Kuva tekijältä
 

Kun mietin päiviäni opiskelijana, ymmärrän nyt, että datatieteen ansioluettelostani puuttui muutamia tärkeitä asioita. Nämä puutteet johtivat luultavasti siihen, että minut hylättiin useissa työtehtävissä. En vain pystynyt esittelemään itseäni arvokkaana voimavarana mahdollisille tiimeille, vaan minulla oli myös vaikeuksia esitellä kykyäni ratkaista datatieteen ongelmia. Ajan myötä parani kuitenkin ja tein yhteistyötä useiden tiimien kanssa selvittääkseni, mitä minulta puuttui ja kuinka voisin toimia paremmin, jos minun pitäisi aloittaa alusta.

Tässä blogissa kerron 7 asiaa, jotka opiskelijat usein jättävät huomiotta datatieteen ansioluetteloissaan ja jotka voivat estää palkkaavia johtajia kutsumasta heitä haastatteluihin. 

Ansioluettelosi monimutkaisuus teknisillä termeillä, liian suurella tiedolla tai epätavallisilla muodoilla voi johtaa sen hylkäämiseen välittömästi. Ansioluettelosi tulee olla helposti luettava ja ymmärrettävä, jopa sellaiselle, joka ei ole kovin perehtynyt datatieteeseen. Käytä puhdasta, ammattimaista asettelua, jossa on selkeät otsikot, luettelomerkit ja vakiofontti. Vältä tiheitä tekstilohkoja. Muista, että tavoitteena on välittää osaamisesi ja kokemuksesi mahdollisimman nopeasti ja tehokkaasti rekrytointipäällikölle.

Kun luet aiempia työkokemuksiasi tai projektejasi kokemusosiossa, on suositeltavaa keskittyä määrällisesti mitattavissa oleviin saavutuksiin pelkän vastuiden luettelemisen sijaan. 

Esimerkiksi sen sijaan, että sanoisit "Kehitetyt koneoppimismallit", voit kirjoittaa "Kehitettiin koneoppimismalli, joka lisäsi myyntiä 15 %." Tämä osoittaa työsi konkreettisen vaikutuksen ja kykysi saavuttaa tuloksia.

Kun luot luetteloa teknisistä taidoistasi, on tärkeää korostaa niitä, jotka liittyvät suoraan datatieteeseen. Vältä taitoja, jotka eivät liity datatieteeseen, kuten graafinen suunnittelu tai videoeditointi. Pidä luettelo taidoistasi ytimekkäänä ja kirjoita vuosien kokemuksesi kustakin. 

Muista mainita ohjelmointikielet, kuten Python tai R, tietojen visualisointityökalut, kuten Tableau tai Power BI, ja data-analyysityökalut, kuten SQL tai pandat. Lisäksi kannattaa mainita kokemuksesi suosituista koneoppimiskirjastoista, kuten PyTorch tai scikit-learn.

Tietotiede ei ole riippuvainen pelkästään teknisistä kyvyistä. Yhteistyö- ja viestintätaidot ovat tärkeitä. Mukaan lukien kokemukset, joissa olet työskennellyt osana tiimiä, erityisesti monitieteisissä ympäristöissä tai tapaukset, joissa välitit monimutkaisia ​​tietoja ei-teknisille sidosryhmille, voivat osoittaa pehmeät taitosi.

Työnantajat arvostavat käytännönläheistä kokemusta datatieteen alalta. Jos olet suorittanut harjoittelupaikkoja, projekteja tai tutkimusta datatieteen alalla, muista korostaa nämä kokemukset ansioluettelossasi. Sisällytä tiedot projekteistasi, käyttämistäsi työkaluista ja teknologioista sekä saavuttamistasi tuloksista.

Oppilaat aliarvioivat usein merkityksellisten projektien esittelyn voimaa. Olipa kyseessä luokkatehtävä, huippukiviprojekti tai jotain, jonka rakensit huvin vuoksi, sisältää projekteja, jotka osoittavat taitosi tietojen analysoinnissa, ohjelmoinnissa, koneoppimisessa ja ongelmanratkaisussa. Muista kuvata projektin tavoite, roolisi, käytetyt työkalut ja tekniikat sekä tulos. Linkit GitHub-tietovarastoihin tai projektisivustoille voivat myös lisätä uskottavuutta.

Datatieteen ala kehittyy jatkuvasti, ja työnantajat etsivät ehdokkaita, jotka pystyvät sopeutumaan uusiin haasteisiin ja teknologioihin. 

Datatieteilijänä saatat joutua hyppäämään dataanalyytikosta koneoppimisinsinööriksi muutamassa kuukaudessa. Yrityksesi voi jopa pyytää sinua ottamaan käyttöön koneoppimismalleja tuotannossa ja oppimaan hallitsemaan niitä. 

Datatieteilijän rooli on juoksevaa, ja roolin muutoksiin pitää varautua henkisesti. Voit osoittaa sopeutumiskykysi ja ongelmanratkaisukykysi korostamalla kokemuksia, joissa jouduit oppimaan nopeasti uuden työkalun tai tekniikan tai joissa olet onnistuneesti ratkaissut monimutkaisen ongelman.

Verkkoportfolion luominen ja sen jakaminen ansioluetteloosi on erittäin tärkeää. Näin vuokrauspäälliköt voivat nopeasti tarkastella aikaisempia projektejasi ja työkaluja, joita olet käyttänyt tiettyjen tietoongelmien ratkaisemiseen. Voit tutustua huippualustaan ​​datatieteen portfolion luomiseen ilmaiseksi: 7 ilmaista alustaa vahvan tietotiedeportfolion luomiseen

Jos et liitä linkkiä GitHub-tietovarastoon tai henkilökohtaiselle verkkosivustollesi, jossa esittelet projektejasi, on hukattu tilaisuus. 

Yksi tärkeä asia, joka tulee pitää mielessä, kun lähetät ansioluettelosi työhakemusta varten, on muokata sitä työn vaatimusten mukaisesti. Etsi työhön vaadittavat taidot ja yritä sisällyttää ne ansioluetteloosi lisätäksesi mahdollisuuksiasi saada haastattelupuhelu. Ansioluettelosi lisäksi verkostoituminen ja LinkedIn voivat olla erittäin hyödyllisiä työpaikkojen ja freelance-projektien löytämisessä. LinkedIn-profiilisi johdonmukainen ylläpito ja säännöllinen julkaiseminen voivat auttaa vahvistamaan ammatillista läsnäoloasi.
 
 

Abid Ali Awan (@1abidaliawan) on sertifioitu datatieteilijä, joka rakastaa koneoppimismallien rakentamista. Tällä hetkellä hän keskittyy sisällöntuotantoon ja kirjoittaa teknisiä blogeja koneoppimisesta ja datatieteen teknologioista. Abid on koulutukseltaan teknologiajohtamisen maisteri ja tietoliikennetekniikan kandidaatin tutkinto. Hänen visionsa on rakentaa tekoälytuote graafisen hermoverkon avulla opiskelijoille, jotka kamppailevat mielenterveysongelmista.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://www.kdnuggets.com/7-things-students-are-missing-in-a-data-science-resume?utm_source=rss&utm_medium=rss&utm_campaign=7-things-students-are-missing-in-a-data-science-resume