Nauka o podacima i AI · Iskusni (6+ god.)

Biografija inženjera mašinskog učenja

Ovaj primer prikazuje inženjera koji unapređuje modele za rangiranje i predviđanje, od eksperimentisanja do nadgledanih izdanja u produkciji. Dobra biografija povezuje izbor modela, rad sa podacima i implementaciju sa merljivim promenama u odzivu, relevantnosti, troškovima ili poslovnim procesima, uz jasno navođenje alata i obima rada.

Provera CV-ja

Šta regruteri i sistemi za praćenje traže. Smernica, a ne predviđanje.

100 / 100Potpun

100%
  • Kontakt20 / 20
  • Sažetak20 / 20
  • Radno iskustvo30 / 30
  • Veštine20 / 20
  • Obrazovanje10 / 10

Kontakt podaci

Postavite ove podatke na vrh; regruteri i sistemi za praćenje prvo ih traže.

Opciono. CV-jevi u SAD, Ujedinjenom Kraljevstvu i Kanadi obično ne sadrže fotografiju.

58 reči

Jedan posao po pasusu; svako postignuće započnite u novom redu znakom „-”.

10 veština

Odvojite veštine zarezima, na primer: Excel, SQL, planiranje projekata.

Dodatni odeljci

Projekti, sertifikati, jezici ili bilo šta drugo što doprinosi vašoj prijavi.

Alati
Odabrani projekat

Alex Morgan

Inženjer mašinskog učenja

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

Sažetak

Inženjer mašinskog učenja sa 7 godina iskustva u izradi sistema za rangiranje i predviđanje za B2B proizvode za trgovinu. Iskusan u razvoju modela uz korišćenje alata Python i PyTorch, dizajnu cevovoda za obeležja i implementaciji na Kubernetes platformi, uz pažljivu procenu van mreže i u produkciji; pustio u rad servise koji obrađuju 2 miliona zahteva za preporuke dnevno.

Radno iskustvo

Inženjer mašinskog učenja II u kompaniji Cedarpath Commerce, Denver, CO (2022 – danas) - Napravio PyTorch model za rangiranje koji koristi podatke o sesijama i katalogu, čime je stopa dodavanja u korpu porasla za 6% u kontrolisanom testu sprovedenom na 1,2 miliona sesija. - Implementirao servise za preporuke na Kubernetes platformi i dodao grupno ocenjivanje uz praćenje pomoću MLflow, smanjivši p95 vreme odziva sa 180 ms na 125 ms. - Automatizovao proveru obeležja i upozorenja o odstupanju za 14 produkcionih obeležja, što je timu pomoglo da ispita probleme sa podacima pre nedeljnih izdanja modela. Inženjer mašinskog učenja u kompaniji Summitline Analytics, Boulder, CO (2019 – 2022) - Obučavao modele za predviđanje potražnje u scikit-learn na osnovu podataka o prodaji za tri godine, smanjivši srednju apsolutnu grešku za 9% u odnosu na postojeću sezonsku osnovu. - Napravio višekratno upotrebljive cevovode za obeležja u jezicima Python i SQL za pet implementacija kod klijenata, skraćujući pripremu osvežavanja modela sa dva dana na oko jedan dan.

Obrazovanje

Diplomirani informatičar — Juniper Ridge University, Grand Junction, CO (2018)

Veštine

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • kreiranje obeležja
  • procena modela
  • Kubernetes
  • MLflow
  • Docker
  • A/B testiranje

Alati

• Jezici i biblioteke: Python, SQL, PyTorch, scikit-learn • Alati i infrastruktura: MLflow, Docker, Kubernetes • Obrada podataka: Apache Spark, Airflow

Odabrani projekat

• Razvio prototip za pronalaženje i ponovno rangiranje proizvoda u pretrazi, koristeći ugradnje rečenica i PyTorch • Uporedio relevantnost i vreme odziva na označenom skupu od 8.000 upita • Dokumentovao rezultate procene i kompromise pri implementaciji

Kako da napišete CV za ulogu: Inženjer mašinskog učenja

Prikažite uticaj modela izvan metrike

Počnite od ishoda za proizvod ili poslovanje, a zatim navedite model i način procene. Na primer, povežite promenu rangiranja sa konverzijom ili relevantnošću pretrage i navedite da li je rezultat dobijen onlajn testom ili poređenjem van mreže. Kada je korisno, navedite početnu vrednost, obim i vremenski period; metriku je teško protumačiti bez konteksta.

Jasno prikažite odgovornost za produkciju

Opišite za šta ste bili odgovorni nakon obuke: cevovode za obeležja, posluživanje modela, nadgledanje, ponovno obučavanje, vraćanje prethodne verzije ili istragu tokom dežurstva. Navedite okruženje za implementaciju i konkretno merilo, kao što su p95 latencija, vreme osvežavanja, troškovi usluga u oblaku ili obim zahteva. Nemojte ostavljati utisak da je model bio spreman za produkciju ako je radio samo u notebook okruženju ili ograničenom pilotu.

Navedite alate uz koristan kontekst

Navedite jezike, okvire, klaud servise i alate za implementaciju o kojima možete da govorite na razgovoru za posao, a zatim u stavkama o iskustvu pokažite gde ste ih koristili. Upotrebite izraze iz oglasa kada tačno opisuju vaš rad. Izbegavajte dugačke spiskove biblioteka i nabrajanje svake arhitekture modela koju ste isprobali bez objašnjenja njene svrhe.

Projektima popunite praznine u dokazima

Ako imate malo iskustva sa implementacijom modela u poslu, uključite jedan ili dva relevantna projekta sa vezom do repozitorijuma ili demonstracije, izvorom podataka, načinom procene i opisom onoga što ste napravili. Objasnite ograničenja podataka i nemojte deliti poverljiv kod, podatke o klijentima ili tvrdnje koje se ne mogu proveriti. Projekat treba da pruži dodatne dokaze, a ne da ponavlja spisak veština.

Uobičajene ključne reči

Veštine i alati koji se često navode za ovu ulogu. Koristite samo one koje imate, uz izraze iz oglasa za posao. Kliknite na neku da biste je kopirali.

Glagoli koji opisuju radnje

NapraviliImplementiraliSmanjiliUnaprediliAutomatizovaliProceniliOptimizovali

Pitanja o ovoj ulozi

Koliko treba da bude dugačka biografija inženjera mašinskog učenja?

Ako imate nekoliko godina relevantnog iskustva, dve stranice mogu biti dobar izbor kada svaka stavka pruža korisne dokaze o modelima, sistemima za podatke ili odgovornosti za produkciju. Najrelevantnije iskustvo stavite na prvu stranicu, a izostavite starije detalje koji ne doprinose vašoj prijavi. Usmerena biografija na jednoj stranici takođe može biti efikasna ako je čitljiva i sadrži dovoljno konteksta za vaše rezultate.

Da li treba da uključim vezu ka portfoliju ili GitHub-u?

Uključite je ako prikazuje rad koji može da ojača vašu prijavu, poput projekta koji se može ponoviti, tehničkog teksta ili javnog doprinosa. Stavite vezu blizu kontakt podataka ili u odeljak za projekte i proverite da li repozitorijum ima jasan README i ne sadrži tajne podatke ili podatke sa ograničenim pristupom. Nemojte se oslanjati na vezu umesto da u biografiji objasnite svoj doprinos.

Koje sertifikate treba da navede inženjer mašinskog učenja?

U SAD ne postoji opšta licenca ili obavezan sertifikat za inženjere mašinskog učenja. Navedite sertifikat kada je relevantan za posao, važeći i izdat od prepoznatljivog pružaoca usluga, na primer potvrdu koju izdaje klaud platforma. Navedite tačan naziv i izdavaoca; izostavite istekle sertifikate ili potvrde o kratkim kursevima koji dodaju malo u odnosu na vaše dokazane veštine.

Mogu li da pređem iz nauke o podacima u inženjerstvo mašinskog učenja?

Da. Istaknite dokaze o inženjerskom radu uz razvoj modela: pouzdane cevovode za podatke, testiran kod, API-je ili grupne zadatke, implementaciju, nadgledanje i saradnju sa timovima za proizvode ili infrastrukturu. Precizno opišite svoju ulogu i navedite alate i rezultate. Ako vam je takvo iskustvo ograničeno, dodajte fokusiran projekat koji prikazuje ceo proces, od pripreme podataka do procene i implementacije.