علم داده و هوش مصنوعی · میان‌رده تا ارشد (۴+ سال)

رزومه مهندس بینایی ماشین و NLP

این نمونه نشان می‌دهد چطور بینایی ماشین و مدل‌های زبانی را به بهبودهای قابل‌اندازه‌گیری محصول پیوند دهید؛ از پردازش تصویر تا دسته‌بندی متن. رزومه‌ای قوی برای این نقش، داده‌ها، انتخاب مدل، کارهای استقرار و نتایج ارزیابی را برای هر دو گروه مهندسی و پژوهش کاربردی روشن می‌کند.

بررسی رزومه

چیزهایی که استخدام‌کنندگان و سامانه‌های ردیابی دنبال می‌کنند. این یک راهنماست، نه پیش‌بینی.

100 / 100کامل

100%
  • اطلاعات تماس20 از 20
  • خلاصه20 از 20
  • سوابق کاری30 از 30
  • مهارت‌ها20 از 20
  • تحصیلات10 از 10

اطلاعات تماس

این اطلاعات را بالای رزومه بگذارید؛ استخدام‌کنندگان و سامانه‌های ردیابی اول از همه دنبال آن‌ها می‌گردند.

اختیاری. در آمریکا، بریتانیا و کانادا معمولاً رزومه‌ها عکس ندارند.

53 واژه

برای هر شغل یک پاراگراف بنویسید؛ هر دستاورد را در خطی تازه و با «-» شروع کنید.

11 مهارت

مهارت‌ها را با ویرگول جدا کنید؛ مثلاً: Excel، SQL، برنامه‌ریزی پروژه.

بخش‌های بیشتر

پروژه‌ها، گواهی‌نامه‌ها، زبان‌ها یا هر چیز دیگری که به تقویت درخواست شما برای این شغل کمک می‌کند.

پروژه‌های منتخب
ابزارها

الکس مورگان

مهندس بینایی ماشین و NLP

  • الکس.مورگان@اکزمپل.کام
  • +1 555 0100
  • Denver, CO

خلاصه

مهندس بینایی ماشین و NLP با ۵ سال تجربه در ساخت قابلیت‌های یادگیری ماشین برای یک پلتفرم لجستیک B2B. دارای مهارت در پیش‌پردازش تصویر، ریزتنظیم ترنسفورمرها و ارزیابی مدل، با سابقه بهبود استخراج اطلاعات از اسناد و فرایندهای بررسی آسیب بسته‌ها. باتجربه در استقرار سرویس‌های PyTorch و پایش کیفیت مدل پس از انتشار.

سوابق کاری

مهندس بینایی ماشین و NLP در Pineglass Parcel Technologies، دنور، کلرادو (۲۰۲۳ – اکنون) - خط لوله تشخیص آسیب با PyTorch و OpenCV برای عکس‌های انبار ساختم؛ روزانه حدود ۱٬۲۰۰ تصویر را پردازش کرد و حجم بررسی دستی را ۱۸٪ کاهش داد. - یک مدل دسته‌بندی توکن از Hugging Face را برای استخراج اطلاعات از اسناد حمل‌ونقل ریزتنظیم کردم؛ امتیاز F1 در سطح فیلد را در مجموعه ارزیابی مستقل از ۰٫۸۶ به ۰٫۹۱ رساندم. - سرویس‌های استنتاج نسخه‌بندی‌شده را با Docker و Kubernetes مستقر کردم و زمان میانه پردازش تصویر را از ۱٫۸ ثانیه به ۱٫۲ ثانیه برای هر تصویر کاهش دادم. مهندس یادگیری ماشین در Ridgeway Applied Language Labs، بولدر، کلرادو (۲۰۲۱ – ۲۰۲۳) - با استفاده از Tesseract و BERT، فرایندهای OCR و تشخیص موجودیت‌های نام‌دار را برای فاکتورها توسعه دادم و میانگین زمان رسیدگی به موارد استثنا را در دو تیم مشتری ۲۲٪ کاهش دادم. - مدل‌های تشخیص شیء YOLO را روی مجموعه‌داده برچسب‌خورده‌ای شامل ۱۴٬۰۰۰ تصویر ارزیابی کردم و شکاف‌های مربوط به دوربین و نورپردازی را شناسایی کردم؛ این کار فراخوانی را ۷ واحد درصد بهبود داد.

تحصیلات

کارشناسی علوم کامپیوتر — Aspen Vale Institute of Computing، فورت کالینز، کلرادو (۲۰۲۱)

مهارت‌ها

  • بینایی ماشین
  • پردازش زبان طبیعی
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • تشخیص اشیا
  • OCR
  • تشخیص موجودیت‌های نام‌دار
  • ارزیابی مدل
  • Docker
  • Kubernetes

پروژه‌های منتخب

• تشخیص آسیب بسته‌ها: نسخه‌های مختلف مدل YOLO را مقایسه و فراخوانی را بر اساس نوع آسیب مستند کردم. • استخراج اطلاعات از اسناد حمل‌ونقل: مجموعه ارزیابی OCR و استخراج موجودیت را برای اسکن‌هایی با کیفیت‌های مختلف ایجاد کردم.

ابزارها

• Python، PyTorch، OpenCV، Hugging Face Transformers، Tesseract • Docker، Kubernetes، MLflow، PostgreSQL، Git

چطور برای شغل مهندس بینایی ماشین و NLP رزومه بنویسید

با مدل‌هایی شروع کنید که به مرحله استفاده رسیده‌اند

نقش فعلی و قوی‌ترین تجربه کاری خود در محیط عملیاتی را نزدیک ابتدای رزومه بیاورید. توضیح دهید مدل چه کاری انجام می‌داد، مقیاس داده یا شرایط عملیاتی چه بود و پس از انتشار چه چیزی تغییر کرد؛ برای مثال حجم بررسی، تأخیر یا کیفیت استخراج. نمونه‌های اولیه را از قابلیت‌هایی که مشتریان یا تیم‌های عملیاتی از آن‌ها استفاده می‌کنند جدا کنید؛ تیم‌های استخدام باید بدانند آیا از مدل‌ها فراتر از محیط نوت‌بوک پشتیبانی کرده‌اید یا نه.

روش ارزیابی مدل‌ها را نشان دهید

روش ارزیابی و معیار متناسب با وظیفه را نام ببرید: دقت و فراخوانی برای تشخیص، F1 برای استخراج یا تأخیر برای سرویس استنتاج. در صورت امکان، اندازه یا منبع مجموعه‌داده را ذکر کنید و توضیح دهید نتایج از یک مجموعه ارزیابی مستقل به دست آمده‌اند یا از پایش محیط عملیاتی. بدون بیان معیار اندازه‌گیری‌شده، ادعا نکنید که مدل دقیق است.

فناوری‌های مورد استفاده‌تان را مشخص کنید

چارچوب‌ها، خانواده‌های مدل و ابزارهای استقراری را که خودتان به‌کار برده‌اید فهرست کنید؛ مانند PyTorch، OpenCV، Hugging Face Transformers، Docker یا Kubernetes. هر ابزار را به یک پروژه یا دستاورد پیوند دهید، به‌جای آنکه همه بسته‌هایی را که امتحان کرده‌اید فهرست کنید. پلتفرم‌های ابری یا پایگاه‌های داده برداری را فقط زمانی ذکر کنید که واقعاً بخشی از کارتان بوده‌اند و به آگهی شغلی مرتبط هستند.

لینک نمونه‌کار متمرکزی بگذارید

نمونه‌کار کوتاه می‌تواند پروژه‌ای بازتولیدپذیر در بینایی ماشین یا NLP، روش ارزیابی و توضیح روشن بده‌بستان‌ها را نشان دهد. به کد یا نمایشی لینک دهید که اجازه اشتراک‌گذاری آن را دارید و داده‌های مشتری، اطلاعات ورود و جزئیات اختصاصی مدل را حذف کنید. مقاله‌های دانشگاهی، آموزش‌ها و پروژه‌های جانبی را از کارهای محیط عملیاتی جدا کنید تا خوانندگان سریعاً متوجه میزان نقش و مسئولیت شما شوند.

کلیدواژه‌های رایج

مهارت‌ها و ابزارهایی که اغلب برای این عنوان شغلی فهرست می‌شوند. فقط مواردی را استفاده کنید که دارید و با همان واژه‌های آگهی شغلی بنویسید. برای کپی کردن، روی یکی کلیک کنید.

فعل‌های کنشی

ساختمآموزش دادممستقر کردمکاهش دادمبهبود دادمخودکار کردمارزیابی کردم

پرسش‌هایی درباره این عنوان شغلی

رزومه مهندس بینایی ماشین و NLP باید چند صفحه باشد؟

برای حدود پنج سال تجربه، دو صفحه معمولاً مناسب است، اگر صفحه دوم جزئیات فنی یا پروژه‌های مرتبط داشته باشد. قوی‌ترین تجربه‌های عملیاتی، نتایج ارزیابی مدل و استقرار را در صفحه اول قرار دهید. معمولاً می‌توانید درس‌های ابتدای مسیر و شغل‌های نامرتبط را کوتاه یا حذف کنید، مگر اینکه مهارت‌های مستقیماً مرتبطی را نشان دهند.

آیا باید لینک نمونه‌کار یا GitHub بگذارم؟

اگر لینک، کار مرتبطی را نشان می‌دهد که عمومی و به‌آسانی قابل‌بررسی است، مانند پروژه‌ای بازتولیدپذیر، نوت‌بوک ارزیابی یا نوشته‌ای فنی، آن را درج کنید. وظیفه، منبع داده، معیارها و سهم خودتان را توضیح دهید. داده‌های مشتری، کد کارفرما یا محتوای مشمول توافق‌نامه‌های محرمانگی را بارگذاری نکنید؛ برای آن کارها توضیحی که اطلاعات حساس آن حذف شده باشد، امن‌تر است.

برای این نقش کدام گواهی‌ها را درج کنم؟

نقش‌های مهندس بینایی ماشین و NLP در ایالات متحده معمولاً به مجوز حرفه‌ای یا گواهی واحدی نیاز ندارند. گواهی مرتبط با رایانش ابری یا یادگیری ماشین را فقط در صورتی درج کنید که آن را دریافت کرده‌اید؛ در صورت مفید بودن، صادرکننده و تاریخ را هم بنویسید و آن را پایین‌تر از تجربه‌های پروژه‌ای قابل‌توجه قرار دهید. دریافت گواهی پایان دوره را به‌عنوان گواهی حرفه‌ای معرفی نکنید.

آیا می‌توانم از علم داده یا مهندسی نرم‌افزار وارد این نقش شوم؟

بله. پروژه‌هایی را برجسته کنید که توانایی ساخت و ارزیابی مدل‌های بینایی یا زبانی، کار با داده‌های واقعی و ادغام استنتاج در یک برنامه را نشان می‌دهند. اگر پیشینه علم داده دارید، نمونه‌هایی از استقرار و پایش اضافه کنید؛ اگر مهندس نرم‌افزار هستید، آموزش مدل، معیارهای متناسب با وظیفه و کار با مجموعه‌داده را نشان دهید. پروژه‌های شخصی یا دانشگاهی را به‌روشنی مشخص کنید و سهم خودتان را توضیح دهید.