機器學習工程師履歷

此範例展示了一位工程師如何從實驗到受監控的正式環境發布，改善排序與預測模型。優秀的履歷能將模型選擇、資料與部署工作與延遲、相關性、成本或業務工作流程上的可衡量改變連結起來，同時讓工具與規模保持清晰。

個人簡介

具備7年為B2B商務產品建置排序與預測系統經驗的機器學習工程師。結合Python與PyTorch模型開發、特徵管線設計與Kubernetes部署，並進行嚴謹的離線與線上評估；曾上線每日處理200萬筆推薦請求的服務。

工作經歷

Cedarpath Commerce 機器學習工程師II（2022 - 至今） - 使用工作階段與商品目錄特徵建立PyTorch排序模型，透過橫跨120萬個工作階段的對照測試，將加入購物車率提升6%。 - 在Kubernetes上部署推薦服務，並新增使用MLflow追蹤的批次評分，將p95回應時間從180毫秒縮短至125毫秒。 - 為14項正式環境特徵自動化驗證與資料漂移警報，協助團隊在每週模型發布前調查資料問題。 Summitline Analytics 機器學習工程師（2019-2022） - 根據三年銷售資料訓練scikit-learn需求預測模型，相較於現有的季節性基準，將平均絕對誤差降低9%。 - 為五個客戶部署建立可重複使用的Python與SQL特徵管線，將模型更新準備時間從兩天縮短至約一天。

學歷

資訊科學學士 - Juniper Ridge University（2018）

技能

Python
SQL
PyTorch
scikit-learn
特徵工程
模型評估
Kubernetes
MLflow
Docker
A/B測試

工具

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

精選專案

• 使用句子嵌入與PyTorch開發用於商品搜尋的檢索與重排序原型 • 在包含8,000個標記查詢的資料集上比較相關性與延遲 • 整理評估結果與部署取捨的文件

使用此範例

使用此機器學習工程師履歷開啟製作工具，然後將範例替換為你自己的詳細資料。

從空白履歷開始

常見關鍵字

此職位經常列出的技能與工具。請僅使用你具備的項目，並採用職缺中的用詞。點擊即可複製。

履歷動詞

建置部署降低改善自動化評估最佳化

如何撰寫機器學習工程師履歷

不只看指標，也要呈現模型影響

先寫產品或營運成果，再說明模型與評估方法。舉例來說，將排序變更與轉換率或搜尋相關性連結起來，並說明結果來自線上測試還是離線基準。有幫助時，請納入基準、規模與時間範圍；缺乏脈絡的指標很難解讀。

釐清你在正式環境的負責範圍

描述你在模型訓練之後負責的項目：特徵管線、模型服務、監控、重新訓練、回復或值班調查。寫出部署環境，並提供具體的衡量指標，例如p95延遲、更新時間、雲端費用或請求量。如果模型只在Notebook或有限的試行中執行過，請避免暗示它已可用於正式環境。

說明工具的使用情境

列出你能在面試中談論的語言、框架、雲端服務與部署工具，再於經歷條列中說明你在哪裡用過它們。若職缺公告的用詞確實符合你的工作內容，可以沿用。不必列出冗長的函式庫清單，也避免羅列你試過的所有模型架構卻沒有說明用途。

用專案補足佐證

如果你的工作經歷中幾乎沒有模型部署的經驗，請納入一兩個相關專案，並附上儲存庫或展示連結、資料來源、評估方法以及你建置的內容。說明資料的限制，並避免分享機密程式碼、客戶資訊或無法重現的說法。專案應增添佐證，而不是重複技能清單。

所有資料科學與人工智慧履歷範例

關於此職位的問題