Dolgozatom témája egy olyan döntést segítő informatikai rendszer mely gépi tanuló algoritmusok használatával segít egy létező edzőteremi csoport indításának menedzseléséhez. A sport középpontjában, ha nem a technikai sportokat nézzük, mindig az egyén áll. A tehetség, a szorgalom, a befektetett munka, a munka minősége mindig a legfontosabb jellemzői lesznek egy sportolónak, azonban napjainkban vitathatatlan a tudomány és az informatika szerepe a teljesítmény növelésében. Ahogy fejlődik a tudomány, egyre pontosabban mérhető az adott személy teljesítménye, egyre több adatot tudunk felhalmozni melyből még több és pontosabb számításokkal tudjuk jellemezni sportolóinkat, így a hibák, gyengeségek feltárása is hatékonyabb lehet. Egy másik nagyon fontos tényező manapság az idő. Az idő értéke egyre nő, ezért az élet bármely területén, elsődleges szempont olyan rendszerek megalkotása melyek a megfelelő minőség mellett időt takaríthat meg a felhasználóknak. Manapság már a legújabb alkalmazások kiegészítik megkezdett gondolatainkat, és sok esetben azt érezhetjük, hogy „gondolkodnak” helyettünk. Ami még számottevő különbség például: a 2000-es évekhez képest, az a tárolt adat mennyisége. A közösségi oldalak, az okos eszközök és az okos telefonok mind-mind hozzájárulnak ahhoz, hogy rengeteg információt tudjunk rögzíteni. A hatalmas mennyiségű adatok elemzése ma már egy külön tudományág, az adattudósok rengeteg információt és összefüggést tudnak kinyerni hatalmas adatbázisokból. A gépi tanuló algoritmusokkal pedig ezekből a hatalmas mennyiségű adathalmazokból a jövőre vonatkozó jóslásokat is tudunk tenni. Manapság már szinte mindenki találkozott a mesterséges intelligencia kifejezéssel, hiszen a sci-fikben igen gyakran találkozhatunk olyan számítógépekkel vagy robotokkal melyek képesek az emberi gondolkodásra, és a másodperc töredék része alatt képesek a megfelelő döntések meghozatalára. Bár a gépi tanulási algoritmusok nem képesek arra amire az AI, azonban kellő mennyiségű adat rendelkezésre állása esetén rendkívül jól működik osztályozási feladatokon, illetve csoportosításokon. Aki egy kicsit komolyabban foglalkozott már statisztikával sok kifejezés a gépi tanulással kapcsolatban ismerős lehet, gondoljunk csak a lineáris regresszióra, a klaszterezésekre stb. Sok esetben találkozhatunk vitákkal arra vonatkozóan, hogy a gépi tanulás vagy más néven machine learning az tulajdonképpen statisztika, csak modern köntösbe burkolva. Ezzel kapcsolatban talán az egyik legjobb megállapítás az, hogy a statisztika a múltra, jelenre vonatkozóan ad megállapításokat, a gépi tanulás pedig statisztikai módszerekkel a jövőre. Akárhogy is nézzük, a gépi tanulás mindennapjaink részét képezi, és rengeteg helyen futunk bele, még akkor is, ha nem is sejtjük. Ha a video megosztó platformokon megjelenő ajánlott videókat nézzük, azokat is gépi tanuló algoritmusok választják ki. Spam szűrésre is alkalmazhatók gépi tanulás algoritmusok, csak úgy, mint a Q&A chat botoknál. Az orvosdiagnosztikában is vannak olyan programok, melyek gyorsabban tudnak pontosabban megkülönböztetni rosszindulatú elváltozásokat, mint az emberi szem és agy. Bár a gépi tanulás manapság lett nagyon elterjedt és felkapott, azonban nagyon régóta használják és a matematikai alapjait már a 80-as években lerakták. Dolgozatomban egy a K-Means és a KNN segítségével megalkotott informatikai rendszer működését szeretném bemutatni, melynek segítségével embereket tudok megfelelő csoportokba osztani, illetve kiválasztani számukra a legmegfelelőbb edzéstervet.