Veri Bilimi ve Yapay Zekâ · Kıdemli (6+ yıl)

Makine Öğrenimi Mühendisi Özgeçmişi

Bu örnek, bir mühendisin sıralama ve tahmin modellerini deney aşamasından izlenen üretim sürümlerine kadar nasıl iyileştirdiğini gösteriyor. Güçlü bir özgeçmiş; model tercihlerini, veri ve dağıtım çalışmalarını gecikme, alaka düzeyi, maliyet veya iş akışlarındaki ölçülebilir değişikliklerle ilişkilendirirken kullanılan araçları ve ölçeği de açıklar.

Ahmet Yılmaz

Makine Öğrenimi Mühendisi

  • ahmet.yilmaz@example.com
  • +90 212 555 1234
  • İstanbul

Özet

B2B ticaret ürünleri için sıralama ve tahmin sistemleri geliştirmede 7 yıllık deneyime sahibim. Python ve PyTorch ile model geliştirme, özellik veri hattı tasarımı ve Kubernetes üzerinde model devreye alma konularında yetkinim. Çevrim dışı ve çevrim içi değerlendirmelerle modelleri iyileştirdim; günde 2 milyon öneri isteğini işleyen hizmetleri yayına aldım.

Deneyim

Cedarpath Commerce şirketinde Makine Öğrenimi Mühendisi II (2022 - Günümüz) - Oturum ve katalog özelliklerini kullanan bir PyTorch sıralama modeli oluşturdum; 1,2 milyon oturumda yapılan kontrollü testte sepete ekleme oranını %6 artırdım. - Kubernetes üzerinde öneri hizmetlerini devreye aldım ve MLflow takibiyle toplu puanlama ekledim; p95 yanıt süresini 180 ms'den 125 ms'ye düşürdüm. - Üretimdeki 14 özellik için özellik doğrulama ve sapma uyarılarını otomatikleştirerek ekibin haftalık model sürümlerinden önce veri sorunlarını araştırmasına yardımcı oldum. Summitline Analytics şirketinde Makine Öğrenimi Mühendisi (2019 - 2022) - Üç yıllık satış verileriyle scikit-learn talep tahmin modelleri eğittim ve mevcut mevsimsel temel tahmin modeline kıyasla ortalama mutlak hatayı %9 azalttım. - Beş müşteri uygulaması için yeniden kullanılabilir Python ve SQL özellik işlem hatları oluşturdum ve model yenileme hazırlık süresini iki günden yaklaşık bir güne indirdim.

Eğitim

Bilgisayar Bilimleri Lisans Derecesi - Juniper Ridge University (2018)

Beceriler

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • özellik mühendisliği
  • model değerlendirmesi
  • Kubernetes
  • MLflow
  • Docker
  • A/B testi

Araçlar

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

Seçilmiş proje

• Cümle vektörleri ve PyTorch kullanarak ürün araması için sonuç getirme ve yeniden sıralama prototipi geliştirdim • Etiketlenmiş 8.000 sorguluk bir kümede alaka düzeyini ve gecikmeyi karşılaştırdım • Değerlendirme sonuçlarını ve devreye alma seçeneklerinin artılarını ve eksilerini belgeledim

Bu örneği kullan

Oluşturucuyu bu Makine Öğrenimi Mühendisi özgeçmişiyle açın, ardından örneği kendi bilgilerinizle değiştirin.

Sık kullanılan anahtar kelimeler

Bu pozisyon için sıkça listelenen beceri ve araçlar. Yalnızca sahip olduklarınızı, iş ilanındaki ifadelerle kullanın. Kopyalamak için birine tıklayın.

Eylem fiilleri

GeliştirdimDevreye aldımDüşürdümİyileştirdimOtomatikleştirdimDeğerlendirdimİyileştirdim

Makine Öğrenimi Mühendisi özgeçmişi nasıl yazılır?

Modelin etkisini ölçümlerin ötesinde gösterin

Önce ürün veya operasyon sonucunu belirtin, ardından modelin ve değerlendirme yönteminin adını verin. Örneğin, sıralamadaki bir değişikliği dönüşüm veya arama alaka düzeyiyle ilişkilendirin ve sonucun çevrim içi bir testten mi yoksa çevrim dışı bir kıyaslamadan mı geldiğini belirtin. Yararlı olduğunda temel değeri, ölçeği ve zaman aralığını ekleyin; bağlam olmadan bir ölçümü yorumlamak zordur.

Üretim sorumluluğunuzu netleştirin

Eğitim sonrasında hangi işlerin sorumluluğunu aldığınızı açıklayın: özellik veri hatları, model sunumu, izleme, yeniden eğitim, geri alma veya nöbet sırasında inceleme. Dağıtım ortamının adını verin ve p95 gecikmesi, yenileme süresi, bulut harcaması ya da istek hacmi gibi somut bir ölçüm ekleyin. Bir model yalnızca not defterinde veya sınırlı bir pilot çalışmada çalıştıysa üretime hazır olduğunu ima etmeyin.

Araçları yararlı bir bağlamla belirtin

Mülakatta hakkında konuşabileceğiniz dilleri, çerçeveleri, bulut hizmetlerini ve dağıtım araçlarını listeleyin; ardından deneyim maddelerinde bunları nerede kullandığınızı gösterin. İş ilanındaki ifadeler çalışmalarınızı doğru tanımlıyorsa aynı ifadeleri kullanın. Uzun kitaplık listelerinden kaçının; amacını açıklamadan denediğiniz her model mimarisini sıralamayın.

Kanıt eksiklerini projelerle tamamlayın

İş geçmişinizde model dağıtımıyla ilgili az deneyim varsa depo veya demo bağlantısı, veri kaynağı, değerlendirme yaklaşımı ve geliştirdiğiniz unsurları içeren bir ya da iki ilgili proje ekleyin. Verinin sınırlarını açıklayın; gizli kodu, müşteri bilgilerini veya yeniden üretilemeyecek iddiaları paylaşmayın. Proje, beceri listesini tekrarlamak yerine ek kanıt sunmalıdır.

Tüm Veri Bilimi ve Yapay Zekâ özgeçmiş örnekleri

Bu pozisyonla ilgili sorular

Makine öğrenimi mühendisi özgeçmişi ne kadar uzun olmalı?

Birkaç yıllık ilgili deneyiminiz varsa her kayıt modeller, veri sistemleri veya üretim sorumluluğu hakkında yararlı kanıt sunduğu sürece iki sayfa uygun olabilir. En ilgili işlerinizi ilk sayfaya alın ve pozisyonu desteklemeyen eski ayrıntıları kısaltın. Okunabilir kaldığı ve sonuçlarınız için yeterli bağlam sunduğu sürece, odaklı tek sayfalık bir özgeçmiş de etkili olabilir.

Portföy veya GitHub bağlantısı eklemeli miyim?

Tekrar üretilebilir bir proje, teknik yazı veya herkese açık bir katkı gibi başvurunuzu güçlendiren çalışmaları gösteriyorsa ekleyin. Bağlantıyı iletişim bilgilerinizin yakınına veya projeler bölümüne koyun; depoda anlaşılır bir README bulunduğundan, gizli anahtarlar ya da kısıtlı veriler olmadığından emin olun. Özgeçmişinizde katkınızı açıklamak yerine yalnızca bağlantıya güvenmeyin.

Makine öğrenimi mühendisi hangi sertifikaları listelemeli?

Makine öğrenimi mühendisleri için genel geçer bir ABD lisansı veya zorunlu sertifika yoktur. Sertifika işle ilgili, güncel ve bulut platformu belgesi gibi tanınan bir sağlayıcı tarafından verilmişse listeleyin. Tam adını ve veren kuruluşu belirtin; süresi dolmuş belgeleri veya gösterdiğiniz becerilerin ötesinde pek bir şey katmayan kısa kurs sertifikalarını eklemeyin.

Veri biliminden makine öğrenimi mühendisliğine geçebilir miyim?

Evet. Model geliştirmenin yanı sıra mühendislik çalışmalarınıza ilişkin kanıtları vurgulayın: güvenilir veri hatları, test edilmiş kod, API'ler veya toplu işler, dağıtım, izleme ve ürün ya da altyapı ekipleriyle iş birliği. Rolünüzü doğru biçimde açıklayın; kullandığınız araçları ve elde ettiğiniz sonuçları gösterin. Bu deneyiminiz sınırlıysa veri hazırlığından değerlendirme ve dağıtıma kadar uçtan uca bir süreci gösteren odaklı bir proje ekleyin.