμης και διοίκησης. Τελικά, η εργασία καταλήγει στο συμπέρασμα ότι ο αθλητισμός του 21ου αιώνα βασίζεται σε μεγάλο βαθμό στην τεκμηριωμένη αξιοποίηση των δεδομένων για τη διαμόρφωση ενός ανταγωνιστικού και ασφαλούς αγωνιστικού περιβάλλοντος.This thesis explores the significance and practical applications of data analysis in the field of sports, highlighting the growing role of technology and science in enhancing athletic performance, strategy, and health management. It begins by presenting core concepts of data analysis, the types of data collected (player statistics, fitness metrics, biometric and psychological data), and the main sources used (wearables, sensors, video footage, lab testing). The study proceeds to examine data collection, preprocessing, and statistical analysis using modern tools such as Excel, Python, R, and SQL. Special focus is given to the use of machine learning algorithms for performance prediction, injury prevention, and strategic planning. Through real-world case studies, the research demonstrates that data analysis is not merely a supportive tool but an essential pillar of modern sports science and management. Ultimately, the study concludes that 21st-century sports heavily rely on informed, data-driven decision-making to build a competitive and safe athletic environment.elAttribution-NonCommercial-NoDerivs 3.0 United Statesανάλυση δεδομένωναθλητισμόςτεχνολογίααπόδοση αθλητώνμηχανική μάθησηπρόληψη τραυματισμώνστατιστικά & βιομετρικά δεδομέναdata analysissportstechnologyathlete performancemachine learninginjury preventionstatistical & biometric dataΠτυχιακή Εργασία