Datu zinātnieks · Sporta analītika · Valensija

Es pārvēršu datus skaidros lēmumos

Es esmu tilts starp datu analīzi un elitsportu: es pārvēršu snieguma metrikas stratēģijās, kas rada atšķirību laukumā.

Python
R
SQL
Power BI
Machine Learning

Par mani

Dati ar treneru, ceļu un sacensību kontekstu

Es esmu Mario Álvarez, Datu zinātnes students UPV ar reālu pieredzi profesionālajā riteņbraukšanā. Es apvienoju datu analīzi ar augsta līmeņa sportisko sniegumu, lai katru metriku pārvērstu lēmumā, kas uzlabo rezultātus.

Skatīt vairāk

UPV

Izglītība

Bakalaura grāds datu zinātnē, Valensijas Politehniskā universitāte.

Elite

Pieredze

Reāls darbs profesionālā riteņbraukšanas komandā.

Data + Sport

Pieeja

Analītika, kas pielietota sportiskā snieguma uzlabošanai.

Pieredze

Divas pasaules, viena valoda: sniegums

Esmu sacenties augstākajā līmenī un šodien piemēroju to pašu kritēriju datiem: es saprotu, ko skaitlis nozīmē sportistam, jo esmu bijis šis sportists.

Skatīt vairāk

Darbs

Projekti

Automātiska manu publisko GitHub krātuvju izlase.

Specializācijas

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.

Skatīt 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.

Skatīt 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.

Skatīt 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.

Skatīt 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.

Skatīt GitHub