Резюме Data Scientist — образец для заполнения

Должность и контакты

Под именем укажите желаемую роль и контакты. Если вакансия называется «Data Scientist», это название можно оставить в шапке и раскрыть специализацию в первой записи об опыте.

Рядом можно дать ссылку на проект, в котором видны данные, ход оценки и ваш вклад. Если репозиториев несколько, выберите тот, где описание и код помогают разобрать одну задачу без рабочих учётных записей. Порядок полей можно сверить с примером классического резюме.

О себе

Чтобы заполнить раздел «О себе» для Data Scientist, назовите тип задач, основные инструменты и то, как проверяете модели. Для задач поддержки можно указать работу с историей обращений и оценку на более поздних данных.

Если часть работы связана с подготовкой данных, уточните, что передавали дальше. Например, собирали выборку на дату прогноза и объясняли, как появлялась целевая метка. Модельный результат в таком случае можно описать вместе с коллегами, обозначив, кто обучал и оценивал модель.

Опыт работы

Первую запись посвятите модели, которую сможете объяснить от цели до проверки. Назовите пользователя результата и действие, для которого был нужен прогноз.

Команда поддержки хотела выбрать закрытые обращения для повторной проверки. Целью прототипа стало повторное открытие в течение семи дней после закрытия. Модель строила оценку риска в момент закрытия, а команда могла использовать порядок обращений для отбора на дополнительную проверку. В резюме здесь важен сам момент прогноза, поскольку от него зависит набор доступных данных.

Как описать базовый прогноз?

Базу назовите так, чтобы читатель мог повторить сравнение. Для обращений подойдёт частота повторных открытий по типам обращений, рассчитанная на обучающем периоде.

Если для нового типа обращений наблюдений не было, можно было использовать общую частоту из обучающего периода. В резюме достаточно одной фразы про базу, а на собеседовании уточните, как оценивали её на том же отложенном периоде, что и основную модель.

Основная модель может учитывать признаки, которых нет в базовом прогнозе. В примере логистическая регрессия использовала тип обращения и число сообщений до закрытия. Назовите один или два таких признака, чтобы работодатель понял, в чём состояло сравнение.

Что написать о проверке утечки данных?

Утечку раскройте через поле, которое могло выдать ответ заранее. Например, исключили признаки, возникающие после закрытия обращения, когда готовили данные для прогноза на момент закрытия.

Последним обращениям в периоде нужно дать время, чтобы метка стала известна. В примере оцениваются только обращения, по которым уже прошли семь дней после закрытия. Если вы подбирали параметры или преобразовывали признаки, укажите, что делали это на обучающих данных, а результаты проверяли отдельно.

При проверке по времени укажите и границу обучения. Если модель должна была быть готова к началу тестового периода, в обучение попадали только обращения, для которых к этой дате уже прошло семь дней после закрытия.

Как объяснить выбор метрики?

Метрику свяжите с задачей отбора и сравните AP модели и базового прогноза на одном периоде. Отдельно посмотрите, какая доля обращений, которые модель поставила в начало списка по риску, открылась повторно.

AP суммирует качество ранжирования по точности и полноте при изменении порога. В резюме можно написать, что сравнили AP модели и базы на одном периоде, а для обсуждения с командой посчитали долю действительно повторно открытых обращений среди выбранных. Цифры добавляйте с периодом и объёмом данных. Примеры оформления результата есть в статье о достижениях в резюме.

Как показать опыт подготовки данных?

Прежний опыт опишите через данные, которые вы передавали для моделирования. Назовите источник событий, способ проверки времени и правила формирования метки.

Профессиональные навыки

Навыки выбирайте по этапам задачи, которые выполняли сами. Можно указать SQL для выборки событий, Python для подготовки признаков и scikit-learn для сравнения моделей.

Если в проекте вы занимались ещё и отчётами, оставьте отдельную строку о них. В модельной записи важнее объяснить прогнозируемое событие и проверку на новых данных. Работодатель сможет отличить работу с метриками модели от подготовки отчёта по прошедшим обращениям.

Образование и портфолио

Диплом запишите с названием вуза, направлением и годом. Для портфолио можно приложить учебный ноутбук с воспроизводимой проверкой базы и модели.

В учебном проекте подпишите происхождение данных и порядок разделения выборки. Для командной работы укажите, какой блок реализовали сами. Формат записи об учёбе можно сверить со статьёй о том, как указать образование в резюме.

Проверка перед отправкой

Перед откликом проверьте, что из описания ясны цель, база сравнения и этап проекта. Если модель осталась прототипом, используйте это слово и укажите, кому передали результаты.

Если демонстрируете учебную версию рабочего проекта, удалите записи клиентов, внутренние ссылки и код, который нельзя раскрывать. В готовом резюме проверьте контакт и доступ к приложению. Заменить условные данные можно в конструкторе резюме.

Частые вопросы о резюме Data Scientist

Для отклика выберите модельную задачу, по которой можно обсудить данные и проверку. Если опыт учебный, прямо отметьте это и покажите самостоятельную часть проекта.

Источники

Термины об утечке, временной проверке и средней точности можно сверить с документацией scikit-learn.

• scikit-learn. Утечка данных и ошибки при оценке
• scikit-learn. Средняя точность AP
• scikit-learn. Проверка на временных данных