این مقاله یک مرور جامع از ٢٢مطالعه اخیر از سال‌های ٢٠٢٢تا ٢٠٢٤ ارائه می‌دهد که تکنیک‌های یادگیری عمیق را در وظایف متنوع تحلیل ورزشی از جمله ردیابی اشیاء، تشخیص فعالیت، پیشبینی عملکرد، تخمین وضعیت بدنی و موارد دیگر به کار می‌گیرند. در سراسر نمونه، شبکه‌های عصبی کانولوشنی(٪٤٥) و شبکه‌های حافظه کوتاه‌مدت بلندمدت (٪١٨) از جمله معماری‌های پرکاربرد هستند. ورزش‌های مورد بررسی از حوزه‌های اصلی مانند فوتبال، بسکتبال و تنیس تا فعالیت‌های کمتر متعارف مانند طناب‌زنی و فعالیت بدنی را شامل می‌شود. میانگین عملکرد پیشبینی از ٪٩٠دقت فراتر می‌رود که پتانسیل یادگیری عمیق در ورزش را تأیید می‌کند، در حالی که محدودیت‌های مهمی را در رابطه با تعمیم‌پذیری مدل، تنوع حالت‌های سنسور و قابلیت‌های یادگیری انتقال بین حوزه‌ای برجسته می‌کند که نیاز به بررسی بیشتر دارد.
