管理Riskified的数据科学部门需要大量招聘-我们已经增加了一倍以上我ñ不到一年的时间，和半。作为几个职位的招聘经理，我还阅读了很多简历。招聘人员可在7.4秒内通过简历进行筛选，并且在招聘了几年之后，我的平均时间相当快，但还不是那么极端。在此博客中，我将引导您完成个人启发式搜索（“作弊”），以帮助我筛选简历。虽然我不能保证其他人使用相同的启发式方法，并且每个角色在重要性上的不同角色也会有所不同，但是注意这些要点可以帮助您克服CV筛选阶段。此外，其中一些启发式方法可能看起来不公平，或者可能会忽略合格的候选人。我同意不投资简历的有才华的机器学习从业者可能会被此屏幕拒绝，但这是考虑时间的最佳折衷方案。请记住，一个备受追捧的职位可能会吸引一百或更多的简历。如果您想要一个高效的过程，则简历屏幕必须快速。
以下是用于快速筛选数据科学简历的7种启发式方法：
1.之前作为数据科学家的经验
我将快速浏览您的简历，以查看您以前的职位，并查看标记为“数据科学家”的职位。还有其他一些相邻的术语（取决于我要聘用的职位），例如“机器学习工程师”，“研究科学家”或“算法工程师”。我不将“ Data Analyst”包含在此类别中，因为日常工作通常与Data Scientist的工作不同，并且Data Analyst头衔是一个极为宽泛的术语。
如果您在目前的工作中从事数据科学工作，并且还有其他创造性的工作描述，那么将自己的头衔更改为数据科学家可能是您的最大利益。对于实际上是数据科学家的数据分析师来说，这可能是非常正确的。请记住，即使CV包含您所从事的项目的描述（并且包括机器学习），但Data Scientist以外的标题也会增加不必要的歧义。
此外，如果您曾在该领域接受过数据科学训练营或全职硕士课程，则这可能会被视为您数据科学经验的开始（除非您之前曾担任过类似的角色，否则将在以后阶段提出问题） ）。
2.以业务为导向的成就
理想情况下，我想阅读您的工作（技术方面）以及业务成果。缺乏能够以业务术语进行交流的精通技术的数据科学家。如果您可以共享您的工作所影响的业务KPI，那在我的书中会大为赞赏。例如，表明您的模型在AUC方面的改进是可以的，但是解决因模型改进而带来的转换率提高意味着您“得到了”-最终，业务影响才是真正重要的。比较以下以相同的重点（技术性还是商业性）描述相同工作的替代方案：
一个。银行贷款违约率模型-将模型的精确召回AUC从0.94改进到0.96。
b。银行贷款违约率模型-在保持恒定违约率的同时，将业务部门的年收入提高了3％（每年50万美元）。
3.教育
您的正规教育是什么，在哪个领域。它是知名机构吗？对于较新的应届毕业生，我还将研究他们的GPA以及他们是否获得过任何卓越奖或荣誉，例如进入Rector或Dean的榜单。由于数据科学是一个广阔的领域，没有任何标准化的测试或必需的知识，因此人们可以采用各种方法进入该领域。在上一个博客中，我描述了进入该领域的3条主要途径，并根据您的教育程度和时间安排，确定您可能选择了哪一条。因此，时间安排有助于理解您的故事-您如何以及何时过渡到数据科学。如果您没有任何数据科学方面的正规教育，那很好，但是您需要展示该领域的工作记录和/或相似领域的高级学位。
4.布局/视觉吸引力
我看过一些漂亮的简历（为个人灵感而保存了其中的一些），但我还收到了缺少任何格式的文本文件（.txt）。从事简历工作可能会很痛苦，如果您选择数据科学作为自己的工作，那么很有可能您不喜欢在业余时间创建美学设计。无需过度投入，您确实想要寻找一个不错的模板，该模板使您能够在有限的空间内获得所有信息。明智地使用空间-拆分页面并突出显示不属于按时间顺序进行的工作/教育的特定部分很有用。这可以包括您熟悉的技术堆栈，自我项目列表，到github或博客的链接以及其他。一些简单的图标也可以帮助强调节标题。
许多候选人在他们熟悉的每种语言/工具旁边使用1-5个星号或条形图。就个人而言，出于以下几个原因，我不是这种方法的忠实支持者：
- 这是非常主观的-您的“ 5星”是否与其他人的“ 2星”相同？
- 他们将语言与工具混合在一起，在最坏的情况下，他们将其与软技能结合在一起-说您在“领导力”课程中的“ 4.5星”没有帮助。作为坚强的成长心态的信奉者，声称要最大限度地发挥技能（尤其是难以量化和难以掌握软技能）感到非常自负。
我还通过采取主观措施并将其转换为饼图（30％python，10％团队合作者等），进一步看到了这种方法的滥用。尽管这可能被认为是一种脱颖而出的创新方法，但它表明在不同图表的概念背后缺乏基本的了解。
这是我在视觉上吸引人的简历的两个示例，细节因匿名而模糊不清。
信用Eva Mishor
视觉化的数据科学家简历，细节模糊。请注意，两个示例中使用的垂直拆分是用来区分经验，技能，成就和出版物的。在这两种情况下，简短的摘要段落都有助于描述他们的背景和愿望。经所有者许可后使用。
5.机器学习的多样性
我寻找两种类型的品种：
- 算法类型-结构化/经典ML与深度学习。一些候选人仅与深度学习合作，包括可能更适合基于树的模型的结构化数据。虽然成为DL专家本身没有任何问题，但限制工具集可能会限制您的解决方案。正如马斯洛所说：“如果您仅有的工具是锤子，那么您往往会把所有问题都看作钉子。” 在Riskified中，我们处理结构化，领域驱动，功能工程化的数据，最好用各种形式的增强树来处理。有人的整个简历都指向DL，这是一个问题。
- ML领域-这通常与需要大量专业知识的两个领域相关-计算机视觉和NLP。这些领域的专家需求旺盛，在许多情况下，他们的整个职业都将专注于这些领域。虽然这对于要寻找某人从事该领域的工作至关重要，但通常不适合某人担任更一般的数据科学职位。因此，如果您的大部分经验是在NLP上，并且您正在申请域外的职位，请尝试强调职位/项目，因为您正在处理结构化数据以证明多样性。
6.技术栈
通常可以将其分解为语言，特定的程序包（scikit学习，pandas，dplyr等），云及其服务（AWS，Azure，GCP）或其他工具。一些候选人将其与他们熟悉的算法或体系结构（RNN，XGBoost，K-NN）混合在一起。就个人而言，我更喜欢围绕技术和工具展开的工作。当提到特定算法时，我想知道候选人的理论ML知识是否仅限于那些特定算法。
在这里，我正在寻找技术堆栈的相关性-它们是否来自最近几年（这是应聘者亲身实践并学习新技能的积极信号），堆栈的广度（它们是否仅限于特定领域？工具，或者他们熟悉很多东西）以及与我们的堆栈相适应（我们需要教多少）。
7.项目
您有可以在GitHub上共享的东西吗？任何Kaggle竞赛或附带项目都可能会非常有帮助，使您可以查看简洁的代码，预处理的类型，功能工程，EDA，算法的选择以及现实项目中需要解决的无数其他问题。将链接添加到您的GitHub和Kaggle帐户，以供访问员深入研究您的代码。如果您没有太多经验，很有可能会询问您有关这些项目中的一个或多个的信息。在我进行的一些采访中，候选人对这个项目不太记得，我们也无法就他们所做的选择及其背后的原因展开对话。确保重新完成所做的工作或将其排除在简历之外。同样，请确保您展示了自己的最佳作品，并且已经投入了足够的时间和精力。最好有2–3个高质量项目，而不是8–10个中等（或更低）质量的项目。
概括
如果您正在寻找新的数据科学职位，请花一些时间并仔细阅读本文中的要点。如果您无法勾选所有这些标记，那就很好，但是越多越好。希望这些技巧将帮助您从人群中脱颖而出，并以鲜艳的色彩通过CV屏幕。
#pic_center =450x
参考
https://towardsdatascience.com/7-must-haves-in-your-data-science-cv-9316841aeb78