alan-turing-institute/AIrsenal

Machine learning Fantasy Premier League team

解決的問題

AIrsenal 透過機器學習幫助 Fantasy Premier League (FPL) 玩家優化球隊選拔與轉會策略，以最大化得分。

工作原理

該系統作為一個整合資料收集、預測與最佳化的流程運作：

  1. 資料管理：使用過去三個賽季的歷史資料與來自 FPL API 的即時資料，建構並更新本地 SQLite 資料庫。
  2. 得分預測：結合團隊級模型（預測比賽比分）與球員級模型（預測進球參與），並輔以歷史啟發式方法，估算球員的預期得分。
  3. 最佳化：最佳化器計算指定未來賽程週內的最佳轉會策略與球隊陣容，包含對特殊芯片（如 Wildcards 和 Free Hits）的戰略性使用。
  4. 執行：該工具可使用使用者的憑證，自動將推薦的轉會與陣容直接套用至 FPL 官方網站。

適用對象

希望採用資料驅動、自動化方式管理球隊的 Fantasy Premier League 玩家。

主要亮點

  • 端對端流程：從資料庫設定到執行轉會，全程自動化。
  • 預測建模：結合團隊與球員級的機器學習模型進行得分預測。
  • 多週最佳化：規劃未來多週的轉會與隊長人選。
  • 直接 FPL 整合：可直接將球隊變更推送至官方 FPL 平台。

相關

  • 專案
    AgileRL/AgileRL

    AgileRL 是一個 Python 深度強化學習庫，提供 *RLOps*：進化式超參數最佳化、分散式訓練與用於大規模實驗的雲端平台（Arena）。它內建多種演算法（PPO、DQN、TD3、MADDPG、上下文臂、LLM 微調等），支援訓練單一智能體或自動進化超參數的群體，承諾比傳統方法快最多 10 倍的 HPO。

  • Dispatch
    PipelineRL：透過即時權重更新優化大型語言模型強化學習

    Hugging Face 與 ServiceNow Research 已開源 PipelineRL，這是一個使用即時權重更新的實驗性強化學習實作，旨在消除推論吞吐量與在策略資料收集之間的權衡。

  • Dispatch
    Prime Agent 自我改進型 RLM 框架發佈

    Prime Agent 是一個開源的自我改進編碼框架，基於遞迴語言模型和持續狀態框架構建，在 ARC-AGI-3 上取得了最先進的分數，並在長文本基準測試中展現出具競爭力的性能。

  • 專案
    agentuniverse-ai/agentUniverse

    agentUniverse 是一個 Apache-2.0 授權的 Python 框架，用於建構與編排 LLM 驅動的多智慧體應用。它提供即用型協作模式（PEER、DOE），支援數十個 LLM 提供商，包含領域知識注入工具、透過 OpenTelemetry 的可觀測性，以及視覺化工作流程 UI。該套件已在螞蟻集團的真實金融產品中使用，並提供完整的文件、範例應用與 GitHub/Discord 社群。

  • 專案
    plasma-umass/scalene

    Scalene 是一款快速的行級 Python 分析器，可測量 CPU、GPU (NVIDIA) 和記憶體使用情況，實現 Python 與原生代碼的分離，可視化縫合後的堆疊，並能直接從 UI 向 LLM（OpenAI、Azure、Bedrock、Ollama 等）請求優化建議。