Podatkovna znanost in UI · Višja raven (6+ let)

Življenjepis inženirja za strojno učenje

Ta vzorec prikazuje inženirja, ki izboljšuje modele za razvrščanje in napovedovanje, od eksperimentiranja do nadzorovanih izdaj v produkcijo. Dober življenjepis poveže izbiro modelov, delo s podatki in uvajanje z merljivimi spremembami zakasnitve, relevantnosti, stroškov ali poslovnih potekov ter jasno predstavi uporabljena orodja in obseg dela.

Pregled življenjepisa

Kaj iščejo kadroviki in sistemi za sledenje prijavam. To je vodilo, ne napoved.

100 / 100Popolno

100%

Kontakt20 / 20
Povzetek20 / 20
Delovne izkušnje30 / 30
Spretnosti20 / 20
Izobrazba10 / 10

Kontaktni podatki

Vnesite jih na vrh življenjepisa; kadroviki in sistemi za sledenje prijavam jih iščejo najprej.

Ime in priimek

Naziv delovnega mesta

E-pošta

Telefon

Lokacija

Spletna stran ali LinkedIn

Dodajte fotografijo

Neobvezno. V ZDA, Združenem kraljestvu in Kanadi življenjepisi običajno ne vsebujejo fotografije.

Povzetek54 besed

Delovne izkušnje

Inženir za strojno učenje pri podjetju Summitline Analytics, Boulder, CO (2019 – 2022)
- Učil je modele za napovedovanje povpraševanja v scikit-learn na podlagi treh let prodajnih podatkov in glede na obstoječo sezonsko osnovo zmanjšal povprečno absolutno napako za 9 %.
- Zgradil je ponovno uporabne cevovode značilk v Pythonu in SQL za pet uvedb pri strankah ter skrajšal pripravo za osvežitev modela z dveh dni na približno en dan.

Za vsako delovno mesto uporabite svoj odstavek; vsak dosežek začnite v novi vrstici z »-«.

Izobrazba

Spretnosti10 spretnosti

Spretnosti ločite z vejicami, na primer: Excel, SQL, načrtovanje projektov.

Dodatni razdelki

Projekti, certifikati, jeziki ali kar koli drugega, kar podpira vašo prijavo.

Povzetek

Inženir za strojno učenje s 7 leti izkušenj z gradnjo sistemov za razvrščanje in napovedovanje za izdelke B2B e-trgovine. Združuje razvoj modelov v Pythonu in PyTorch, zasnovo cevovodov značilk ter uvajanje v Kubernetes s skrbnim vrednotenjem brez povezave in v živo; uvedel je storitve, ki obdelajo 2 milijona zahtevkov za priporočila na dan.

Delovne izkušnje

Inženir za strojno učenje II pri podjetju Cedarpath Commerce, Denver, CO (2022 – danes) - Zgradil je model za razvrščanje v PyTorch z uporabo značilk sej in kataloga ter v nadzorovanem testu na 1,2 milijona sejah povečal delež dodajanja v košarico za 6 %. - Uvedel je storitve za priporočila v Kubernetes in dodal paketno točkovanje s sledenjem v MLflow, s čimer je skrajšal odzivni čas p95 s 180 ms na 125 ms. - Avtomatiziral je preverjanje značilk in opozorila o odklonih za 14 produkcijskih značilk, kar je ekipi pomagalo raziskati težave s podatki pred tedenskimi izdajami modelov. Inženir za strojno učenje pri podjetju Summitline Analytics, Boulder, CO (2019 – 2022) - Učil je modele za napovedovanje povpraševanja v scikit-learn na podlagi treh let prodajnih podatkov in glede na obstoječo sezonsko osnovo zmanjšal povprečno absolutno napako za 9 %. - Zgradil je ponovno uporabne cevovode značilk v Pythonu in SQL za pet uvedb pri strankah ter skrajšal pripravo za osvežitev modela z dveh dni na približno en dan.

Izobrazba

Diploma iz računalništva — Juniper Ridge University, Grand Junction, CO (2018)

Spretnosti

Python
SQL
PyTorch
scikit-learn
oblikovanje značilk
vrednotenje modelov
Kubernetes
MLflow
Docker
A/B testiranje

Orodja

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

Izbrani projekt

• Razvil je prototip za pridobivanje in ponovno razvrščanje rezultatov iskanja izdelkov z uporabo stavčnih vdelav in PyTorch • Primerjal je relevantnost in zakasnitev na označenem naboru 8.000 poizvedb • Dokumentiral je rezultate vrednotenja in kompromise pri uvajanju

Kako napisati življenjepis za delovno mesto Inženir za strojno učenje

Pokažite učinek modela onkraj meritev

Najprej navedite rezultat za izdelek ali delovanje, nato poimenujte model in način vrednotenja. Spremembo pri razvrščanju na primer povežite s konverzijo ali relevantnostjo iskanja ter navedite, ali rezultat izhaja iz spletnega testa ali primerjalnega preizkusa brez povezave. Kadar je koristno, vključite izhodiščno vrednost, obseg in časovno obdobje; metriko je brez konteksta težko razlagati.

Jasno predstavite odgovornost za produkcijo

Opišite, za kaj ste bili odgovorni po učenju modela: cevovode značilk, streženje, spremljanje, ponovno učenje, povrnitev prejšnje različice ali preiskovanje težav v dežurni službi. Navedite okolje za uvajanje in konkretno mero, kot so zakasnitev p95, čas osveževanja, stroški oblaka ali obseg zahtevkov. Ne namigujte, da je bil model pripravljen za produkcijo, če je deloval le v zvezku ali omejenem pilotnem projektu.

Orodja navedite v koristnem kontekstu

Navedite jezike, ogrodja, storitve v oblaku in orodja za uvajanje, o katerih se lahko pogovarjate na razgovoru, nato pa v alinejah pri delovnih izkušnjah pokažite, kje ste jih uporabili. Uporabite izrazje iz oglasa, kadar natančno opisuje vaše delo. Izpustite dolge sezname knjižnic in ne naštevajte vsake preizkušene arhitekture modela brez pojasnila njenega namena.

S projekti zapolnite vrzeli v dokazilih

Če imate v delovni zgodovini malo izkušenj z uvajanjem modelov, vključite enega ali dva ustrezna projekta s povezavo do repozitorija ali predstavitve, virom podatkov, načinom vrednotenja in opisom svojega dela. Pojasnite omejitve podatkov in ne razkrivajte zaupne kode, podatkov o strankah ali trditev, ki jih ni mogoče ponoviti. Projekt naj doda dokazila, ne ponavlja seznama veščin.

Pogoste ključne besede

Spretnosti in orodja, ki se pogosto navajajo za to delovno mesto. Uporabite samo spretnosti in orodja, ki jih obvladate, ter izraze iz zaposlitvenega oglasa. Kliknite ključno besedo, da jo kopirate.

Glagoli za opis dejanj

ZgradiliUvedliZmanjšaliIzboljšaliAvtomatiziraliOceniliOptimizirali

Vprašanja o tem delovnem mestu

Kako dolg naj bo življenjepis inženirja za strojno učenje?

Pri več letih ustreznih izkušenj sta lahko primerni dve strani, če vsak vnos doda koristna dokazila o modelih, podatkovnih sistemih ali odgovornosti za produkcijo. Najpomembnejše delo navedite na prvi strani, starejše podrobnosti, ki ne podpirajo prijave, pa skrajšajte. Osredotočen enostranski življenjepis je lahko prav tako učinkovit, če ostane berljiv in za razumevanje rezultatov vključuje dovolj konteksta.

Ali naj vključim povezavo do portfelja ali GitHuba?

Vključite jo, če prikazuje delo, ki okrepi vašo prijavo, na primer ponovljiv projekt, tehnični zapis ali javni prispevek. Povezavo dodajte ob kontaktnih podatkih ali v razdelek s projekti ter poskrbite, da ima repozitorij jasen README in ne vsebuje skrivnosti ali omejenih podatkov. Povezava ne more nadomestiti opisa vašega prispevka v življenjepisu.

Katere certifikate naj navede inženir za strojno učenje?

Za inženirje za strojno učenje v ZDA ni splošne licence ali obveznega certifikata. Certifikat navedite, kadar je pomemben za delovno mesto, veljaven in ga je izdal prepoznaven ponudnik, na primer ponudnik oblačne platforme. Navedite njegovo točno ime in izdajatelja; izpustite pretekle certifikate in potrdila o kratkih tečajih, ki ne dodajo veliko k dokazanim veščinam.

Ali lahko iz podatkovne znanosti preidem v inženiring strojnega učenja?

Da. Poudarite dokazila o inženirskem delu ob razvoju modelov: zanesljive podatkovne cevovode, preizkušeno kodo, API-je ali paketna opravila, uvajanje, spremljanje ter sodelovanje z ekipami za izdelke ali infrastrukturo. Natančno opišite svojo vlogo ter navedite orodja in rezultate. Če imate na tem področju malo izkušenj, dodajte osredotočen projekt, ki prikazuje celotno pot od priprave podatkov do vrednotenja in uvajanja.