alan-turing-institute/AIrsenal

Machine learning Fantasy Premier League team

解决的问题

AIrsenal 通过机器学习帮助 Fantasy Premier League (FPL) 玩家优化球队选择和转会策略，以最大化得分。

工作原理

该系统作为一个集成数据收集、预测和优化的流水线运行：

  1. 数据管理：使用过去三个赛季的历史数据和来自 FPL API 的实时数据，构建并更新本地 SQLite 数据库。
  2. 得分预测：结合团队级模型（预测比赛比分）和球员级模型（预测进球参与），并辅以历史启发式方法，估算球员的预期得分。
  3. 优化：优化器计算指定未来轮次内的最佳转会策略和球队阵容，包括对特殊芯片（如 Wildcards 和 Free Hits）的战略性使用。
  4. 执行：该工具可使用用户的凭据，自动将推荐的转会和阵容直接应用到 FPL 官方网站。

适用人群

希望采用数据驱动、自动化方式管理球队的 Fantasy Premier League 玩家。

主要亮点

  • 端到端流水线：从数据库设置到执行转会，全程自动化。
  • 预测建模：结合团队和球员级别的机器学习模型进行得分预测。
  • 多轮次优化：规划未来多个轮次的转会和队长人选。
  • 直接 FPL 集成：可直接将球队变更推送至官方 FPL 平台。

相关

  • 项目
    AgileRL/AgileRL

    AgileRL 是一个 Python 深度强化学习库，提供 *RLOps*：进化式超参数优化、分布式训练和用于大规模实验的云平台（Arena）。它包含多种算法（PPO、DQN、TD3、MADDPG、上下文臂、LLM 微调等），支持训练单个智能体或自动进化超参数的群体，承诺比传统方法快最多 10 倍的 HPO。

  • Dispatch
    PipelineRL：通过飞行中权重更新优化大语言模型强化学习

    Hugging Face 和 ServiceNow Research 已开源 PipelineRL，这是一种实验性的强化学习实现，使用飞行中权重更新来消除推理吞吐量与在策略数据收集之间的权衡。

  • Dispatch
    Prime Agent 自改进 RLM 框架发布

    Prime Agent 是一个开源的、基于递归语言模型和持续状态框架构建的自改进编程框架，在 ARC-AGI-3 上取得了最先进的分数，并在长上下文基准测试中表现出极具竞争力的性能。

  • 项目
    agentuniverse-ai/agentUniverse

    agentUniverse 是一个 Apache-2.0 许可的 Python 框架，用于构建和编排 LLM 驱动的多智能体应用。它提供即用型协作模式（PEER、DOE），支持数十个 LLM 提供商，包含领域知识注入工具、基于 OpenTelemetry 的可观测性，以及可视化工作流 UI。该库已在蚂蚁集团的真实金融产品中使用，并提供丰富的文档、示例应用和 GitHub/Discord 社区。

  • 项目
    plasma-umass/scalene

    Scalene 是一款快速的行级 Python 分析器，可测量 CPU、GPU (NVIDIA) 和内存使用情况，实现 Python 与原生代码的分离，可视化缝合后的堆栈，并能直接从 UI 向 LLM（OpenAI、Azure、Bedrock、Ollama 等）请求优化建议。