课程主页: https://www.coursera.org/learn/moneyball-and-beyond
课程概述
《Moneyball and Beyond》是一门极具启发性的课程，它基于《Moneyball》这本书所引发的职业体育表现统计分析的革命。这门课程通过使用Python编程来测试与《Moneyball》故事相关的主张，并考察自书出版以来《Moneyball》统计数据的演变。学习者将通过公开可用的数据集计算棒球表现统计数据。
课程大纲
第一周
在这一模块中，我们介绍了《Moneyball》的故事，并探讨了用来验证这一故事的方法。我们开始复制《Moneyball》测试的过程，建立球队胜利与两个表现统计——上垒率（OBP）和打击率（SLG）之间的关系。
第二周
在这一模块中，我们估算了MLB球员薪资与其表现统计（OBP和SLG）之间的关系。结果似乎证实了《Moneyball》故事的观点——在《Moneyball》出版之前，OBP的价值被低估，而在出版之后，OBP的相对重要性发生了逆转。
第三周
这一模块更新了Hakes & Sauer的分析，并估计了1994-2015年间OBP和SLG的回报。此外，它还展示了如何将回报与SLG的各个组成部分相关联：步数、单打、双打、三打和本垒打。
第四周
这一模块介绍了得分预期的概念，展示了如何推导得分预期矩阵，以及基于2018赛季所有事件的MLB数据集计算得分值。得分值由事件类型（步数、单打等）和球员计算得出。
第五周
这一模块考察了替代胜利（WAR）的概念，并展示了如何基于打击表现计算WAR。然后探讨了得分值、球队胜利百分比和球员薪资之间的关系。得分值与胜利和薪资之间有很高的相关性，在一定程度上可以预测胜率。
课程推荐
如果你对数据分析、棒球或是运动统计感兴趣，《Moneyball and Beyond》无疑是一门值得参加的课程。它提供了实用的编程实践，让学习者能够用Python亲手计算和分析数据，了解背后的理论和方法论。此外，课程内容丰富，非常适合希望深入了解如何通过数据分析来推动体育表现的学习者。
课程主页: https://www.coursera.org/learn/moneyball-and-beyond