Data scientist CV som landar modellintervjun.
Visa modellen, datasetet, metriken och affärsresultatet. ATS-clean, rekryterar-scanbar, och byggd för rekryteringstratten som filtrerar på PyTorch, SQL och en driftsatt modell i produktion.
- Modell och metrik per projekt
- Driftsatt räknas mer än notebooks
- SQL är separat färdighet
- Gratis export
Driftsatt slår notebook varje gång.
Rekryterare kan inte skilja en seriös data scientist från en Kaggle-hobbyist på 8 sekunders CV-scan. Hjälp dem: namnge driftsättningskontexten (real-time inferens bakom en gRPC-tjänst, batch scoring i Airflow), träningsdataskalan, och affärsmetriken modellen flyttade.
Färdigheter ska delas i 4 grupper: ML/DL-stack (PyTorch, sklearn, XGBoost), data engineering (SQL, Spark, dbt, Snowflake), produktion (FastAPI, MLflow, Sagemaker), och visualisering (Tableau, Looker, matplotlib). Dumpa inte allt i ett block.
Publikationer och Kaggle-rang är värda en rad var längst ner, aldrig lede. Lede är det driftsatta arbetet.
När Projekt-sektionen hjälper och när den skadar.
Hjälper: om du är tidig-karriär eller övergår från forskning. Ett rent Projekt-block med 3 driftsatta modeller, var och en med dataset, teknik och resultat, slår en gles arbetshistorik.
Skadar: om du har 5+ år i industrin. En Projekt-sektion implicerar då att du inte har tillräckligt med arbetserfarenhet för att fylla sidan, motsatsen till vad du vill.
Om du inkluderar projekt, behandla varje som ett jobb: företagsekvivalent rad, datum, 2-3 kvantifierade punkter.
Questions, answered.
Omvänd kronologisk arbetshistorik med driftsatta modellresultat, en grupperad Färdighets-sektion (ML, data engineering, produktion, visualisering), Utbildning med examen och avhandlingsämne, och Publikationer eller Kaggle-resultat endast om materiella.
Nej. Lista ramverk (PyTorch, sklearn, XGBoost, Hugging Face), verktyg du skulle bygga produktionssystem med (MLflow, Sagemaker, Ray), och ekosystem (pandas, numpy). Hoppa över varje individuellt viz-bibliotek och varje mindre experiment-spårningsverktyg.
En grandmaster-rang ja, i en one-liner nära botten. Några färdiga tutorials nej. Rekryterare diskonterar Kaggle som primär signal eftersom datan är för ren och metriken för smal.
Namnge datasetstorleken, tekniken, baseline och lyftet. 'Tränade en XGBoost-klassificerare på 14M märkta transaktioner; lyfte fraud recall från 71% till 84% vid samma falsk-positiv-budget' är försvarbart. 'Byggde state-of-the-art-modell' är inte.
Ja, prominent. De flesta data science-annonser filtrerar på SQL som hård obligatorisk färdighet och 30% av sökande lämnar det av eftersom de antar att det är underförstått. Lämna inte av det.
Poängsätt ditt data science CV.
Gratis. PDF eller DOCX. Inget kreditkort.
Kolla mitt CV →