2021 MLB playoffs的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

多元傳播平台時代下競爭規範對轉播權交易模式的形塑：以職業運動聯盟賽事為中心

為了解決2021 MLB playoffs的問題，作者廖家儀 這樣論述：

　　職業運動聯盟及其賽事轉播自問世以來，便與傳播媒體、廣告贊助業者共同發展出以直播時效性為核心，高度商業化的共生經濟型態。進入21世紀後，網際網路促進多元傳播平台的出現，更帶動整個產業在商業模式上的轉變。本研究首先綜合分析職業運動聯盟轉播產業鏈的市場結構，賽事轉播的經濟特質與法律定性。進而透過歐美競爭法的立法例與案例見解，分析發展出現行主流轉播權交易授權架構，意即以集中交易與獨家授權為主要模式的影響因素，包括職業運動聯盟的運作須仰賴內部競爭平衡的維繫、高額轉播權利金的分配以及促進交易與營運效率等。而透過前述分析與對我國中華職棒聯盟轉播權交易模式現狀的綜合比較，本研究進一步發現多元傳播平台與注

意力經濟結合產生的新興商業模式，非但徹底改變終端消費者的使用習慣、賽事觸及消費者注意力的管道，更形成市場的角色多重性，使權利人與轉播業者等市場參與者轉化轉播權收益的途徑產生顯著變化，渠等因此在選擇與規劃交易授權模式時，納入確保權利運用彈性、品牌建立與維繫、多角化經營與市場拓展等考量。　　而在前述商業模式的改變下，由於市場參與者間的整合與結合策略可能形成潛在或強化既有的限制競爭風險，因此有必要以不同於過往的角度關注所牽涉的消費者權益。本研究先從運動賽事本身具有之社會性功能切入，分析各國傳播法規對大眾資訊知情權的保障機制，在適用於具商業性的職業運動賽事上，及因應現今消費者收視習慣變化的不足之處；並

循此脈絡，探究競爭規範可能採行之執法措施，如何從重視職業運動聯盟賽事的市場驅動力、增加權利可用性、數位匯流下平台競合關係，及以賽制性質差異區分監管措施與強度等觀點，避免市場過度集中以促進消費者選擇的可行性。最後，則分別從市場參與者和監管角度，提出規劃授權交易模式時的考量因素和具體建議，期許此一研究成果，有助於我國經驗作為在不同市場條件與法規環境下，其他職業運動聯盟採取轉播權交易授權模式的對照與參考。

基於機器學習技術建構整合式運動賽事結果預測模式-以美國職業籃球為例

為了解決2021 MLB playoffs的問題，作者陳威任 這樣論述：

運動賽事預測模型在近年運動市場蓬勃發展之下，已漸漸成為一個重要的議題。建立一個好的運動賽事預測模型，在運動博弈、球隊管理營運、媒體轉播管理上，均具有非常大的助益。現存相關研究較少使用機器學習方法進行運動賽事預測模型之建構。本研究提出一個以機器學習方法為基礎之運動賽事預測模型，使用美國職業籃球聯盟（National Basketball Association，NBA）2018-2019賽季所有賽事之攻守數據做為資料庫，預測每場賽事最終球隊總得分。本研究使用相關研究較常採納之十五項攻守數據，自最具公信力之籃球數據網站Basketball-Reference.com擷取NBA 2018-2019

賽季所有賽事之球隊攻守數據。攻守數據經過標準化後，將資料進行特徵工程（Feature Engineering），相關研究均以單一賽事延遲（Game-Lag）作為特徵建構方式，本研究採納六場賽事延遲，提高研究之完整性。本研究建構之預測模型包括二種預測程序（Process）。第一個程序由二階段預測模型組成：第一階段模型由四種機器學習方法及一種無母數回歸方法建構，經過特徵建構後之十三個預測變量進入第一階段模型進行建模及預測，並且在第一階段模型分析時，選擇預測效果較佳的賽事延遲數量。第二階段模型由特徵選擇（Feature Selection）開始，本研究採用三種內嵌式（Embedded）特徵選擇方法，

從十三個預測變量中，經由排序法（Ranking），選出六個重要預測變量，進行第二階段模型建模及預測。最後將五種方法、二階段模型共計十種不同預測結果進行比較。透過實證資料，本程序探討不同賽事延遲對預測模型之影響，得到預測效果較佳之賽事延遲資訊，並且發現二階段模型能夠取得較佳之預測結果。第二個程序著重於特徵工程中，對於特徵之組成，本研究採用適應性權重（Adaptive Weighting），將距離目標賽事較近之參考數據賦予較高之權重，並且與不同之賽事延遲進行配對，完成不同之特徵組合（Feature set），作為五種機器學習方法組成之預測模型之輸入變項，經由本程序之實證結果，得到預測效果較佳之適應

性權重及賽事延遲之組合。本研究藉由二種程序所得到之實證結果，證實適當的選擇賽事延遲及適應性權重，對於建構機器學習為基礎之籃球賽事比數預測模型具有提升的效果。