履歴書ガイド
データ サイエンティスト向け履歴書ガイド
このデータ サイエンティスト向けガイドを使って解析しやすい履歴書を作成し、ResumeCaliperで実際の求人票との適合度を採点しましょう。
データ サイエンティスト職で重視されること
- 教師あり学習
- 特徴量エンジニアリング
- 実験設計
- モデル評価
- 本番環境 ML コラボレーション
- 統計通信
ツールとプラットフォーム
- Python
- SQL
- scikit-learn
- PyTorch
- Spark
- MLflow
- Airflow
一般的な職務内容
- ビジネス上の質問を測定可能な ML/統計問題としてフレーム化する
- トレーニング、検証、監視モデル
- 展開時にエンジニアと連携する
- 技術以外の関係者に結果を説明する
履歴書作成のヒント
- 研究 ML と本番 ML を明確に分離する
- 引用オフライン メトリクスとオンラインへの影響 (利用可能な場合)
- 印象的かつ真実である場合はデータ スケール (行、イベント/日) をリストします
ATS対策の推奨事項
- ML フレームワーク名と JD の古典的な統計用語の両方を含めます
- Python/SQLをサイドバーだけに埋もれさせない
- 真実である場合は、投稿の正確なデータ サイエンティストの肩書を見出しに記載してください
よくある間違い
- ビジネス枠組みのない Kaggle のみのポートフォリオ
- 証拠なく「ディープ ラーニング」であると主張する
- 評価や漏洩制御については言及しない
データ サイエンティスト resume examples (weak → stronger)
- Apply this tip with real metrics from your career: 研究 ML と本番 ML を明確に分離する
- Apply this tip with real metrics from your career: 引用オフライン メトリクスとオンラインへの影響 (利用可能な場合)
- Apply this tip with real metrics from your career: 印象的かつ真実である場合はデータ スケール (行、イベント/日) をリストします
よく見られる資格
- TensorFlow 開発者
- AWS ML 専門
よくある質問
データ サイエンティストの履歴書はデータ アナリストとどう違うのですか?
ダッシュボードだけでなく、モデリング、実験の厳密さ、実稼働化に重点が置かれています。
すべての ML ライブラリをリストする必要がありますか?
JD のスタックと最も深いスタックを優先します。ツール。