Mostra il modello, il dataset, la metrica e il risultato di business. ATS-clean, scansionabile dai recruiter, e costruito per il funnel di assunzione che filtra su PyTorch, SQL e un modello deployato in produzione.
I recruiter non possono distinguere un data scientist serio da un hobbista Kaggle in 8 secondi di scansione CV. Aiutali: nomina il contesto di deployment (inferenza real-time dietro un servizio gRPC, scoring batch in Airflow), la scala dei dati di training, e la metrica di business che il modello ha mosso.
Le competenze dovrebbero dividersi in 4 gruppi: stack ML/DL (PyTorch, sklearn, XGBoost), data engineering (SQL, Spark, dbt, Snowflake), produzione (FastAPI, MLflow, Sagemaker), e visualizzazione (Tableau, Looker, matplotlib). Non gettare tutto in un blocco.
Pubblicazioni e ranghi Kaggle valgono una riga ciascuno in fondo, mai il lede. Il lede è il lavoro deployato.
Aiuta: se sei early-career o in transizione dalla ricerca. Un blocco Progetti pulito con 3 modelli deployati, ciascuno con dataset, tecnica e risultato, batte una storia lavorativa rada.
Danneggia: se hai 5+ anni nell'industria. Una sezione Progetti implica allora che non hai abbastanza esperienza lavorativa per riempire la pagina, l'opposto di quello che vuoi.
Se includi progetti, tratta ciascuno come un lavoro: riga equivalente all'azienda, date, 2-3 bullet quantificati.
Storia lavorativa cronologica inversa con risultati di modelli deployati, sezione Competenze raggruppata (ML, data engineering, produzione, visualizzazione), Istruzione con laurea e argomento di tesi, e Pubblicazioni o risultati Kaggle solo se materiali.
No. Elenca framework (PyTorch, sklearn, XGBoost, Hugging Face), strumenti con cui costruiresti sistemi di produzione (MLflow, Sagemaker, Ray), ed ecosistema (pandas, numpy). Salta ogni libreria viz individuale e ogni strumento minore di experiment tracking.
Un rango grandmaster sì, in un one-liner vicino al fondo. Pochi tutorial finiti no. I recruiter scontano Kaggle come segnale primario perché i dati sono troppo puliti e la metrica troppo stretta.
Nomina la dimensione del dataset, la tecnica, la baseline e il lift. 'Addestrato un classificatore XGBoost su 14M transazioni etichettate; alzato il recall frodi dal 71% all'84% con lo stesso budget falsi positivi' è difendibile. 'Costruito modello state-of-the-art' no.
Sì, in evidenza. La maggior parte degli annunci data science filtra SQL come competenza hard required e il 30% dei candidati lo omette perché assume sia implicito. Non ometterlo.
Gratis. PDF o DOCX. Nessuna carta.
Controlla il mio CV →