Επιστήμη Δεδομένων & AI · Ανώτερος (6+ έτη)

Βιογραφικό μηχανικού μηχανικής μάθησης

Αυτό το δείγμα δείχνει έναν μηχανικό να βελτιώνει μοντέλα κατάταξης και πρόβλεψης, από τον πειραματισμό έως τις παρακολουθούμενες εκδόσεις παραγωγής. Ένα ισχυρό βιογραφικό συνδέει τις επιλογές μοντέλων, την εργασία με δεδομένα και την ανάπτυξη με μετρήσιμες αλλαγές στον χρόνο απόκρισης, τη συνάφεια, το κόστος ή τις επιχειρησιακές ροές εργασίας, ενώ διευκρινίζει τα εργαλεία και την κλίμακα.

Έλεγχος βιογραφικού

Τι αναζητούν οι υπεύθυνοι προσλήψεων και τα συστήματα παρακολούθησης υποψηφίων. Είναι ένας οδηγός, όχι πρόβλεψη.

100 / 100Ολοκληρωμένο

100%
  • ΕπικοινωνίαΒαθμολογία: 20 / 20
  • ΣύνοψηΒαθμολογία: 20 / 20
  • Επαγγελματική εμπειρίαΒαθμολογία: 30 / 30
  • ΔεξιότητεςΒαθμολογία: 20 / 20
  • ΕκπαίδευσηΒαθμολογία: 10 / 10

Στοιχεία επικοινωνίας

Τοποθετήστε τα στην αρχή· οι υπεύθυνοι προσλήψεων και τα συστήματα παρακολούθησης υποψηφίων τα αναζητούν πρώτα.

Προαιρετικό. Στις ΗΠΑ, το Ηνωμένο Βασίλειο και τον Καναδά, τα βιογραφικά συνήθως δεν περιλαμβάνουν φωτογραφία.

55 λέξεις

Μία θέση εργασίας ανά παράγραφο· ξεκινήστε κάθε επίτευγμα σε νέα γραμμή με «-».

10 δεξιότητες

Διαχωρίστε τις δεξιότητες με κόμματα, για παράδειγμα: Excel, SQL, σχεδιασμός έργων.

Περισσότερες ενότητες

Έργα, πιστοποιήσεις, γλώσσες ή οτιδήποτε άλλο στηρίζει την αίτησή σας.

Εργαλεία
Επιλεγμένο έργο

Άλεξ Μόργκαν

Μηχανικός μηχανικής μάθησης

  • άλες.μόργκαν@example.com
  • +1 555 0100
  • Ντένβερ, Κολοράντο

Σύνοψη

Μηχανικός μηχανικής μάθησης με 7 χρόνια εμπειρίας στην ανάπτυξη συστημάτων κατάταξης και πρόβλεψης για προϊόντα B2B εμπορίου. Συνδυάζει την ανάπτυξη μοντέλων με Python και PyTorch, τον σχεδιασμό ροών δεδομένων χαρακτηριστικών και τις αναπτύξεις σε Kubernetes με προσεκτική αξιολόγηση εκτός και εντός παραγωγής· έχει θέσει σε λειτουργία υπηρεσίες που επεξεργάζονται 2 εκατομμύρια αιτήματα προτάσεων την ημέρα.

Επαγγελματική εμπειρία

Μηχανικός μηχανικής μάθησης II στην Cedarpath Commerce, Denver, CO (2022 – Σήμερα) - Δημιούργησα μοντέλο κατάταξης PyTorch με χαρακτηριστικά συνεδριών και καταλόγου, αυξάνοντας το ποσοστό προσθήκης στο καλάθι κατά 6% σε ελεγχόμενη δοκιμή με 1,2 εκατομμύρια συνεδρίες. - Ανέπτυξα υπηρεσίες προτάσεων σε Kubernetes και πρόσθεσα βαθμολόγηση σε δέσμες με καταγραφή μέσω MLflow, μειώνοντας τον χρόνο απόκρισης p95 από 180 ms σε 125 ms. - Αυτοματοποίησα την επικύρωση χαρακτηριστικών και τις ειδοποιήσεις απόκλισης για 14 χαρακτηριστικά παραγωγής, βοηθώντας την ομάδα να διερευνά προβλήματα δεδομένων πριν από τις εβδομαδιαίες εκδόσεις μοντέλων. Μηχανικός μηχανικής μάθησης στην Summitline Analytics, Boulder, CO (2019 – 2022) - Εκπαίδευσα μοντέλα πρόβλεψης ζήτησης scikit-learn με δεδομένα πωλήσεων τριών ετών, μειώνοντας το μέσο απόλυτο σφάλμα κατά 9% σε σύγκριση με την υφιστάμενη εποχική βάση αναφοράς. - Δημιούργησα επαναχρησιμοποιήσιμες ροές χαρακτηριστικών σε Python και SQL για πέντε αναπτύξεις σε πελάτες, μειώνοντας την προετοιμασία ανανέωσης μοντέλων από δύο ημέρες σε περίπου μία.

Εκπαίδευση

Πτυχίο Bachelor of Science στην Επιστήμη Υπολογιστών — Juniper Ridge University, Grand Junction, CO (2018)

Δεξιότητες

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • μηχανική χαρακτηριστικών
  • αξιολόγηση μοντέλων
  • Kubernetes
  • MLflow
  • Docker
  • δοκιμές A/B

Εργαλεία

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

Επιλεγμένο έργο

• Ανέπτυξα πρωτότυπο ανάκτησης και επανακατάταξης για αναζήτηση προϊόντων, χρησιμοποιώντας ενσωματώσεις προτάσεων και PyTorch • Σύγκρινα τη συνάφεια και τον χρόνο απόκρισης σε επισημασμένο σύνολο 8.000 ερωτημάτων • Τεκμηρίωσα τα αποτελέσματα αξιολόγησης και τους συμβιβασμούς στην ανάπτυξη

Πώς να γράψετε βιογραφικό για θέση Μηχανικός μηχανικής μάθησης

Δείξτε την επίδραση του μοντέλου πέρα από τις μετρικές

Ξεκινήστε με το αποτέλεσμα για το προϊόν ή τη λειτουργία και έπειτα αναφέρετε το μοντέλο και τη μέθοδο αξιολόγησης. Για παράδειγμα, συνδέστε μια αλλαγή στην κατάταξη με τις μετατροπές ή τη συνάφεια της αναζήτησης και διευκρινίστε αν το αποτέλεσμα προέκυψε από διαδικτυακή δοκιμή ή δοκιμή αναφοράς εκτός παραγωγής. Όπου είναι χρήσιμο, συμπεριλάβετε τη βάση αναφοράς, την κλίμακα και τη χρονική περίοδο· μια μετρική χωρίς πλαίσιο είναι δύσκολο να ερμηνευτεί.

Διευκρινίστε την ευθύνη για την παραγωγή

Περιγράψτε τι αναλάβατε μετά την εκπαίδευση: ροές χαρακτηριστικών, εξυπηρέτηση, παρακολούθηση, επανεκπαίδευση, επαναφορά ή διερεύνηση περιστατικών ετοιμότητας. Αναφέρετε το περιβάλλον ανάπτυξης και δώστε ένα συγκεκριμένο μέτρο, όπως καθυστέρηση p95, χρόνο ανανέωσης, δαπάνες cloud ή όγκο αιτημάτων. Μην αφήνετε να εννοηθεί ότι ένα μοντέλο ήταν έτοιμο για παραγωγή αν εκτελούνταν μόνο σε notebook ή σε περιορισμένη πιλοτική εφαρμογή.

Αναφέρετε τα εργαλεία με χρήσιμο πλαίσιο

Καταγράψτε γλώσσες, πλαίσια, υπηρεσίες cloud και εργαλεία ανάπτυξης για τα οποία μπορείτε να μιλήσετε σε συνέντευξη και, στη συνέχεια, δείξτε σε ποια σημεία της εργασιακής εμπειρίας σας τα χρησιμοποιήσατε. Χρησιμοποιήστε τη διατύπωση της αγγελίας όταν περιγράφει με ακρίβεια τη δουλειά σας. Αποφύγετε μεγάλες λίστες βιβλιοθηκών και μην παραθέτετε κάθε αρχιτεκτονική μοντέλου που δοκιμάσατε χωρίς να εξηγείτε τον σκοπό της.

Χρησιμοποιήστε έργα για να καλύψετε κενά στα τεκμήρια

Αν το εργασιακό ιστορικό σας περιλαμβάνει λίγη εργασία ανάπτυξης μοντέλων, προσθέστε ένα ή δύο σχετικά έργα με σύνδεσμο σε αποθετήριο ή επίδειξη, πηγή δεδομένων, προσέγγιση αξιολόγησης και περιγραφή του τι δημιουργήσατε. Εξηγήστε τους περιορισμούς των δεδομένων και μην κοινοποιείτε εμπιστευτικό κώδικα, πληροφορίες πελατών ή ισχυρισμούς που δεν μπορούν να αναπαραχθούν. Ένα έργο πρέπει να προσθέτει τεκμήρια, όχι να επαναλαμβάνει τη λίστα δεξιοτήτων.

Συνηθισμένες λέξεις-κλειδιά

Δεξιότητες και εργαλεία που αναφέρονται συχνά για αυτήν τη θέση. Χρησιμοποιήστε μόνο όσα διαθέτετε και με τη διατύπωση της αγγελίας εργασίας. Κάντε κλικ σε μία λέξη-κλειδί για να την αντιγράψετε.

Ρήματα δράσης

ΔημιούργησαΑνέπτυξαΜείωσαΒελτίωσαΑυτοματοποίησαΑξιολόγησαΒελτιστοποίησα

Ερωτήσεις για αυτήν τη θέση

Πόσο μεγάλο πρέπει να είναι ένα βιογραφικό μηχανικού μηχανικής μάθησης;

Αν έχετε αρκετά χρόνια σχετικής εμπειρίας, οι δύο σελίδες είναι κατάλληλες όταν κάθε καταχώριση προσθέτει χρήσιμα στοιχεία για μοντέλα, συστήματα δεδομένων ή ευθύνες παραγωγής. Βάλτε την πιο σχετική εργασία στην πρώτη σελίδα και συντομεύστε παλαιότερες λεπτομέρειες που δεν υποστηρίζουν την υποψηφιότητά σας για τον ρόλο. Ένα στοχευμένο βιογραφικό μίας σελίδας μπορεί επίσης να είναι αποτελεσματικό, αν παραμένει ευανάγνωστο και παρέχει αρκετό πλαίσιο για τα αποτελέσματά σας.

Να συμπεριλάβω σύνδεσμο σε portfolio ή GitHub;

Συμπεριλάβετε έναν σύνδεσμο αν παρουσιάζει εργασία που ενισχύει την αίτησή σας, όπως ένα αναπαραγώγιμο έργο, ένα τεχνικό άρθρο ή μια δημόσια συνεισφορά. Τοποθετήστε τον κοντά στα στοιχεία επικοινωνίας σας ή σε ενότητα έργων και βεβαιωθείτε ότι το αποθετήριο έχει σαφές README και δεν περιέχει μυστικά ή δεδομένα περιορισμένης πρόσβασης. Μην βασίζεστε στον σύνδεσμο αντί να εξηγήσετε τη συνεισφορά σας στο βιογραφικό.

Ποιες πιστοποιήσεις πρέπει να καταγράψει ένας μηχανικός μηχανικής μάθησης;

Δεν υπάρχει γενική άδεια ή υποχρεωτική πιστοποίηση στις ΗΠΑ για τους μηχανικούς μηχανικής μάθησης. Καταγράψτε μια πιστοποίηση όταν είναι σχετική με τη θέση, ισχύει ακόμη και έχει εκδοθεί από αναγνωρίσιμο φορέα, όπως μια πιστοποίηση πλατφόρμας cloud. Συμπεριλάβετε την ακριβή ονομασία και τον φορέα έκδοσης· παραλείψτε πιστοποιήσεις που έχουν λήξει ή πιστοποιητικά σύντομων μαθημάτων που προσθέτουν λίγα πέρα από τις δεξιότητες που έχετε ήδη αποδείξει.

Μπορώ να μετακινηθώ στη μηχανική μάθηση από την επιστήμη δεδομένων;

Ναι. Δώστε έμφαση σε τεκμήρια μηχανικού έργου παράλληλα με την ανάπτυξη μοντέλων: αξιόπιστες ροές δεδομένων, κώδικα με δοκιμές, API ή εργασίες σε δέσμες, ανάπτυξη, παρακολούθηση και συνεργασία με ομάδες προϊόντος ή υποδομών. Περιγράψτε με ακρίβεια τον ρόλο σας και δείξτε τα εργαλεία και τα αποτελέσματα. Αν αυτή η εμπειρία είναι περιορισμένη, προσθέστε ένα στοχευμένο έργο που δείχνει ολόκληρη τη διαδικασία, από την προετοιμασία δεδομένων έως την αξιολόγηση και την ανάπτυξη.