In diesem Kapitel wird eine auf maschinellem Lernen (ML) basierende Analyse von Multi-Agenten-Trajektorien im Basketball vorgestellt. Es befasst sich mit der Herausforderung, Multi-Agenten-Verhaltensweisen zu verstehen, die typisch für Mannschaftssportarten sind und sich durch komplexe Interaktionen und kognitive Prozesse auszeichnen. Das Kapitel zeigt auf, wie Methoden des ML solche Verhaltensweisen effektiv analysieren können, trotz der inhärenten Schwierigkeiten bei der Modellierung der Verhaltensweisen und der Interpretation dieser nichtlinearen Modelle. Wir heben zwei primäre Strategien hervor: die lernbasierte Extraktion von Merkmalen und Regeln sowie die Generierung und Kontrolle von Verhaltensweisen aus Modellen. Die erste beinhaltet die Visualisierung von Darstellungen und die Identifizierung der zugrunde liegenden Strukturen, während die zweite die Simulation und Kontrolle potenzieller und hypothetischer Szenarien ermöglicht. Das Kapitel schließt mit einer Erörterung der praktischen Auswirkungen dieser Methoden, wobei ihr Nutzen für ein besseres Verständnis des Verhaltens von Multiagenten im Basketball hervorgehoben wird.