Felizmente, existe um repositório no GitHub chamado caRtola, no qual toda a parte de obtenção e tratamento dos dados do jogo já foi realizada. (Ribeiro, 2019)
Para ter acesso a todo o histórico de dados do Cartola FC é só acessar a pasta data. Lá você encontra os dados organizados por ano e ainda um arquivo com os dados agregados de todos os anos. Está tudo disponível em arquivos separados por vírgulas. Você pode usar nosso tutorial de python, mas até o Excel abre. 😉
Estes são alguns tutoriais que escrevemos. Contribuições são sempre bem vindas!
- Como ler todos os arquivos das rodadas deste repositório com Python?
- Seleção automática de jogadores feita com Markov Chain e programação linear
- Média global ou média com mando de campo? O que usar para escalar seus jogadores
- Algoritmo de valorização dos Jogadores do Cartola PFC
- Estudo sobre algoritmo de valorizaço dos jogadores do Cartola, parte I
- Parte I - Analisando os atacantes do primeiro turno com Affinity Propagation
- Parte II - Quais meias escalar: Defensivos ou ofensivos?
- Parte III - Analisando jogadores de defesa com Affinity Propagation
- Fórmula do algoritmo de valorização do Cartola FC. Solução pelo cientista de primeira categoria, João B Coelho. Implementação em C++.
Tem um modelo preditivo? Ajude-nos a montar um. Você pode conferir o resultado das previsões do nosso modelo preditivo em 2017 nessa planilha. Nela, você vai encontrar os jogadores que o nosso modelo previu que iam fazer boas predições e a pontuação real do jogador naquela rodada. Você acha que o modelo mandou bem? Foi ruim? Vem resenhar com a gente, parça! 💬
Ah, o nosso modelo preditivo é de domínio público também! Quer saber como ele foi treinado e como você pode utilizá-lo? Confira aqui.
Criamos um jogo de cartas com base nos dados (em VueJS). Detalhe: também é de código-aberto! Link para repositório: https://henriquepgomide.github.io/cartola-supertrunfo/
O repositório caRtola é totalmente aberto a novas contribuições. Quer ajudar a gente, mas não sabe como? A gente te dá algumas ideias:
- Você já fez alguma análise estatística do Cartola FC que acha legal e gostaria de compartilhar aqui?
- Você também tem um modelo preditivo para tentar prever os melhores jogadores?
- Ou simplesmente você viu um erro nos nossos dados/análises?
Sinta-se à vontade para submeter um Pull Request ou abrir uma issue! Nós vamos adorar ter isso no caRtola! ✌️
- Marchesini, L. Cartola FC - Saiba como a pandemia pode influenciar os times mandantes 2020.
-
E. Mota, D. Coimbra, and M. Peixoto, “Cartola FC Data Analysis: A simulation, analysis, and visualization tool based on Cartola FC Fantasy Game,” in Proceedings of the XIV Brazilian Symposium on Information Systems, Caxias do Sul, Brazil, Jun. 2018, pp. 1–8, doi: 10.1145/3229345.3229366.
-
L. E. da S. Ribeiro, “Predição de escalações para o jogo CartolaFC utilizando aprendizado de máquina e otimização,” Prediction of escalations for CartolaFC fantasy game using machine learning and optimization, Jul. 2019, Accessed: Jul. 23, 2020. [Online]. Available: https://repositorio.ufu.br/handle/123456789/26681.
-
E. F. Vernier, R. Garcia, I. P. da Silva, J. L. D. Comba, and A. C. Telea, “Quantitative Evaluation of Time-Dependent Multidimensional Projection Techniques,” arXiv:2002.07481 [cs], Feb. 2020, Accessed: Jul. 23, 2020. [Online]. Available: http://arxiv.org/abs/2002.07481.
-
BARBOSA, D. A. C. Should he stay or should he go? head coaches turnover in brazilian football 2014-2019. Rio de Janeiro: Pontifícia Universidade Católica do Rio de Janeiro, 2020.
Está faltando o seu? Envie para gente e colocamos aqui.
Por favor, cite-nos.
[1]H. Gomide e A. Gualberto, CaRtola: Extração de dados da API do CartolaFC, análise exploratória dos dados e modelos preditivos em R e Python. https://github.com/henriquepgomide/caRtola/. 2020.
@book{
title={CaRtola: Extração de dados da API do CartolaFC, análise exploratória dos dados e modelos preditivos em R e Python},
url={https://github.com/henriquepgomide/caRtola},
abstractNote={Extração de dados da API do CartolaFC, análise exploratória dos dados e modelos preditivos em R e Python},
author={Gomide, Henrique and Gualberto, Arnaldo},
year={2020}
}
👤 Henrique Gomide:
👤 Arnaldo Gualberto:
👤 Julio Oliveira:
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent