Datatieteilijä · Urheiluanalytiikka · Valencia

Muutan datan selkeiksi päätöksiksi

Olen siltä kilpaurheilun ja datan analyysin välillä: muunnaan suorituskykymetriikat strategioiksi, jotka tekevät eron kentällä.

Näytä projektit Yhteystiedot

Python
R
SQL
Power BI
Machine Learning

Minusta

Dataa radan, maantien ja kilpailun kontekstissa

Olen Mario Álvarez, datatieteen opiskelija UPV:ssä, jolla on todellista kokemusta ammattilaispyöräilystä. Yhdistän data-analyysin huippu-urheilun suorituskykyyn muuttaakseni jokaisen metriikan päätökseksi, joka parantaa tuloksia.

Näytä lisää

UPV

Koulutus

Datatieteen kandidaatti, Universitat Politècnica de València.

Huippu-urheilu

Kokemus

Todellista työtä ammattilaispyöräilytallissa.

Data + Sport

Lähestymistapa

Urheilun suorituskyvyn parantamiseen sovellettu analytiikka.

Kokemus

Kaksi maailmaa, sama kieli: suorituskyky

Olen kilpaillut korkeimmalla tasolla ja sovellettan samaa kriteeriä dataan tänään: ymmärrän, mitä luku merkitsee urheilijalle, koska olen ollut tuo urheilija.

Näytä lisää

Työ

Projektit

Automaattinen valikoima julkisia GitHub-repositorioitani.

Erikoisalat

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.

Katso GitHubissa

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.

Katso GitHubissa

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.

Katso GitHubissa

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.

Katso GitHubissa

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.

Katso GitHubissa