Наука за данните и AI · Старши (6+ г.)

Автобиография за инженер по машинно обучение

Този пример показва инженер, който подобрява модели за класиране и прогнозиране — от експериментите до наблюдаваните внедрявания в продукционна среда. Силната автобиография свързва избора на модели, работата с данни и внедряването с измерими промени в латентността, релевантността, разходите или бизнес процесите и ясно посочва използваните инструменти и мащаба.

Проверка на автобиографията

Какво търсят специалистите по подбор и системите за проследяване. Насоки, а не прогноза.

100 / 100Пълна

100%

Контакт20 от 20
Профил20 от 20
Професионален опит30 от 30
Умения20 от 20
Образование10 от 10

Данни за контакт

Поставете ги най-отгоре; специалистите по подбор и системите за проследяване ги търсят първо.

Пълно име

Длъжност

Имейл

Телефон

Местоположение

Уебсайт или LinkedIn

Добавете снимка

По желание. В САЩ, Обединеното кралство и Канада автобиографиите обикновено са без снимка.

Профил58 думи

Професионален опит

Инженер по машинно обучение в Summitline Analytics, Боулдър, Колорадо (2019 – 2022)
- Обучих модели за прогнозиране на търсенето със scikit-learn върху данни за продажбите за три години и намалих средната абсолютна грешка с 9% спрямо съществуващата сезонна базова прогноза.
- Създадох многократно използваеми потоци за обработка на признаци с Python и SQL за пет внедрявания при клиенти, като съкратих подготовката за обновяване на модела от два дни на около един ден.

По една длъжност на абзац; започвайте всеки постигнат резултат на нов ред с „-“.

Образование

Умения10 умения

Разделяйте уменията със запетаи, например: Excel, SQL, планиране на проекти.

Допълнителни раздели

Проекти, сертификати, езици или всичко друго, което подкрепя кандидатурата ви.

Профил

Инженер по машинно обучение със 7 години опит в изграждането на системи за класиране и прогнозиране за B2B продукти в сферата на търговията. Съчетава разработка на модели с Python и PyTorch, проектиране на потоци за обработка на признаци и внедряване с Kubernetes с внимателна офлайн и онлайн оценка; внедрил е услуги, обработващи 2 милиона заявки за препоръки дневно.

Професионален опит

Инженер по машинно обучение II в Cedarpath Commerce, Денвър, Колорадо (2022 – досега) - Създадох модел за класиране с PyTorch, използващ данни за сесиите и продуктовия каталог, с което увеличих процента на добавяне в количката с 6% при контролиран тест с 1,2 милиона сесии. - Внедрих услуги за препоръки в Kubernetes и добавих пакетно оценяване с проследяване в MLflow, като намалих времето за отговор p95 от 180 ms на 125 ms. - Автоматизирах проверката на признаците и сигналите за отклонение за 14 продукционни признака, което помогна на екипа да разследва проблеми с данните преди седмичните внедрявания на модели. Инженер по машинно обучение в Summitline Analytics, Боулдър, Колорадо (2019 – 2022) - Обучих модели за прогнозиране на търсенето със scikit-learn върху данни за продажбите за три години и намалих средната абсолютна грешка с 9% спрямо съществуващата сезонна базова прогноза. - Създадох многократно използваеми потоци за обработка на признаци с Python и SQL за пет внедрявания при клиенти, като съкратих подготовката за обновяване на модела от два дни на около един ден.

Образование

Бакалавърска степен по компютърни науки — Juniper Ridge University, Гранд-Джънкшън, Колорадо (2018)

Умения

Python
SQL
PyTorch
scikit-learn
инженеринг на признаци
оценяване на модели
Kubernetes
MLflow
Docker
A/B тестване

Инструменти

• Python, SQL, PyTorch, scikit-learn • MLflow, Docker, Kubernetes • Apache Spark, Airflow

Избран проект

• Разработих прототип за извличане и повторно класиране при търсене на продукти, използващ векторни представяния на изречения и PyTorch • Сравних релевантността и латентността върху набор от 8 000 анотирани заявки • Документирах резултатите от оценката и компромисите при внедряването

Как да напишете автобиография за Инженер по машинно обучение

Покажете ефекта на модела отвъд показателите

Започнете с резултата за продукта или работния процес, след което посочете модела и метода за оценка. Например свържете промяна в класирането с конверсиите или релевантността на търсенето и уточнете дали резултатът е от онлайн тест или офлайн сравнителен тест. Когато е полезно, посочете базовата стойност, мащаба и периода; без контекст е трудно да се тълкува даден показател.

Изяснете отговорностите си в продукционна среда

Опишете за какво сте отговаряли след обучението: потоци за обработка на признаци, обслужване на заявки, наблюдение, преобучение, връщане към предишна версия или разследване на проблеми по време на дежурство. Посочете средата за внедряване и дайте конкретна мярка, например латентност p95, време за обновяване, разходи за облачни услуги или брой заявки. Не създавайте впечатление, че моделът е бил готов за продукционна среда, ако е работил само в notebook или ограничен пилотен проект.

Посочвайте инструментите с полезен контекст

Избройте езиците, рамките, облачните услуги и инструментите за внедряване, за които можете да говорите на интервю, а след това покажете къде сте ги използвали в описанието на опита си. Използвайте формулировките от обявата, когато точно описват работата ви. Пропуснете дългите списъци с библиотеки и не изброявайте всяка архитектура на модел, която сте изпробвали, без да обясните за какво сте я използвали.

Използвайте проекти, за да допълните липсващите примери

Ако в трудовия ви опит има малко работа по внедряване на модели, включете един или два подходящи проекта с връзка към хранилище или демонстрация, източник на данните, подход за оценка и описание на създаденото от вас. Обяснете ограниченията на данните и не споделяйте поверителен код, информация за клиенти или твърдения, които не могат да бъдат проверени. Проектът трябва да добавя доказателства за уменията ви, а не да повтаря списъка с умения.

Често използвани ключови думи

Умения и инструменти, които често се посочват за тази професия. Използвайте само тези, които владеете, и формулировките от обявата за работа. Щракнете върху някоя ключова дума, за да я копирате.

Глаголи за действие

СъздадохВнедрихНамалихПодобрихАвтоматизирахОценихОптимизирах

Въпроси за тази професия

Колко дълга трябва да бъде автобиографията на инженер по машинно обучение?

При няколко години релевантен опит две страници са подходящи, ако всеки запис дава полезна информация за модели, системи за данни или отговорности в продукционна среда. Поставете най-релевантния опит на първата страница и съкратете по-старите подробности, които не подкрепят кандидатурата ви за ролята. Фокусирана автобиография на една страница също може да бъде ефективна, ако се чете лесно и съдържа достатъчно контекст за резултатите ви.

Трябва ли да включите връзка към портфолио или GitHub?

Включете такава връзка, ако показва работа, която укрепва кандидатурата ви, например възпроизводим проект, техническа статия или публичен принос. Поставете я близо до данните си за контакт или в раздел за проекти и се уверете, че хранилището има ясно README и не съдържа пароли или ограничени данни. Не разчитайте само на връзката, вместо да обясните приноса си в автобиографията.

Кои сертификати трябва да посочи инженерът по машинно обучение?

В САЩ няма общ лиценз или задължителен сертификат за инженери по машинно обучение. Посочете сертификат, когато е релевантен за работата, актуален е и е издаден от разпознаваем доставчик, например удостоверение от облачна платформа. Включете точното му име и издателя; пропуснете изтеклите удостоверения и сертификатите от кратки курсове, които добавят малко към демонстрираните ви умения.

Как можете да преминете към инженеринг на машинно обучение от науката за данните?

Да. Подчертайте примери за инженерна работа наред с разработването на модели: надеждни потоци за обработка на данни, тестван код, API или пакетни задачи, внедряване, наблюдение и сътрудничество с екипи за продукти или инфраструктура. Опишете точно ролята си и посочете използваните инструменти и постигнатите резултати. Ако опитът ви в тази област е ограничен, добавете целенасочен проект, който показва целия процес — от подготовката на данните до оценката и внедряването.