CV Data Scientist que conquista a entrevista do modelo.
Mostre o modelo, o dataset, a métrica e o resultado de negócio. ATS-clean, examinável por recrutador, e construído para o funil de contratação que filtra por PyTorch, SQL e um modelo implantado em produção.
- Modelo e métrica por projeto
- Implantado conta mais que notebooks
- SQL é competência separada
- Exportação grátis
Implantado bate notebook sempre.
Os recrutadores não conseguem distinguir um data scientist sério de um hobbyista Kaggle em 8 segundos de exame de CV. Ajude-os: nomeie o contexto de deployment (inferência em tempo real atrás de um serviço gRPC, scoring batch em Airflow), a escala dos dados de treino, e a métrica de negócio que o modelo moveu.
As competências devem dividir-se em 4 grupos: stack ML/DL (PyTorch, sklearn, XGBoost), data engineering (SQL, Spark, dbt, Snowflake), produção (FastAPI, MLflow, Sagemaker), e visualização (Tableau, Looker, matplotlib). Não despeje tudo num bloco.
Publicações e ranks Kaggle valem uma linha cada no fundo, nunca o lede. O lede é o trabalho implantado.
Quando a secção Projetos ajuda e quando prejudica.
Ajuda: se está em início de carreira ou em transição da investigação. Um bloco Projetos limpo com 3 modelos implantados, cada um com dataset, técnica e resultado, bate um histórico de trabalho escasso.
Prejudica: se tem 5+ anos na indústria. Uma secção Projetos implica então que não tem experiência de trabalho suficiente para encher a página, o oposto do que quer.
Se incluir projetos, trate cada um como um emprego: linha equivalente a empresa, datas, 2-3 pontos quantificados.
Questions, answered.
Histórico de trabalho cronológico inverso com resultados de modelos implantados, secção Competências agrupada (ML, data engineering, produção, visualização), Formação com grau e tópico de tese, e Publicações ou resultados Kaggle apenas se materiais.
Não. Liste frameworks (PyTorch, sklearn, XGBoost, Hugging Face), ferramentas com as quais construiria sistemas de produção (MLflow, Sagemaker, Ray), e ecossistema (pandas, numpy). Salte cada biblioteca viz individual e cada ferramenta menor de experiment tracking.
Um rank grandmaster sim, num one-liner perto do fundo. Alguns tutoriais terminados não. Os recrutadores descontam Kaggle como sinal primário porque os dados são demasiado limpos e a métrica demasiado estreita.
Nomeie o tamanho do dataset, a técnica, a baseline e o lift. 'Treinou um classificador XGBoost em 14M transações rotuladas; elevou o recall de fraude de 71% para 84% no mesmo orçamento de falsos positivos' é defensável. 'Construiu modelo state-of-the-art' não.
Sim, em destaque. A maioria dos anúncios data science filtra SQL como competência dura obrigatória e 30% dos candidatos omitem-na porque assumem que é implícita. Não a omita.
Pontue o seu CV data science.
Grátis. PDF ou DOCX. Sem cartão.
Verificar o meu CV →