Duomenų mokslininkas · Sporto analitika · Valensija

Paverčiu duomenis aiškiais sprendimais

Eu esu tiltas tarp duomenų analizės ir elito sporto: paverčiu rezultatų metrikas strategijomis, kurios lemia skirtumą aikštelėje.

Žiūrėti projektus Kontaktai

Python
R
SQL
Power BI
Machine Learning

Apie mane

Duomenys su aikštelės, kelio ir varžybų kontekstu

Esu Mario Álvarez, Duomenų mokslo studentas UPV su realia patirtimi profesionaliame dviračių sporte. Derinu duomenų analizę su elito sportiniais rezultatais, kad kiekvieną metriką paverčiau sprendimu, gerinančiu rezultatus.

Žiūrėti daugiau

UPV

Išsilavinimas

Duomenų mokslo bakalauras, Universitat Politècnica de València.

Elitas

Patirtis

Realus darbas profesionalioje dviračių sporto komandoje.

Data + Sport

Požiūris

Analitika, pritaikyta sportinių rezultatų gerinimui.

Patirtis

Du pasauliai, viena kalba: rezultatai

Eu varžybose dalyvavau aukščiausiu lygiu ir šiandien taikau tą patį kriterijų duomenims: suprantu, ką skaičius reiškia sportininkui, nes pats buvau toks sportininkas.

Žiūrėti daugiau

Darbas

Projektai

Automatinė mano viešųjų „GitHub“ saugyklų atranka.

Specializacijos

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.

Žiūrėti „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.

Žiūrėti „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.

Žiūrėti „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.

Žiūrėti „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.

Žiūrėti „GitHub“