Gagnafræðingur · Íþróttagreining · Valencia

Ég breyti gögnum í skýrar ákvarðanir

Ég er brúin milli gagnafærni og afreksíþrótta: ég breyti frammistöðumælingum í stefnur sem skipta máli ávellinum.

Python
R
SQL
Power BI
Machine Learning

Um mig

Gögn með samhengisbraut, vegi og keppni

Ég er Mario Álvarez, nemi í gagnafræði við UPV með raunverulega reynslu úr atvinnumannahjólreiðum. Ég hef gaman af því að sameina gagnafærni og afreksíþróttaárangur til að breyta hverri mælingu í ákvörðun sem bætir árangur.

Skoða meira

UPV

Menntun

Gráða í gagnafræði, Tækniháskólanum í Valencia.

Eðla

Reynslusaga

Raunveruleg vinna innan atvinnumannaliðs í hjólreiðum.

Data + Sport

Áhersla

Greining beitt til að bæta íþróttaárangur.

Reynslusaga

Heimur tvíburanna, sama tungumálið: árangurinn

Ég hef keppt á hæsta stigi og beiti nú sömu viðmiðum við gögnin: ég skil hvað tala þýðir fyrir íþróttamann því ég hef verið sá íþróttamaður.

Skoða meira

Vinna

Verkefni

Sjálfvirkt val á opnum geymslum mínum á GitHub.

Sérsvið

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.

Sjá á 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.

Sjá á 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.

Sjá á 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.

Sjá á 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.

Sjá á GitHub