Adattudomány és AI · Senior (6+ év)

Gépi tanulási mérnöki önéletrajz

Ez a minta azt mutatja be, hogyan fejleszt egy mérnök rangsorolási és előrejelzési modelleket a kísérletezéstől a felügyelt éles kiadásig. A jó önéletrajz összekapcsolja a modellválasztásokat, az adatkezelést és a telepítési munkát a késleltetés, a relevancia, a költségek vagy az üzleti folyamatok mérhető változásaival, és közben az eszközöket és a léptéket is egyértelművé teszi.

Önéletrajz ellenőrzése

Amit a toborzók és a jelentkezőkövető rendszerek keresnek. Útmutató, nem előrejelzés.

100 / 100Teljes

100%
  • Elérhetőségek20 / 20
  • Összefoglaló20 / 20
  • Tapasztalat30 / 30
  • Készségek20 / 20
  • Tanulmányok10 / 10

Elérhetőségek

Írd ezeket a lap tetejére; a toborzók és a jelentkezőkövető rendszerek először ezeket keresik.

Nem kötelező. Az Egyesült Államokban, az Egyesült Királyságban és Kanadában általában fénykép nélkül készül az önéletrajz.

42 szó

Minden munka külön bekezdés legyen; minden eredményt új sorban, „-” jellel kezdj.

10 készség

Vesszővel válaszd el a készségeket, például: Excel, SQL, projekttervezés.

További szakaszok

Projektek, tanúsítványok, nyelvek vagy bármi más, ami alátámasztja a jelentkezésedet.

Eszközök
Kiemelt projekt

Alex Morgan

Gépi tanulási mérnök

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

Összefoglaló

Gépi tanulási mérnök 7 év tapasztalattal B2B kereskedelmi termékek rangsorolási és előrejelzési rendszereinek építésében. Jártas a Python- és PyTorch-modellfejlesztésben, a jellemzőfeldolgozó adatfolyamok tervezésében és a Kubernetes-alapú telepítésekben, gondos offline és online kiértékeléssel; élesített már naponta 2 millió ajánláskérést feldolgozó szolgáltatásokat.

Tapasztalat

Gépi tanulási mérnök II. a Cedarpath Commerce-nél, Denver, CO (2022 – jelenleg) - PyTorch-alapú rangsorolási modellt épített munkamenet- és katalógusjellemzőkkel, egy 1,2 millió munkamenetre kiterjedő kontrollált tesztben 6%-kal növelve a kosárba helyezési arányt. - Kubernetesre telepített ajánlószolgáltatásokat, és MLflow-követéssel ellátott kötegelt pontozást vezetett be; ezzel a p95 válaszidő 180 ms-ról 125 ms-ra csökkent. - Automatizálta 14 éles jellemző ellenőrzését és az adateloszlás-eltolódásra figyelmeztető jelzéseket, így a csapat még a heti modellkiadások előtt kivizsgálhatta az adatproblémákat. Gépi tanulási mérnök a Summitline Analyticsnél, Boulder, CO (2019 – 2022) - Három év értékesítési adatain tanított scikit-learn kereslet-előrejelző modelleket, amelyek a meglévő szezonális alapértékhez képest 9%-kal csökkentették az átlagos abszolút hibát. - Öt ügyféltelepítéshez készített újrahasználható Python- és SQL-alapú jellemzőfeldolgozó adatfolyamokat, így a modellfrissítés előkészítése két napról körülbelül egy napra rövidült.

Tanulmányok

Számítástechnikai alapképzés — Juniper Ridge University, Grand Junction, CO (2018)

Készségek

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • jellemzők tervezése
  • modellkiértékelés
  • Kubernetes
  • MLflow
  • Docker
  • A/B-tesztelés

Eszközök

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

Kiemelt projekt

• Termékkereséshez lekérdezés-visszakereső és újrarangsoroló prototípust fejlesztett mondatbeágyazásokkal és PyTorch-szal • 8 000 címkézett lekérdezésen hasonlította össze a relevanciát és a késleltetést • Dokumentálta a kiértékelés eredményeit és a telepítési kompromisszumokat

Hogyan írj önéletrajzot Gépi tanulási mérnök munkakörhöz?

Mutasd be a modellek mérőszámokon túli hatását

Kezdd a termékre vagy működésre gyakorolt eredménnyel, majd nevezd meg a modellt és a kiértékelési módszert. Például kapcsold össze a rangsorolás módosítását a konverzióval vagy a keresés relevanciájával, és írd le, hogy az eredmény online tesztből vagy offline összehasonlításból származik-e. Ha hasznos, add meg az alapértéket, a léptéket és az időszakot is; egy mérőszám háttér nélkül nehezen értelmezhető.

Tedd egyértelművé az éles rendszerekért vállalt felelősségedet

Írd le, miért feleltél a modell tanítása után: jellemzőfeldolgozó adatfolyamokért, kiszolgálásért, felügyeletért, újratanításért, visszaállításért vagy ügyeleti kivizsgálásért. Nevezd meg a telepítési környezetet, és adj meg konkrét mérőszámot, például p95 késleltetést, frissítési időt, felhőköltséget vagy kérésszámot. Ne sugalljad, hogy egy modell készen állt az éles használatra, ha csak jegyzetfüzetben vagy korlátozott kísérleti projektben futott.

Nevezd meg az eszközöket, és adj hozzájuk hasznos kontextust

Sorold fel azokat a programozási nyelveket, keretrendszereket, felhőszolgáltatásokat és telepítési eszközöket, amelyekről magabiztosan tudsz beszélni egy interjún, majd mutasd be az önéletrajz tapasztalati pontjaiban, hol használtad őket. Használd az álláshirdetés szóhasználatát, ha az pontosan leírja a munkádat. Hagyd ki a hosszú könyvtárlistákat, és ne sorolj fel minden kipróbált modellarchitektúrát annak magyarázata nélkül, hogy mire szolgált.

Projektekkel pótold a hiányzó bizonyítékokat

Ha a munkatapasztalatodban kevés a modelltelepítés, tüntess fel egy vagy két releváns projektet tárház- vagy demólinkkel, adatforrással, kiértékelési módszerrel és az általad elkészített megoldás leírásával. Térj ki az adatok korlátaira, és ne ossz meg bizalmas kódot, ügyféladatokat vagy nem ellenőrizhető állításokat. A projekt új bizonyítékot adjon, ne a készséglistát ismételje.

Gyakori kulcsszavak

Ehhez a munkakörhöz gyakran felsorolt készségek és eszközök. Csak azt használd, amivel rendelkezel, az álláshirdetés megfogalmazását követve. Kattints egy kulcsszóra a másolásához.

Cselekvést kifejező igék

FelépítettÉlesítettCsökkentettJavítottAutomatizáltKiértékeltOptimalizált

Kérdések erről a munkakörről

Milyen hosszú legyen egy gépi tanulási mérnök önéletrajza?

Ha több év releváns tapasztalatod van, két oldal is megfelelő lehet, ha minden bejegyzés hasznos bizonyítékot ad a modellekről, az adatrendszerekről vagy az éles rendszerekért vállalt felelősségedről. A legrelevánsabb munkáid kerüljenek az első oldalra, a szerephez nem kapcsolódó régebbi részleteket pedig rövidítsd le. Egy lényegre törő, egyoldalas önéletrajz is hatásos lehet, ha olvasható marad, és elég kontextust ad az eredményeidhez.

Tüntessek fel portfólió- vagy GitHub-linket?

Tüntess fel linket, ha erősíti a jelentkezésedet, például egy reprodukálható projekttel, szakmai írással vagy nyilvános közreműködéssel. Helyezd az elérhetőségeid közelébe vagy a projektek közé, és ellenőrizd, hogy a tárházban van-e érthető README, valamint nincsenek-e benne titkos kulcsok vagy korlátozott hozzáférésű adatok. Ne hagyatkozz a linkre az önéletrajzban szereplő saját hozzájárulásod leírása helyett.

Milyen tanúsítványokat tüntessen fel egy gépi tanulási mérnök?

Az Egyesült Államokban nincs általános szakmai engedély vagy kötelező tanúsítvány a gépi tanulási mérnökök számára. Akkor tüntess fel tanúsítványt, ha kapcsolódik az álláshoz, érvényes, és elismert kibocsátótól származik, például egy felhőplatformhoz kapcsolódó képesítés. Add meg a pontos nevét és a kibocsátót; a lejárt tanúsítványokat és a készségeid gyakorlati bizonyítékánál alig többet adó rövid kurzustanúsítványokat hagyd ki.

Válthatok adattudományról gépi tanulási mérnöki munkára?

Igen. Emeld ki a modellfejlesztés mellett a mérnöki munkát is bizonyító tapasztalataidat: megbízható adatfolyamokat, tesztelt kódot, API-kat vagy kötegelt feladatokat, telepítést, felügyeletet és a termékfejlesztő vagy infrastruktúráért felelős csapatokkal való együttműködést. Írd le pontosan a szerepedet, valamint mutasd be az eszközöket és az eredményeket. Ha kevés ilyen tapasztalatod van, adj hozzá egy célzott projektet, amely bemutatja a teljes folyamatot az adat-előkészítéstől a kiértékelésen át a telepítésig.