This project develops a novel approach to analysis and understanding of tennis shot and serve performance, with the help of machine learning for digital coaching purposes. Using the PlayReplay system, two models are developed to generate shot return probabilities and quantified serve quality. Shot return probability is used to provide insight into the decisiveness of a shot and its effectiveness. Built on that, serve quality is measured as the impact of such serves on subsequent shots, allowing for a more comprehensive understanding of serve quality. Key metrics for both shots and serves are computed on multiple samples obtained by rigorous data collection in other to maximize models’ performance. Ultimately, this mentioned process allows the development of a final tool that offers specific feature analysis of a given serve, providing a suggestion on performance improvement of serve. The results show the potential of machine learning and data driven techniques to be implemented in real world scenarios and be used by players and coaches to improve player performance. 

Detta projekt utvecklar ett nytt tillvägagångssätt för analys och förståelse av tennisslag och serveprestationer, med hjälp av maskininlärning för digitala coachningsändamål. Med hjälp av PlayReplay-systemet utvecklas två modeller för att generera skottretursannolikheter och kvantifierad servekvalitet. Sannolikhet för skottretur används för att ge insikt i ett skotts beslutsamhet och dess effektivitet. Baserad på det mäts servekvaliteten som effekten av sådana servar på efterföljande skott, vilket möjliggör en mer omfattande förståelse av servens kvalitet. Nyckelmått för både skott och servar beräknas på flera exempel som erhållits genom noggrann datainsamling i andra för att maximera modellernas prestanda. I slutändan tillåter den här nämnda processen utvecklingen av ett sista verktyg som erbjuder specifik funktionsanalys av en given serve, vilket ger ett förslag på prestandaförbättring av serven. Resultaten visar potentialen hos maskininlärning och datadrivna tekniker att implementeras i verkliga scenarier och användas av spelare och tränare för att förbättra spelarens prestation.