Создать резюме

Пример резюме: Дата-сайентист

Резюме дата-сайентиста должно показывать модели в продакшене и созданную ими ценность — а не только алгоритмы.

✎ Редактировать резюме

Arjun Mehta

Дата-сайентист
arjun@example.com · +1 555 0142 · Boston, MA · linkedin.com/in/arjun-mehta

О себе

Дата-сайентист с 5-летним опытом создания ML-моделей для ценообразования, оттока и рекомендаций. Вывел в продакшен модели, принёсшие 4 млн $ дополнительной выручки. Владеет Python, SQL, scikit-learn, PyTorch и MLOps.

Опыт работы

Дата-сайентист

Beacon Commerce · Boston, MA
2021 – наст. время
  • Построил рекомендательную модель, увеличившую средний чек на 9% (4 млн $ в год)
  • Разработал прогноз оттока с AUC 0,86 для таргетированных кампаний удержания
  • Вывел модели в продакшен с Docker и MLflow, сократив срок с недель до дней
  • Доносит выводы до руководства через понятные визуализации

Аналитик данных

Hub Analytics · Cambridge, MA
2019 – 2021
  • Построил прогнозы спроса для 2000 товаров
  • Автоматизировал пайплайны данных в Airflow
  • Проводил анализ причинного эффекта для маркетинга

Образование

Магистр, наука о данных

Northeastern University · Boston, MA
2017 – 2019

Навыки

  • Python
  • SQL
  • Машинное обучение
  • scikit-learn
  • PyTorch
  • Статистика
  • MLOps
  • A/B-тесты
  • Визуализация данных
  • Spark

Языки

EnglishРодной
SpanishСредний

О себе

Дата-сайентист с 5-летним опытом создания ML-моделей для ценообразования, оттока и рекомендаций. Вывел в продакшен модели, принёсшие 4 млн $ дополнительной выручки. Владеет Python, SQL, scikit-learn, PyTorch и MLOps.

Ключевые навыки

PythonSQLМашинное обучениеscikit-learnPyTorchСтатистикаMLOpsA/B-тестыВизуализация данныхSpark

Советы для этой должности

  • Начинайте с бизнес-эффекта моделей.
  • Укажите опыт деплоя и мониторинга.
  • Подстраивайте список инструментов под вакансию.

Опыт работы: Дата-сайентист

  • Построил рекомендательную модель, увеличившую средний чек на 9% (4 млн $ в год)
  • Разработал прогноз оттока с AUC 0,86 для таргетированных кампаний удержания
  • Вывел модели в продакшен с Docker и MLflow, сократив срок с недель до дней
  • Доносит выводы до руководства через понятные визуализации