Veri Bilimi ve Yapay Zekâ · Orta-Kıdemli (4+ yıl)

Bilgisayarlı Görü ve NLP Mühendisi Özgeçmişi

Bu örnek, görüntü işleme hatlarından metin sınıflandırmaya kadar bilgisayarlı görü ve dil modellerinin ölçülebilir ürün iyileştirmelerine nasıl katkı sağladığını gösteriyor. Bu rol için güçlü bir özgeçmiş; verileri, model tercihlerini, dağıtım çalışmalarını ve değerlendirme sonuçlarını hem mühendislik hem de uygulamalı araştırma ekiplerinin anlayacağı şekilde açıklar.

Özgeçmiş kontrolü

İşe alım uzmanlarının ve takip sistemlerinin aradığı bilgiler. Bu bir rehberdir, tahmin değildir.

100 / 100Tamamlandı

100%
  • İletişim20 / 20
  • Özet20 / 20
  • Deneyim30 / 30
  • Beceriler20 / 20
  • Eğitim10 / 10

İletişim bilgileri

Bu bilgileri en üste ekleyin; işe alım uzmanları ve takip sistemleri önce bunları arar.

İsteğe bağlı. ABD, Birleşik Krallık ve Kanada'da özgeçmişlerde genellikle fotoğraf bulunmaz.

54 kelime

Her paragrafta bir iş deneyimine yer verin; her sonucu yeni bir satırda “-” ile başlatın.

11 beceri

Becerileri virgülle ayırın; örneğin: Excel, SQL, proje planlama.

Ek bölümler

Başvurunuzu destekleyen projeleri, sertifikaları, dilleri veya başka bilgileri ekleyin.

Seçili projeler
Araçlar

Alex Morgan

Bilgisayarlı Görü ve NLP Mühendisi

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

Özet

B2B lojistik platformu için üretim ortamında kullanılan ML özellikleri geliştirme konusunda 5 yıllık deneyime sahip Bilgisayarlı Görü ve NLP Mühendisi. Görüntü ön işleme, transformer ince ayarı ve model değerlendirme alanlarında yetkin; belge verisi çıkarma ve paket hasarı inceleme iş akışlarını iyileştirme konusunda başarılı. PyTorch servislerini dağıtma ve sürüm sonrası model kalitesini izleme deneyimine sahip.

Deneyim

Pineglass Parcel Technologies şirketinde Bilgisayarlı Görü ve NLP Mühendisi, Denver, CO (2023 – Günümüz) - Depo fotoğrafları için PyTorch ve OpenCV tabanlı bir hasar algılama hattı oluşturdu; günde yaklaşık 1.200 görüntüyü işleyerek manuel inceleme hacmini %18 azalttı. - Sevkiyat belgelerinden veri çıkarmak için Hugging Face token sınıflandırma modelinde ince ayar yaptı; ayrılmış değerlendirme kümesinde alan düzeyinde F1 puanını 0,86'dan 0,91'e yükseltti. - Docker ve Kubernetes ile sürümlenmiş çıkarım servislerini dağıtarak görüntü başına medyan işleme süresini 1,8 saniyeden 1,2 saniyeye düşürdü. Ridgeway Applied Language Labs şirketinde Makine Öğrenimi Mühendisi, Boulder, CO (2021 – 2023) - Tesseract ve BERT kullanarak faturalar için OCR ve adlandırılmış varlık tanıma iş akışları geliştirdi; iki müşteri ekibinde istisnaların ortalama ele alınma süresini %22 kısalttı. - 14.000 etiketli görüntüden oluşan veri kümesinde YOLO nesne algılama modellerini değerlendirdi; geri çağırma oranını 7 yüzde puanı artırmaya yardımcı olan kamera ve aydınlatma eksiklerini belirledi.

Eğitim

Bilgisayar Bilimleri Lisans Derecesi — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Beceriler

  • Bilgisayarlı görü
  • Doğal dil işleme
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • Nesne algılama
  • OCR
  • Adlandırılmış varlık tanıma
  • Model değerlendirme
  • Docker
  • Kubernetes

Seçili projeler

• Paket hasarı algılama: YOLO model çeşitlerini karşılaştırdı ve hasar türüne göre geri çağırma oranlarını belgeledi. • Sevkiyat belgesi verisi çıkarma: Farklı taramalar için OCR ve varlık çıkarma değerlendirme kümesi oluşturdu.

Araçlar

• Python, PyTorch, OpenCV, Hugging Face Transformers, Tesseract • Docker, Kubernetes, MLflow, PostgreSQL, Git

Bilgisayarlı Görü ve NLP Mühendisi özgeçmişi nasıl yazılır?

Üretime alınan model çalışmalarınızı öne çıkarın

Mevcut görevinizi ve üretim ortamındaki en güçlü çalışmalarınızı üst sıralarda sunun. Modelin ne iş yaptığını, verinin ölçeğini veya çalışma ortamını ve sürüm sonrasında inceleme hacmi, gecikme süresi ya da veri çıkarma kalitesi gibi nelerin değiştiğini belirtin. Prototipleri, müşterilerin veya operasyon ekiplerinin kullandığı özelliklerden ayrı tutun; işe alım ekipleri modelleri bir notebook'un ötesinde destekleyip desteklemediğinizi anlamalıdır.

Modelleri nasıl değerlendirdiğinizi gösterin

Değerlendirme yöntemini ve göreve uygun ölçütü belirtin: algılama için kesinlik ve geri çağırma, veri çıkarma için F1 veya çıkarım servisi için gecikme süresi. Mümkünse veri kümesinin boyutunu ya da kaynağını belirtin ve sonuçların ayrılmış bir kümeden mi yoksa üretim izlemelerinden mi elde edildiğini açıklayın. Ne ölçtüğünüzü belirtmeden modelin doğru olduğunu ileri sürmeyin.

Kullandığınız teknoloji yığınını netleştirin

PyTorch, OpenCV, Hugging Face Transformers, Docker veya Kubernetes gibi uygulamalı olarak kullandığınız çatıları, model ailelerini ve dağıtım araçlarını listeleyin. Denediğiniz her paketi sıralamak yerine her aracı bir projeyle veya başarıyla ilişkilendirin. Bulut platformlarından veya vektör veri tabanlarından yalnızca gerçek çalışmalarınızda yer aldılarsa ve iş ilanıyla ilgiliyseler söz edin.

Odaklı bir portföy bağlantısı ekleyin

Kısa ve öz bir portföy; tekrarlanabilir bir bilgisayarlı görü veya NLP projesini, değerlendirme yaklaşımınızı ve ödünleşimlere dair net bir açıklamayı gösterebilir. Paylaşma izniniz olan kod veya demoya bağlantı verin; müşteri verilerini, kimlik bilgilerini ve tescilli model ayrıntılarını kaldırın. Okuyucular sorumluluk düzeyinizi hızla anlayabilsin diye akademik makaleleri, eğitimleri ve kişisel projeleri üretim çalışmalarından ayrı tutun.

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

OluşturduEğittiDağıttıAzalttıİyileştirdiOtomatikleştirdiDeğerlendirdi

Bu pozisyonla ilgili sorular

Bilgisayarlı Görü ve NLP Mühendisi özgeçmişi ne kadar uzun olmalı?

Yaklaşık beş yıllık deneyim için, ikinci sayfada ilgili proje veya teknik ayrıntılar yer alıyorsa iki sayfa genellikle uygundur. Üretim ortamındaki en güçlü çalışmalarınızı, model değerlendirmelerinizi ve dağıtım sonuçlarınızı ilk sayfada tutun. Başlangıç düzeyindeki ders çalışmalarını ve alakasız işleri, doğrudan ilgili becerileri göstermiyorlarsa genellikle kısaltabilir veya çıkarabilirsiniz.

Portföy veya GitHub bağlantısı eklemeli miyim?

Tekrarlanabilir bir proje, değerlendirme not defteri veya teknik yazı gibi herkese açık ve kolayca incelenebilen ilgili çalışmaları gösteriyorsa bağlantı ekleyin. Görevi, veri kaynağını, ölçütleri ve katkınızı açıklayın. Müşteri verilerini, işveren kodlarını veya gizlilik anlaşmaları kapsamındaki içerikleri yüklemeyin; bu çalışmalar için arındırılmış bir açıklama daha güvenlidir.

Bu rol için hangi sertifikaları listelemeliyim?

Bilgisayarlı Görü ve NLP Mühendisi rolleri, ABD'de genellikle evrensel bir mesleki lisans veya sertifika gerektirmez. İlgili bir bulut veya makine öğrenimi sertifikasını yalnızca aldıysanız listeleyin; gerektiğinde veren kuruluşu ve tarihi belirtin, ayrıca kapsamlı proje deneyiminizin altında tutun. Bir kursu tamamlamayı mesleki sertifika gibi göstermeyin.

Veri bilimi veya yazılım mühendisliğinden bu role geçebilir miyim?

Evet. Görü veya dil modelleri geliştirebildiğinizi ve değerlendirebildiğinizi, gerçek verilerle çalışabildiğinizi ve çıkarımı bir uygulamaya entegre edebildiğinizi gösteren projeleri öne çıkarın. Veri bilimi geçmişiniz varsa dağıtım ve izleme örnekleri ekleyin; yazılım mühendisliği geçmişiniz varsa model eğitimi, göreve uygun ölçütler ve veri kümesi yönetimini gösterin. Kişisel veya akademik projeleri açıkça etiketleyin ve kendi katkınızı açıklayın.