Duomenų mokslas ir DI · Vyresnysis (6+ m.)

Mašininio mokymosi inžinieriaus gyvenimo aprašymas

Šiame pavyzdyje parodyta, kaip inžinierius tobulina reitingavimo ir prognozavimo modelius – nuo eksperimentų iki stebimų diegimų į produkcinę aplinką. Gerame gyvenimo aprašyme modelių pasirinkimas, darbas su duomenimis ir diegimas susiejami su išmatuojamais vėlinimo, aktualumo, sąnaudų ar verslo procesų pokyčiais, taip pat aiškiai nurodomos naudotos priemonės ir mastas.

CV patikra

Į ką atsižvelgia darbdaviai ir kandidatų sekimo sistemos. Tai gairės, o ne prognozė.

100 / 100Išsamus

100%
  • Kontaktinė informacija20 / 20
  • Aprašymas20 / 20
  • Darbo patirtis30 / 30
  • Įgūdžiai20 / 20
  • Išsilavinimas10 / 10

Kontaktinė informacija

Įrašykite ją viršuje – darbdaviai ir kandidatų sekimo sistemos pirmiausia ieško būtent jos.

Nebūtina. JAV, JK ir Kanadoje CV paprastai pateikiami be nuotraukos.

46 žodžiai

Kiekvieną darbą rašykite atskiroje pastraipoje; kiekvieną pasiekimą pradėkite naujoje eilutėje simboliu „-”.

10 įgūdžio

Įgūdžius atskirkite kableliais, pavyzdžiui: Excel, SQL, projektų planavimas.

Kiti skyriai

Projektai, sertifikatai, kalbos ar bet kas kita, kas sustiprina jūsų kandidatūrą.

Įrankiai
Atrinktas projektas

Alex Morgan

Mašininio mokymosi inžinierius

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

Aprašymas

Mašininio mokymosi inžinierius, turintis 7 metų patirtį kuriant reitingavimo ir prognozavimo sistemas B2B prekybos produktams. Derina modelių kūrimą naudojant Python ir PyTorch, požymių apdorojimo grandinių projektavimą ir diegimą Kubernetes aplinkoje su kruopščiu vertinimu neprisijungus ir realiomis sąlygomis; įdiegė paslaugas, per dieną apdorojančias 2 milijonus rekomendacijų užklausų.

Darbo patirtis

II lygio mašininio mokymosi inžinierius įmonėje Cedarpath Commerce, Denveris, CO (2022 – dabar) - Sukūrė reitingavimo modelį su PyTorch, naudodamas sesijų ir katalogo požymius; kontroliuojamo bandymo metu 1,2 mln. sesijų krepšelio papildymo rodiklį padidino 6 %. - Įdiegė rekomendacijų paslaugas Kubernetes aplinkoje ir pridėjo paketinio vertinimo funkciją su MLflow sekimu; p95 atsako laiką sumažino nuo 180 ms iki 125 ms. - Automatizavo 14 produkcinių požymių tikrinimą ir duomenų poslinkio perspėjimus, padėdamas komandai ištirti duomenų problemas prieš savaitinius modelių leidimus. Mašininio mokymosi inžinierius įmonėje Summitline Analytics, Boulderis, CO (2019 – 2022) - Išmokė paklausos prognozavimo modelius su scikit-learn, naudodamas trejų metų pardavimo duomenis; vidutinę absoliučiąją paklaidą sumažino 9 %, palyginti su esamu sezoniniu atskaitos modeliu. - Sukūrė pakartotinai naudojamas požymių apdorojimo grandines su Python ir SQL penkiems klientų diegimams; pasiruošimą modelių atnaujinimui sutrumpino nuo dviejų dienų iki maždaug vienos.

Išsilavinimas

Kompiuterių mokslų bakalauro laipsnis — Juniper Ridge University, Grand Junction, CO (2018)

Įgūdžiai

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • požymių kūrimas
  • modelių vertinimas
  • Kubernetes
  • MLflow
  • Docker
  • A/B testavimas

Įrankiai

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

Atrinktas projektas

• Sukūrė produktų paieškai skirtą informacijos gavimo ir pakartotinio reitingavimo prototipą, naudodamas sakinių įterpinius ir PyTorch • Palygino aktualumą ir vėlinimą pagal 8 000 užklausų žymėtą rinkinį • Dokumentavo vertinimo rezultatus ir diegimo kompromisus

Kaip parašyti Mašininio mokymosi inžinierius CV

Parodykite modelio poveikį, neapsiribodami metrikomis

Pradėkite nuo produkto ar veiklos rezultato, tada įvardykite modelį ir vertinimo metodą. Pavyzdžiui, susiekite reitingavimo pakeitimą su konversijomis ar paieškos rezultatų aktualumu ir nurodykite, ar rezultatas gautas bandant realiomis sąlygomis, ar atliekant vertinimą neprisijungus. Jei naudinga, nurodykite atskaitos reikšmę, mastą ir laikotarpį; be konteksto metriką sunku interpretuoti.

Aiškiai nurodykite atsakomybę už produkcinę aplinką

Aprašykite, už ką buvote atsakingi po modelio išmokymo: požymių apdorojimo grandines, modelio pateikimą, stebėjimą, pakartotinį mokymą, ankstesnės versijos atkūrimą ar tyrimą budėjimo metu. Nurodykite diegimo aplinką ir konkretų rodiklį, pavyzdžiui, p95 atsako laiką, atnaujinimo trukmę, išlaidas debesijos paslaugoms ar užklausų skaičių. Nesudarykite įspūdžio, kad modelis buvo paruoštas naudoti produkcinėje aplinkoje, jei jis veikė tik užrašinėje ar riboto masto bandomajame projekte.

Nurodykite įrankius ir jų naudojimo kontekstą

Išvardykite kalbas, sistemas, debesijos paslaugas ir diegimo įrankius, apie kuriuos galite kalbėti darbo pokalbyje, tada patirties punktuose parodykite, kur juos naudojote. Jei skelbime esančios formuluotės tiksliai apibūdina jūsų darbą, vartokite jas. Venkite ilgų bibliotekų sąrašų ir neišvardykite kiekvienos bandytos modelio architektūros nepaaiškinę jos paskirties.

Projektuose pateikite trūkstamus įrodymus

Jei darbo patirtyje mažai modelių diegimo pavyzdžių, įtraukite vieną ar du aktualius projektus ir nurodykite saugyklos arba demonstracinės versijos nuorodą, duomenų šaltinį, vertinimo metodą ir tai, ką sukūrėte. Paaiškinkite duomenų ribotumus ir neatskleiskite konfidencialaus kodo, klientų informacijos ar teiginių, kurių negalima atkurti. Projektas turėtų pateikti papildomų įrodymų, o ne kartoti įgūdžių sąrašą.

Dažnai vartojami raktažodžiai

Šiai pareigybei dažnai nurodomi įgūdžiai ir įrankiai. Naudokite tik tuos, kuriuos turite, ir formuluokite juos taip, kaip darbo skelbime. Spustelėkite raktažodį, kad jį nukopijuotumėte.

Veiksmažodžiai veiksmams apibūdinti

SukūrėĮdiegėSumažinoPagerinoAutomatizavoĮvertinoOptimizavo

Klausimai apie šią pareigybę

Kokio ilgio turėtų būti mašininio mokymosi inžinieriaus gyvenimo aprašymas?

Jei turite kelerių metų aktualios patirties, tinka ir du puslapiai, jei kiekviena darbo pozicija pateikia naudingų įrodymų apie modelius, duomenų sistemas ar atsakomybę už produkcinę aplinką. Aktualiausią patirtį pateikite pirmajame puslapyje, o senesnę informaciją, kuri nepagrindžia jūsų tinkamumo vaidmeniui, sutrumpinkite. Tikslingas vieno puslapio gyvenimo aprašymas taip pat gali būti veiksmingas, jei jis išlieka lengvai skaitomas ir suteikia pakankamai rezultatų konteksto.

Ar turėčiau įtraukti darbų aplanko arba GitHub nuorodą?

Įtraukite nuorodą, jei joje pateikiami jūsų kandidatūrą sustiprinantys darbai, pavyzdžiui, atkuriamas projektas, techninis aprašas ar viešas indėlis. Nuorodą pateikite šalia kontaktinių duomenų arba projektų skiltyje. Pasirūpinkite, kad saugykloje būtų aiškus README ir nebūtų paslapčių ar riboto naudojimo duomenų. Nesitikėkite, kad nuoroda atstos jūsų indėlio aprašymą gyvenimo aprašyme.

Kokius sertifikatus turėtumėte nurodyti?

Jungtinėse Valstijose nėra bendros licencijos ar privalomo sertifikato mašininio mokymosi inžinieriams. Nurodykite sertifikatą, jei jis aktualus darbui, galioja ir jį išdavė pripažintas teikėjas, pavyzdžiui, debesijos platforma. Įrašykite tikslų jo pavadinimą ir išdavėją; pasibaigusio galiojimo sertifikatų ar trumpų kursų pažymėjimų, kurie mažai papildo jūsų pademonstruotus įgūdžius, neįtraukite.

Ar galiu pereiti į mašininio mokymosi inžineriją iš duomenų mokslo?

Taip. Kartu su modelių kūrimu pabrėžkite inžinerinio darbo įrodymus: patikimas duomenų grandines, testuotą kodą, API arba paketines užduotis, diegimą, stebėjimą ir bendradarbiavimą su produktų ar infrastruktūros komandomis. Tiksliai apibūdinkite savo vaidmenį ir nurodykite įrankius bei rezultatus. Jei tokios patirties turite nedaug, įtraukite tikslinį projektą, kuriame parodytas visas procesas nuo duomenų paruošimo iki vertinimo ir diegimo.