Επιστήμονας δεδομένων · Αθλητική αναλυτική · Βαλένθια

Μετατρέπω δεδομένα σε σαφείς αποφάσεις

Είμαι η γέφυρα μεταξύ της ανάλυσης δεδομένων και του αθλητισμού ελίτ: μετασχηματίζω τις μετρικές απόδοσης σε στρατηγικές που κάνουν τη διαφορά στον αγωνιστικό χώρο.

Δείτε τα έργα Επικοινωνία

Python
R
SQL
Power BI
Machine Learning

Σχετικά με μένα

Δεδομένα με πλαίσιο πίστας, δρόμου και αγώνα

Είμαι ο Mario Álvarez, φοιτητής Επιστήμης Δεδομένων στο UPV με πραγματική εμπειρία στην επαγγελματική ποδηλασία. Συνδυάζω την ανάλυση δεδομένων με την αθλητική απόδοση ελίτ, για να μετατρέπω κάθε μετρική σε μια απόφαση που βελτιώνει τα αποτελέσματα.

Δείτε περισσότερα

UPV

Εκπαίδευση

Πτυχίο στην Επιστήμη Δεδομένων, Universitat Politècnica de València.

Ελίτ

Εμπειρία

Πραγamtική εργασία μέσα σε μια επαγγελματική ομάδα ποδηλασίας.

Data + Sport

Προσέγγιση

Αναλυτική εφαρμοσμένη στη βελτίωση της αθλητικής απόδοσης.

Εμπειρία

Δύο κόσμοι, μία κοινή γλώσσα: η απόδοση

Έχω αγωνιστεί στο υψηλότερο επίπεδο και σήμερα εφαρμόζω αυτό το ίδιο κριτήριο στα δεδομένα: καταλαβαίνω τι σημαίνει ένας αριθμός για έναν αθλητή επειδή ήμουν αυτός ο αθλητής.

Δείτε περισσότερα

Εργασία

Έργa

Μια αυτόματη επιλογή των δημόσιων αποθετηρίων μου στο GitHub.

Εξειδικεύσεις

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.

Προβολή στο 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.

Προβολή στο 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.

Προβολή στο 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.

Προβολή στο 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.

Προβολή στο GitHub