探討以強化學習為系統核心，結合影像辨識等技術開發商業化的戰術分析系統，提出適合每位運動員的智慧教練，希望能借助智慧教練的輔助更方便快捷的解析比賽。
本研究借由羽毛球比賽來建立智慧教練模型，利用強化學習模擬羽球比賽中女子單打球員的回擊模式，以2018~2021年間的十五場比賽為研究對象，其中囊括國際級比賽與一般大專院校比賽，以Q-learning模擬球員在面對各種球路時的回擊方式，藉由球員的回擊資料建構個人化的回擊模型，由回擊模型分析球員的戰術問題。在球員比賽的過程中，強化學習會依照比賽資料的不斷增加而逐漸完善模型，球員與教練可以透過分析模型的數據來規劃適合的訓練方式，達到增強球員能力的目標。
研究資料的收集分兩種技術層級，一種是職業層級，以泰國好手依x儂與日本好手奧原x望為強化學習的藍本，第二種以一般大專院校校隊的層級為藍本。相同技術層級的強化學習模型可以診斷出球員的技術特點與優缺點，不同層級的模型比較可以診斷出業餘球員進步所需要的訓練方向。
本文以羽毛球比賽的資料分析為案例，研究結果可知運用強化學習分析運動比賽是可行的，將人工智慧結合相關的運動專業可以開發出智慧運動教練的雛型。

With the rapid development of AI has come the ability for robots to do a lot of work. This is also true for the field of sports technology, where artificial intelligence is gradually being applied to more and more tasks previously performed by humans. Since both beginners and professional athletes in every sport need coaches, one such task is to use artificial intelligence to develop a personal intelligent coaching system for athlete training.
This study examines the feasibility of using reinforcement learning and image recognition technology to develop such an application, with the hope that athletes can use machine learning algorithms to achieve better results in performance. In particular, we use reinforcement learning to simulate badminton games. The research subjects are 15 badminton games from 2018 to 2021, including both international and university-level competitions. The research method uses Q-learning to simulate a player’s return attack and construct a personalized return attack model based on the player's return attack data, which can be improved with an increase of game data.
The research data is divided into two technical levels: 1) the professional level, and 2) the general university level. Reinforcement learning models of the same technical level can diagnose technical characteristics, while models between different levels can suggest directions for progress. With the models, athletes and coaches will be able to analyze the athletes’ gameplay and plan training methods to enhance the athletes' abilities.
Our research results show that it is feasible to analyze sports competitions with reinforcement learning. Artificial intelligence can therefore be used to develop prototypes of smart sports coaches.

一、英文文獻
Fabro, J. A., Reis, L. P., & Lau, N. (2014). Using reinforcement learning techniques to select the best action in setplays with multiple possibilities in robocup soccer simulation teams. Paper presented at the 2014 Joint Conference on Robotics: SBR-LARS Robotics Symposium and Robocontrol.
Hornyak, T. (2017). Smarter, not harder. Nature, 549(7670), S1-S3.
Kaelbling, L. P., Littman, M. L., & Moore, A. W. (1996). Reinforcement learning: A survey. Journal of artificial intelligence research, 4.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction: MIT press.
Van Haaren, J., Hannosset, S., & Davis, J. (2016). Strategy discovery in professional soccer match data. Paper presented at the Proceedings of the KDD-16 Workshop on Large-Scale Sports Analytics.
Sipko, M., & Knottenbelt, W. (2015). Machine learning for the prediction of professional tennis matches. MEng computing-final year project, Imperial College London.

二、中文文獻
王志全、張家昌 (2008)，以 SWOT 分析探討羽球單打戰術，中華體育季刊。
田凱文 (2018)，一種利用 Q-learning 學習判斷個人化羽毛球拍的方法，中興大學資訊科學與工程學系所學位論文。
何杰穎 (2020)，多目標基因演算法與強化學習於石化工業熔融指數生產排程，國立成功大學製造資訊與系統研究所碩士班碩士論文。
李品萱、歐婕、林文斌 (2018)，運動技戰術分析智能化之探究，臺灣體育運動管理學會。
李茂賢 (1997)，日本羽球男子單打選手桃田賢斗之慣性技術分析，台北市立大學競技運動訓練研究所碩士在職專班學位論文。
沈柏丞 (2020)，深度學習於晶圓圖辨識與品檢覆判系統，成功大學工程管理碩士在職專班學位論文。
姚漢禱、陳永銘、王榮照 (2014)，羽球單打比賽技術診斷理論與實務分析，第十一屆海峽兩岸心理與教育測驗國際學術研討會專刊。
紀世清、彭俊秀 (2009)，我國青少年羽球單打比賽戰術分析—以 2008 年全國青少年羽球錦標賽少男大組個人賽單打前八強為例，國立台灣體育大學論叢。
涂國誠 (1999)，羽球單打戰略擬定及戰術應用的分析，中華民國大專院校體育總會。
陳怡霖 (2018)，基於深度學習目標檢測之羽球影片空間定位及球員位置預測，交通大學資訊科學與工程研究所學位論文。
陳曉莉 (2018)，優秀羽毛球女子單打運動員技術特徵分析----以泰國依瑟儂為例，台北市立大學競技運動訓練研究所碩士在職專班學位論文。
黃子羿 (2019)，一種利用 Q-Learning 模擬訓練羽球米字步的方法，中興大學資訊科學與工程學系所學位論文。
鍾玉峰、張文鎰、蔡惠峰、廖建明、許泰文 (2019)，強化學習之發展: 以船行路徑最佳化為例，TANET2019 臺灣網際網路研討會。