Ψάχνετε για δουλειά στην επιστήμη των δεδομένων; Έτσι θα περάσετε από τη φάση Συνέχιση Φίλτρου

Αρκετά στελέχη ξοδεύουν λίγα δευτερόλεπτα σε ένα βιογραφικό προσδιορίζοντας κατάλληλους υποψηφίους. Ποιες λέξεις-κλειδιά αναζητούν, τι μπορεί να σας δώσει πλεονέκτημα έναντι των άλλων και τι κάνει κάποιος με μικρή εμπειρία στον τομέα;

www.pexels.com

Συντάχθηκε από τον Elad Cohen, Αντιπρόεδρο της Επιστήμης και Έρευνας Δεδομένων

Ως διευθυντής του τμήματος επιστήμης δεδομένων, ένα μεγάλο μέρος του χρόνου μου αφιερώνεται στην πρόσληψη και ανάγνωση των βιογραφικών υποψηφίων. Δεν εννοώ ότι αφιερώνω πολύ χρόνο σε κάθε έγγραφο, το αντίθετο – συμβαίνει πολύ γρήγορα, στο επίπεδο των δευτερολέπτων – και κατά τη διάρκεια αυτής της περιόδου επικεντρώνομαι στην εύρεση των λέξεων-κλειδιών και των δεξιοτήτων που απαιτεί η εργασία. Αυτός είναι ακριβώς ο λόγος για τον οποίο οι υποψήφιοι για αυτές τις θέσεις πρέπει να είναι προσεκτικοί και να περιλαμβάνουν στο βιογραφικό τους σωστές λέξεις-κλειδιά για να περάσουν τον αρχικό έλεγχο και να φτάσουν στη συνέντευξη. Παρόλο που κάθε διευθυντής και διευθυντής έχει τις δικές του μεθόδους και κάθε θέση έχει τις δικές του απαιτήσεις, υπάρχουν ορισμένα σημεία που μπορούν να βοηθήσουν σε μια ποικιλία καταστάσεων, ακόμη και αν δεν είναι όλα σχετικά με εσάς, είναι σημαντικό να τα ελέγξετε και να τα χρησιμοποιήσετε στην επόμενη θέση σας.

1. Δηλώστε την προηγούμενη εμπειρία σας στην επιστήμη των δεδομένων

Ο βιογραφικός έλεγχος γίνεται γρήγορα και κατά τη διάρκεια αυτής της περιόδου ελέγχουμε την προηγούμενη εργασία σας, δηλαδή εκείνους που φέρουν την ένδειξη “επιστήμη δεδομένων”, ακολουθούν ορισμένοι άλλοι σχετικοί τίτλοι, όπως μηχανικός μηχανικής μάθησης, ερευνητής ή μηχανικός αλγορίθμων. Αν εργάζεστε επί του παρόντος στην Επιστήμη Δεδομένων, αλλά ο τίτλος και η περιγραφή της εργασίας δεν περιλαμβάνουν αυτές τις λέξεις, θα πρέπει να εξετάσετε το ενδεχόμενο αλλαγής του τίτλου της εργασίας σας, ώστε να αποδεικνύει ότι ασχολείστε με την Επιστήμη Δεδομένων. Αυτή η αλλαγή είναι σημαντική, για παράδειγμα, για τους αναλυτές δεδομένων των οποίων η πραγματική δουλειά είναι να αποτύχει στην επιστήμη των δεδομένων, αλλά ο τίτλος μπορεί να κατακλύσει τα στελέχη με την πρόσληψη και να τα αφήσει έξω από τον αρχικό έλεγχο.

Θυμηθείτε, ακόμη και αν ένα βιογραφικό περιγράφει τα έργα που έχετε εργαστεί που περιλαμβάνουν μηχανική μάθηση, ένας τίτλος διαφορετικός από έναν επιστήμονα δεδομένων μπορεί να προσθέσει περιττή αμφισημία.

Επιπλέον, εάν περάσατε πρόσφατα ένα bootcamp επιστήμης δεδομένων ή μόλις ολοκληρώσατε ένα μεταπτυχιακό δίπλωμα στον τομέα, οι υπεύθυνοι πρόσληψης μπορεί να πιστεύουν ότι μόλις ξεκινήσετε. Για να αποφύγετε αυτήν την κατάσταση, είναι απαραίτητο να τονίσετε την προηγούμενη εμπειρία σας σε αυτόν τον τομέα.

2. Προσδιορίστε τα επιχειρηματικά επιτεύγματα της επιχείρησής σας

Στην ιδανική περίπτωση, οι υπεύθυνοι πρόσληψης θέλουν να διαβάσουν για την τεχνική πλευρά της προηγούμενης εμπειρίας σας, αλλά και για τα αποτελέσματα της δουλειάς τους. Αυτά είναι σαφώς δύο διαφορετικά πεδία, και υπάρχει πραγματικά έλλειψη επιστημόνων δεδομένων με τεχνικές γνώσεις που μπορούν να μιλήσουν με εμπορικούς όρους. Αυτός είναι ο λόγος για τον οποίο η κοινή χρήση των KPI της επιχείρησης που επηρεάζεται από την επιχείρησή σας είναι μια εξαιρετική δυνατότητα. Για παράδειγμα, είναι καλό να παρατηρήσετε μια βελτίωση στο μοντέλο σας στο AUC, αλλά θα ήταν επίσης καλό να προσθέσετε μια αναφορά στην αύξηση του ποσοστού μετατροπής ως αποτέλεσμα της βελτίωσης του μοντέλου σας. Με αυτόν τον τρόπο ο διευθυντής θα γνωρίζει ότι κατανοείτε τη σημασία του επιχειρηματικού αντίκτυπου.

Φυσικά δεν θα μεταφραστεί κάθε ερευνητικό έργο σε επιχειρηματικό επίτευγμα (αυτό συχνά δεν εμπίπτει στην ευθύνη του εργαζομένου), αλλά υπάρχει σίγουρα μια προσδοκία να δούμε ότι ορισμένα έργα ωριμάζουν και δείχνουν πραγματικές βελτιώσεις. Πώς το γράφεις; Οι ακόλουθες εναλλακτικές λύσεις περιγράφουν το ίδιο έργο με διαφορετική εστίαση (καλλιτεχνική έναντι επιχείρησης):

Και το. Μοντέλο μη πληρωμών τραπεζικού δανείου – Βελτίωση της ακρίβειας – Μοντέλο επιστροφής χρημάτων AUC 0,94 έως 0,96.

ΣΙ. Μοντέλο ποσοστού μη πληρωμής για τραπεζικό δάνειο – Αυξήστε το ετήσιο εισόδημα μιας επιχειρηματικής μονάδας κατά 3% (500.000 $ ετησίως) διατηρώντας παράλληλα σταθερά επιτόκια μη πληρωμής.

3. Τι να γράψετε όταν δεν υπάρχει εκπαίδευση ή όταν μόλις τελειώσατε

Όπως και με οποιοδήποτε βιογραφικό έγγραφο, είναι σημαντικό να γράψετε ποια είναι η επίσημη εκπαίδευσή σας, σε ποιο ίδρυμα έχετε σπουδάσει και σε ποιον τομέα ειδικεύεστε. Σε πρόσφατους αποφοίτους, ο μέσος όρος βαθμού βαθμού και οι τιμές έχουν επίσης βάρος, για παράδειγμα Τιμές ή Κοσμήτορας. Δεδομένου ότι ο κόσμος της επιστήμης των δεδομένων είναι ένα πεδίο με μεγάλη διείσδυση (χωρίς συμφωνημένο πρότυπο), οι άνθρωποι μπορούν να εισέλθουν στο πεδίο χρησιμοποιώντας διάφορες μεθόδους – κάτι που είναι καλό. Αλλά εάν δεν έχετε επίσημη εκπαίδευση στον κόσμο της επιστήμης των δεδομένων, πρέπει να αποδείξετε εμπειρία σε αυτόν τον τομέα ή / και προχωρημένους πτυχία σε παρόμοια πεδία.

4. Επενδύστε σε οπτικά

Είδα αρκετά όμορφα βιογραφικά, αλλά έλαβα επίσης αρχεία κειμένου (.txt) που δεν είχαν σχέδιο. Η σχεδίαση βιογραφικού μπορεί να είναι μια απλή υπόθεση, αλλά θα πρέπει να επενδύσετε σε αυτήν. Στον ιστό, μπορείτε να βρείτε μια ποικιλία προτύπων σχεδιαστών που θα σας επιτρέψουν να μεταφέρετε όλες τις σημαντικές πληροφορίες, έχοντας υπόψη τους περιορισμούς θέσης στη σελίδα βιογραφικών.

Χρησιμοποιήστε τη σελίδα βιογραφικού με σύνεση – θα πρέπει να την αναλύσετε και να επισημάνετε συγκεκριμένες ενότητες που δεν εμπίπτουν απαραίτητα στην επαγγελματική εμπειρία ή στην εκπαίδευση. Για παράδειγμα, το τεχνολογικό κιτ που γνωρίζετε, μια λίστα με έργα που έχετε κάνει, συνδέσμους προς το Github ή το ιστολόγιό σας και άλλα. Τα απλά εικονίδια μπορούν επίσης να βοηθήσουν στην επισήμανση των υπότιτλων.

Συνιστώ να μην είστε πολύ δημιουργικοί στην καταγραφή γνώσεων διαφορετικών γλωσσών προγραμματισμού ή εργαλείων. Πολλοί υποψήφιοι χρησιμοποιούν αστέρια, cupcakes ή ραβδόγραμμα για αυτό και μερικές φορές βλάπτουν τον εαυτό τους. Για παράδειγμα, το να γράφεις ότι έχεις “4,5 αστέρια” στην οδήγηση δεν σημαίνει πολλά και μπορεί να εκληφθεί ως λέξη-κλειδί. Ή παρουσιάστε ένα γράφημα πίτας με 30% python, 10% ομαδική εργασία, κ.λπ., που δείχνει την πραγματική έλλειψη βασικής κατανόησης πίσω από την έννοια των διαφόρων διαγραμμάτων.

Υπάρχουν πραγματικά πολλές επιλογές και τρόποι υποβολής βιογραφικού, γι ‘αυτό έχουμε επισυνάψει ένα καλό οπτικό παράδειγμα για εσάς, φυσικά με θολές λεπτομέρειες υπέρ της ανωνυμίας:

5. Τύπος εμπειρίας μηχανικής μάθησης

Όπως έγραψα, κάθε διευθυντής προσλήψεων έχει τις δικές του απαιτήσεις, αλλά εστιάζω σε δύο τύπους εμπειρίας και υπάρχουν λόγοι για αυτό:

  • Τύπος αλγορίθμων Ολοκληρωμένο ή κλασικό ML έναντι βαθιάς μάθησης. Υπάρχουν υποψήφιοι που δούλεψαν μόνο με βαθιά μάθηση, συμπεριλαμβανομένων των πολύ δομημένων δεδομένων που θα ήταν καλύτερα προσαρμοσμένα σε μοντέλα που βασίζονται σε δέντρα. Αλλά ο ορισμός της δικής σας εργαλειοθήκης μπορεί επίσης να περιορίσει λύσεις και μεθόδους αντιμετώπισης, οπότε θα πρέπει να επεκτείνετε τις γνώσεις σας για να συμπεριλάβετε επιπλέον αλγόριθμους ML ή να εστιάσετε σε τομείς που βασίζονται σε μεγάλο βαθμό στη βαθιά μάθηση. Όπως είπε ο Maslow: “Εάν το μόνο εργαλείο που έχετε είναι ένα σφυρί, έχετε την τάση να βλέπετε κάθε πρόβλημα ως καρφί.”
  • Πεδίο ML Συχνά είναι κατάλληλο σε δύο τομείς που απαιτούν μεγάλη τεχνογνωσία – όραμα υπολογιστή και επεξεργασία φυσικής γλώσσας. Οι ειδικοί σε αυτούς τους τομείς είναι πιο περιζήτητοι, αλλά μπορεί να είναι λιγότερο κατάλληλοι για έναν γενικό ρόλο στην επιστήμη των δεδομένων. Επομένως, εάν το μεγαλύτερο μέρος της εμπειρίας σας είναι στο NLP και υποβάλετε αίτηση για θέση εκτός πεδίου, δοκιμάστε να επισημάνετε έργα στα οποία έχετε εργαστεί σε δομημένα δεδομένα για να δείξετε το φάσμα της εμπειρογνωμοσύνης σας.

Φωτογραφία: Pexels

6. Η τεχνολογική στοίβα

Αυτή η ενότητα μπορεί συνήθως να χωριστεί σε συγκεκριμένες γλώσσες, συγκεκριμένα πακέτα (scikit learning, pandas, dplyr, κ.λπ.), υπηρεσίες cloud (AWS, Azure, GCP) ή άλλα εργαλεία. Μερικοί υποψήφιοι το συγχέουν με αλγόριθμους ή κατασκευές με τις οποίες είναι εξοικειωμένοι (RNN, XGBoost, K-NN). Οι λεπτομέρειες στο βιογραφικό σας ασχολούνται καλύτερα με τεχνικές και εργαλεία, γιατί όταν γράφετε για την εμπειρία με έναν συγκεκριμένο αλγόριθμο, ο υπεύθυνος στρατολόγησης αναρωτιέται αν η θεωρητική σας γνώση της μηχανικής μάθησης περιορίζεται μόνο σε αυτούς τους αλγόριθμους.

Η σημασία του συμπλέγματος τεχνολογίας είναι επίσης σημαντική – είτε πρόκειται για τις τεχνολογίες των τελευταίων ετών (ένα θετικό σημάδι ότι ο υποψήφιος είναι πρακτικός και μαθαίνει νέες δεξιότητες), την παρουσίαση της ομάδας (είναι τα εργαλεία που ορίζονται ή είναι εξοικειωμένα με πολλά πράγματα) και πόσο καλά ταιριάζουν στην τεχνολογική σουίτα (πόσο θα χρειαζόμαστε Εκπαίδευση υποψηφίων).

7. Έργα

Υπάρχει κάτι που έχετε εργαστεί και μπορείτε να μοιραστείτε στο Github; Οποιοσδήποτε διαγωνισμός Kaggle ή δευτερεύον έργο μπορεί να είναι επωφελής και η προσθήκη συνδέσμων θα επιτρέπει στους διαχειριστές να βλέπουν σύντομο κώδικα, τύπους προεπεξεργασίας, μηχανική χαρακτηριστικών, EDA, επιλογή αλγορίθμων και αμέτρητα άλλα θέματα που πρέπει να αντιμετωπιστούν σε ένα πραγματικό έργο. Εάν δεν έχετε μεγάλη εμπειρία, υπάρχει μια καλή πιθανότητα να ερωτηθείτε για ένα ή περισσότερα από αυτά τα έργα. Σε μερικές από τις συνεντεύξεις που πραγματοποιήθηκαν, οι υποψήφιοι δεν θυμόταν πολλά από τα έργα και δεν μπορέσαμε να αναπτύξουμε μια συζήτηση σχετικά με τις επιλογές που έγιναν και τους λόγους πίσω τους. Βεβαιωθείτε ότι θυμάστε την εργασία που κάνατε και αν όχι – μην την συμπεριλάβετε στο βιογραφικό σας. Ομοίως, φροντίστε να παρουσιάσετε το καλύτερο έργο σας – είναι καλύτερα να έχετε 2-3 έργα υψηλής ποιότητας παρά 8-10 έργα μεσαίας ή χαμηλής ποιότητας.



Το άρθρο χρηματοδοτείται από το Riskived

Η Riskived, μια εταιρεία που παρέχει λύσεις πληρωμών και πρόληψη της απάτης σε πιστωτικά μέσα στο ηλεκτρονικό εμπόριο, βοηθά τη βιομηχανία ηλεκτρονικού εμπορίου να πραγματοποιήσει τις πλήρεις δυνατότητές της κάνοντας τη βιομηχανία ένα ασφαλές, προσβάσιμο και κερδοφόρο μέρος. Μεγαλύτερες μάρκες στον κόσμο – Οι αεροπορικές εταιρείες, η πολυτελής μόδα και οι μεγάλες αλυσίδες βασίζονται στον κίνδυνο για αύξηση των εσόδων, διαχείριση κινδύνου και βελτίωση της εμπειρίας των χρηστών. Εμείς στην Riskified Technology συνδυάζουμε την ανάπτυξη προϊόντων σε καθημερινή βάση με την προσωπική και επαγγελματική μας ανάπτυξη και πιστεύουμε στην ανεξαρτησία και τη συνολική ιδιοκτησία των προϊόντων μας. Χρησιμοποιώντας τεράστια ποσά δεδομένων, αλγόριθμους μηχανικής μάθησης και αναλυτικά στοιχεία συμπεριφοράς, ορίζουμε νόμιμες συναλλαγές και δημιουργούμε αξία για τους πελάτες μας. Χρησιμοποιούμε προηγμένες τεχνολογίες (Scala, Kafka, Spark, DynamoDB, Elasticsearch, Airflow), δημιουργούμε εφαρμογές για τους εμπόρους μας (Angular and Node. Js) και χρησιμοποιούμε τις υποδομές που υποστηρίζουν την ταχεία ανάπτυξή μας (Microservices, Kubernetes, Istio, ArgoCD).
Γεια σας και προσκαλέστε Ελα μαζί μας Και διαβάστε περισσότερα Στο blog μας.

εικόνα συμβόλων

Επισκέπτης δημοσιογράφος

Περιστασιακά φιλοξενούμε φιλοξενούμενους συγγραφείς τεχνολογίας που δημοσιεύουν άρθρα στους τομείς εμπειρογνωμοσύνης τους. Εάν ενδιαφέρεστε να δημοσιεύσετε μια ανάρτηση εκ μέρους σας, επικοινωνήστε μαζί μας χρησιμοποιώντας τη φόρμα επικοινωνίας στον ιστότοπο.

READ  Η τεχνητή νοημοσύνη βρίσκει ακριβείς λύσεις στην εξίσωση Schrödinger

Αφήστε μια απάντηση

Η ηλ. διεύθυνση σας δεν δημοσιεύεται. Τα υποχρεωτικά πεδία σημειώνονται με *