Ciencia de datos e IA · Sénior (6+ años)

Currículum de ingeniero de machine learning

Este ejemplo muestra a un ingeniero que mejora modelos de clasificación y previsión desde la experimentación hasta su puesta en producción con seguimiento. Un buen currículum relaciona las decisiones sobre los modelos, los datos y la implementación con cambios medibles en latencia, relevancia, costos o flujos de trabajo, y deja claras las herramientas y el alcance.

Revisión del currículum

Lo que buscan los reclutadores y los sistemas de seguimiento. Es una guía, no una predicción.

100 / 100Completo

100%
  • Contacto20 / 20
  • Resumen20 / 20
  • Experiencia30 / 30
  • Habilidades20 / 20
  • Formación10 / 10

Datos de contacto

Ponlos al principio; los reclutadores y los sistemas de seguimiento los buscan primero.

Opcional. En EE. UU., el Reino Unido y Canadá, los currículums normalmente no llevan foto.

65 palabras

Un empleo por párrafo; empieza cada logro en una línea nueva con “-”.

10 habilidades

Separa las habilidades con comas, por ejemplo: Excel, SQL, planificación de proyectos.

Más secciones

Proyectos, certificaciones, idiomas o cualquier otro dato que respalde tu candidatura.

Herramientas
Proyecto destacado

Alex Morgan

Ingeniero de machine learning

  • alex.morgan@example.com
  • +1 555 0100
  • Denver, CO

Resumen

Ingeniero de machine learning con 7 años de experiencia en la creación de sistemas de clasificación y previsión para productos de comercio B2B. Combina el desarrollo de modelos con Python y PyTorch, el diseño de flujos de características y las implementaciones en Kubernetes con evaluaciones rigurosas, tanto offline como online; ha puesto en marcha servicios que procesan 2 millones de solicitudes de recomendaciones al día.

Experiencia

Ingeniero de machine learning II en Cedarpath Commerce, Denver, CO (2022 – Actualidad) - Creé un modelo de clasificación con PyTorch usando características de sesiones y catálogos, y aumenté un 6 % la tasa de incorporación al carrito en una prueba controlada con 1,2 millones de sesiones. - Implementé servicios de recomendaciones en Kubernetes y añadí puntuación por lotes con seguimiento en MLflow, reduciendo el tiempo de respuesta p95 de 180 ms a 125 ms. - Automaticé la validación de características y las alertas de deriva para 14 características en producción, lo que ayudó al equipo a investigar problemas de datos antes de los lanzamientos semanales de modelos. Ingeniero de machine learning en Summitline Analytics, Boulder, CO (2019 – 2022) - Entrené modelos de previsión de demanda con scikit-learn usando tres años de datos de ventas y reduje un 9 % el error absoluto medio frente a la referencia estacional existente. - Creé flujos reutilizables de características con Python y SQL para cinco implementaciones de clientes, y reduje de dos días a aproximadamente uno la preparación para actualizar los modelos.

Formación

Licenciatura en Informática — Juniper Ridge University, Grand Junction, CO (2018)

Habilidades

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • ingeniería de características
  • evaluación de modelos
  • Kubernetes
  • MLflow
  • Docker
  • pruebas A/B

Herramientas

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

Proyecto destacado

• Desarrollé un prototipo de recuperación y reclasificación para búsquedas de productos con embeddings de oraciones y PyTorch • Comparé la relevancia y la latencia con un conjunto etiquetado de 8.000 consultas • Documenté los resultados de la evaluación y las ventajas y desventajas de la implementación

Cómo escribir un currículum para Ingeniero de machine learning

Muestra el impacto del modelo más allá de las métricas

Empieza por el resultado para el producto o las operaciones y luego menciona el modelo y el método de evaluación. Por ejemplo, relaciona un cambio en la clasificación con la conversión o la relevancia de las búsquedas, e indica si el resultado provino de una prueba online o de una evaluación de referencia offline. Incluye la referencia, el alcance y el periodo cuando resulte útil; una métrica sin contexto es difícil de interpretar.

Deja claro de qué te encargaste en producción

Describe de qué te encargaste después del entrenamiento: flujos de características, servicio de modelos, supervisión, reentrenamiento, reversión o investigación durante las guardias. Menciona el entorno de implementación e incluye una medida concreta, como la latencia p95, el tiempo de actualización, el gasto en la nube o el volumen de solicitudes. No des a entender que un modelo estaba listo para producción si solo se ejecutó en un notebook o en una prueba limitada.

Menciona herramientas con contexto útil

Enumera los lenguajes, frameworks, servicios en la nube y herramientas de implementación que puedas explicar en una entrevista, y luego muestra dónde los usaste en los puntos de experiencia. Usa la terminología del anuncio cuando describa tu trabajo con precisión. Evita listas extensas de bibliotecas y no enumeres todas las arquitecturas de modelos que hayas probado sin explicar para qué.

Usa proyectos para cubrir lagunas de experiencia

Si tu historial laboral incluye poco trabajo de implementación de modelos, añade uno o dos proyectos relevantes con un enlace al repositorio o a una demostración, la fuente de datos, el método de evaluación y lo que creaste. Explica las limitaciones de los datos y no compartas código confidencial, información de clientes ni afirmaciones que no se puedan reproducir. Un proyecto debe aportar pruebas, no repetir la lista de habilidades.

Palabras clave habituales

Habilidades y herramientas que suelen aparecer para este puesto. Usa solo las que tengas y las mismas palabras del anuncio de empleo. Haz clic en una para copiarla.

Verbos de acción

CreéImplementéRedujeMejoréAutomaticéEvaluéOptimicé

Preguntas sobre este puesto

¿Qué extensión debe tener un currículum de ingeniero de machine learning?

Si tienes varios años de experiencia relevante, dos páginas pueden funcionar siempre que cada entrada aporte información útil sobre modelos, sistemas de datos o responsabilidades en producción. Pon el trabajo más relevante en la primera página y recorta detalles antiguos que no respalden tu candidatura. Un currículum de una página bien enfocado también puede funcionar si sigue siendo legible e incluye suficiente contexto sobre tus resultados.

¿Debería incluir un enlace a mi portafolio o GitHub?

Incluye uno si muestra trabajo que fortalece tu candidatura, como un proyecto reproducible, un artículo técnico o una contribución pública. Coloca el enlace cerca de tus datos de contacto o en una sección de proyectos y asegúrate de que el repositorio tenga un README claro y no incluya secretos ni datos restringidos. No uses el enlace como sustituto de explicar tu aportación en el currículum.

¿Qué certificaciones debería incluir un ingeniero de machine learning?

En Estados Unidos no hay una licencia general ni una certificación obligatoria para los ingenieros de machine learning. Incluye una certificación si es relevante para el puesto, está vigente y la expide una entidad reconocida, como una credencial de una plataforma en la nube. Indica su nombre exacto y quién la expidió; omite las credenciales caducadas y los certificados de cursos breves que aporten poco más que tus habilidades demostradas.

¿Puedo pasar de la ciencia de datos a la ingeniería de machine learning?

Sí. Destaca pruebas de tu trabajo de ingeniería junto con el desarrollo de modelos: flujos de datos fiables, código probado, API o tareas por lotes, implementación, supervisión y colaboración con equipos de producto o infraestructura. Describe con precisión tu función y muestra las herramientas y los resultados. Si tienes poca experiencia en esas áreas, añade un proyecto enfocado que demuestre todo el proceso, desde la preparación de los datos hasta la evaluación y la implementación.