简历指南
数据科学家 简历指南
使用此数据科学家指南来构建易于解析的简历，然后根据ResumeCaliper中的真实职位描述对其进行评分。
数据科学家角色强调什么
- 监督学习
- 特征工程
- 实验设计
- 模型评估
- 生产ML协作
- 统计通信
工具和平台
- Python
- SQL
- scikit-learn
- PyTorch
- Spark
- MLflow
- Airflow
典型职责
- 将业务问题构建为可衡量的机器学习/统计问题
- 训练、验证和监控模型
- 与工程师合作进行部署
- 向非技术利益相关者解释结果
简历提示
- 明确区分研究与生产 ML
- 引用离线指标和在线影响可用时
- 在令人印象深刻且真实的情况下列出数据规模（行、事件/天）
ATS 建议
- 包含机器学习框架名称和 JD 中的经典统计术语
- 不要仅将 Python/SQL 隐藏在侧边栏中
- 输入准确的数据真实情况下标题中发布的科学家头衔
常见错误
- 只有 Kaggle 的投资组合，没有业务框架
- 在没有证据的情况下声称“深度学习”
- 没有提及评估或泄漏控制
数据科学家 resume examples (weak → stronger)
- Apply this tip with real metrics from your career: 明确区分研究与生产 ML
- Apply this tip with real metrics from your career: 引用离线指标和在线影响可用时
- Apply this tip with real metrics from your career: 在令人印象深刻且真实的情况下列出数据规模（行、事件/天）
常见的认证
- TensorFlow 开发人员
- AWS ML 专业
常见问题
数据科学家的简历与数据分析师有何不同？
更加强调建模、实验严谨性和生产化——而不仅仅是仪表板。
我应该列出每个机器学习库吗？
更喜欢 JD 中的堆栈以及你最深入的堆栈工具。