Rezime: Problematika predviđanja učinka košarkaša na utakmicama putem algoritama mašinskog učenja sve više dobija na interesovanju i značaju u poslednje vreme. Pregled osnovne ideje rada da je na konkretnom primeru predviđanja poena NBA košarkaša koristeći vremenske serije, a zatim modelovanje njihovog učinka na osnovu predviđenog učinka njihovih saigrača. Pristup koji je korišćen za više-izlaznu (multi-target) predikciju je steking (eng.stacking). Cilj rada je pokazati kako steking pristup može značajno uticati na poboljšanje performansi i kreiranje preciznijih predikcija. Kroz rad biće prikazano kreiranje dva modela: nezavisni model koji će na osnovu stvarnih vrednosti predviđjati određeni izlaz i drugi, multi-target model, koji će korisititi predviđene vrednosti osnovnog modela i vršiti korekciju tih vrednosti. Prvobitni model predviđa vrednosti na nivou pojedinačnih opservacija dok drugi model dalje koristi te predviđene vrednosti korišćenjem multi-target pristupa kako bi uhvatio međuzavisnosti između izlaznih vrednosti prvobitnog modela. Dati modeli se ukrštaju na taj način što će izlaz nezavisnog modela biti korišćen kao ulaz u multi-target model. Pokazano je da multi-target model daje bolje rezultate nego osnovni na osnovu poređenja srednje apsolutne greške osnovnog i datog modela. Dobijeni preliminarni rezultati ukazuju na korisnost ovakvog pristupa i motivišu širu zajednicu u daljem razvoju sličnih metoda koje se zasnivaju na multi-target regresiji i stacking pristupu.