Michele Orefice

Questo progetto implementa una pipeline di computer vision per rilevare e tracciare giocatori, arbitri e il pallone nei filmati delle partite. Ho allenato un modello YOLOv8 personalizzato su un dataset di Roboflow e ho utilizzato ByteTrack per un tracciamento coerente degli oggetti. Una funzionalità chiave è l'assegnazione automatica della squadra, che usa un algoritmo di clustering KMeans per differenziare i team in base al colore delle maglie.

• Progetto Github

Una pipeline di dati end-to-end e automatizzata, costruita in R, che esegue lo scraping giornaliero delle statistiche calcistiche da FBref tramite rvest, elabora i dati con dplyr e genera report dinamici in HTML con rmarkdown. L'intero flusso di lavoro è pianificato per l'esecuzione giornaliera con taskscheduleR, garantendo che gli insight siano sempre aggiornati.

• Progetto Github

Questo progetto dimostra competenze fondamentali di ingegneria dei dati attraverso un database relazionale costruito con SQL. Progettato da zero, gestisce i dati sugli infortuni dei calciatori, inclusi trattamenti e specialisti coinvolti. Lo schema è normalizzato per garantire l'integrità dei dati e supporta query complesse per analizzare i pattern degli infortuni, l'efficacia dei trattamenti e i carichi di lavoro degli specialisti.

• Progetto Github

Questo progetto illustra un flusso di lavoro completo di analisi dati. Ho elaborato e interrogato un vasto dataset sul COVID-19 da Our World in Data usando SQL per estrarre metriche chiave sui tassi di infezione e mortalità. I risultati sono stati poi visualizzati in una dashboard pubblica e interattiva creata con Tableau, per rendere i dati complessi chiari e accessibili.

• Dashboard