Dataforsker · Sportsanalyse · Valencia

Jeg forvandler data til klare beslutninger

Jeg er bindeleddet mellem dataanalyse og elitsport: Jeg omdanner præstationsmålinger til strategier, der gør en forskel på banen.

Se projekter Kontakt

Python
R
SQL
Power BI
Machine Learning

Om mig

Data med kontekst fra bane, landevej og konkurrence

Jeg er Mario Álvarez, datavidenskabsstuderende på UPV med reel erfaring fra professionel cykling. Jeg kombinerer dataanalyse med eliteidrætspræstationer for at omdanne hver enkelt måling til en beslutning, der forbedrer resultaterne.

Se mere

UPV

Uddannelse

Bachelor i datavidenskab, Universitat Politècnica de València.

Elite

Erfaring

Reelt arbejde på et professionelt cykelhold.

Data + Sport

Tilgang

Analyse anvendt til forbedring af sportspræstationer.

Erfaring

To verdener, samme sprog: præstationen

Jeg har konkurreret på højeste niveau og anvender i dag den samme tilgang på data: Jeg forstår, hvad et tal betyder for en sportsmand, fordi jeg har været den sportsmand.

Se mere

Arbejde

Projekter

Et automatisk udvalg af mine offentlige repositoryer på GitHub.

Specialiseringer

HTML
Power BI
Python
R
SQL

VIS

HTML

This repository contains coursework, practical exercises, and study materials for a university data visualization course. It includes solved programming tasks using R and Python libraries like ggplot2 and Plotly, alongside practice dashboards built in Tableau.

Se på GitHub

EVALUACION-DE-MODELOS-

HTML

This repository contains practical assignments for a university model evaluation course, covering topics such as cost-sensitive classification, fairness metrics on the COMPAS dataset, and model interpretability using partial dependence plots. The exercises and analyses are implemented using Python and R across Jupyter Notebooks and R Markdown reports.

Se på GitHub

TRABAJO_MDP

An academic data analysis project in R that explores and characterizes a physicochemical crystal dataset. It covers data cleaning, preprocessing, and dimensionality reduction through Principal Component Analysis (PCA) using packages such as FactoMineR, factoextra, and ggplot2.

Se på GitHub

TRABAJO_CORREDORES

Python

A Streamlit web application that helps manage cycling teams by scraping race and rider data from ProCyclingStats and FirstCycling to analyze upcoming events and cyclist specialties. It is built with Python using BeautifulSoup, Selenium, Pandas, and the Gemini API to process data and extract UCI points regulations from PDFs.

Se på GitHub

COFIDIS

Python

Developed as an academic project, this tool scrapes UCI rankings and race data from ProCyclingStats to calculate race difficulty scores tailored to the Cofidis cycling team's calendar. It is built with Python, using Selenium and BeautifulSoup for web scraping, Pandas for data processing, and Streamlit for the interactive interface.

Se på GitHub