İçeriğe geç

Veri Bilimci CV Örneği

Yalnızca model ve kütüphane listeleyen bir Veri Bilimcisi özgeçmişi ilk elemede kalır. Görüşmeyi getiren şey sorudan karara uzanan çizgidir: problemi nasıl kurdunuz, neden o yöntemi seçtiniz ve hangi iş metriği değişti — gelir, kayıp oranı, doğruluk, maliyet.

Örnek Özgeçmiş
Örnek Özgeçmiş: Ayşe Demir, Kıdemli Veri Bilimcisi, makine öğrenimi

Temel Beceriler: Python (Pandas, NumPy, Scikit-learn) · R Programlama · SQL (PostgreSQL, MySQL) · Makine Öğrenimi (Regresyon, Sınıflandırma, Kümeleme) · Derin Öğrenme (TensorFlow, Keras, PyTorch) · İstatistiksel Analiz ve Modelleme · Büyük Veri Teknolojileri (Spark, Hadoop) · Veri Görselleştirme (Tableau, Power BI, Matplotlib) · Bulut Platformları (AWS, Azure, GCP) · A/B Testi ve Deney Tasarımı · Doğal Dil İşleme (NLP) · Problem Çözme ve Analitik Düşünme

Özgeçmiş Yazma İpuçları

Modeli bir iş kararına bağlayın

"XGBoost ile %0,87 AUC" teknik ekibe bir şey söyler, ama işe alım kararını çoğu zaman bir iş birimi yöneticisi de verir. Modelin hangi kararı değiştirdiğini yazın: hangi müşteriye kampanya gideceği, hangi kredinin onaylanacağı, hangi depoya ne kadar stok konacağı ve bunun sonucu.

Canlıya aldığınız işi ayırın

Notebook'ta kalan bir analizle her gün skor üreten bir model farklı deneyimlerdir. Modeli canlıya aldıysanız nasıl servis edildiğini, nasıl izlendiğini, veri kayması olunca ne yaptığınızı yazın (MLflow, Airflow, Docker, bulut servisleri). İşverenlerin aradığı fark çoğu zaman buradadır.

Veriyi ve ölçeği tanımlayın

Hangi tür veriyle çalıştığınızı söyleyin: işlem kayıtları, tıklama verisi, metin, görüntü, zaman serisi. Satır sayısı ya da günlük veri hacmi, Spark veya BigQuery gibi araçları neden kullandığınızı açıklar ve sizin hangi ölçekte rahat olduğunuzu gösterir.

Deneyiminiz azsa çalışmanızı gösterin

Kaggle yarışmaları, GitHub'da açıklamalı projeler, tez ya da yayınlar ilk iş için güçlü kanıttır. Her projede soruyu, veriyi, yöntemi ve sonucu dört satırda anlatın. Türkiye'ye özgü açık verilerle (TÜİK, belediye açık veri portalları) yapılmış bir proje mülakatta konuşacak somut bir konu sağlar.

Analistlikten geçiyorsanız modellemeyi öne alın

Veri analistliğinden gelen adaylar raporlama işlerini uzun anlatma eğilimindedir. Tahmin, sınıflandırma, deney tasarımı gibi modelleme içeren işleri üste koyun, dashboard işlerini kısaltın. SQL ve iş bilgisi güçlü yanınızdır; bunu bir cümleyle söylemek yeterli.

Belgeler ve gereklilikler

Kişisel veriyle çalıştıysanız KVKK'yı anın

Türkiye'de kişisel veriler 2016'da yürürlüğe giren 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) kapsamındadır. Banka, telekom, sağlık ve e-ticaret gibi müşteri verisiyle çalışan işverenler için anonimleştirme, maskeleme ve erişim yetkisi konusundaki deneyiminiz anlamlıdır; yaptıysanız bir satırla yazın. Şirket içi veriyi, müşteri adlarını ya da gizli rakamları CV'de paylaşmayın.

Özet bölümü örnekleri

  • İstatistik mezunuyum. Bitirme projemde İstanbul konut ilanlarıyla bir fiyat tahmin modeli kurdum; bir perakende şirketindeki stajımda müşteri segmentasyonu çalışmasına katkı verdim. Python, pandas, scikit-learn ve SQL kullanıyorum.
  • 5 yıllık veri bilimciyim. Bir telekom şirketinde abone kaybı tahmin modelini geliştirip canlıya aldım; kampanya ekibi modelin seçtiği abonelerde kaybı %12 azalttı. Python, Spark, SQL ve MLflow ile çalışıyor, sonuçları iş birimlerine kendim sunuyorum.
  • 10 yıllık deneyim, 8 kişilik veri bilimi ekibinin lideriyim. Bir bankanın kredi skorlama ve dolandırıcılık tespiti modellerinden sorumluyum; model izleme ve yeniden eğitim sürecini kurarak bir modeli canlıya alma süresini aylardan haftalara indirdik.

Güçlü Özgeçmiş Maddeleri

  • Geliştirilen regresyon modeli ile müşteri churn oranını %12 düşürerek yıllık 500.000 TL tasarruf sağlandı.
  • Büyük veri setleri üzerinde (2 TB+) Spark kullanarak analizler gerçekleştirildi ve raporlama süreleri %30 kısaltıldı.
  • Derin öğrenme tabanlı görüntü işleme algoritması geliştirilerek ürün kalite kontrolünde hata oranı %15 azaltıldı.
  • A/B testleri tasarlanıp uygulanarak yeni özelliklerin kullanıcı etkileşimi üzerindeki etkisi %20 artırıldı.
  • Python ve SQL kullanarak veri temizleme ve özellik mühendisliği süreçleri otomatikleştirildi, veri hazırlık süresi %25 hızlandırıldı.
  • İstatistiksel modelleme ile pazarlama kampanyalarının ROI'si %10 iyileştirildi, bütçe tahsisinde daha bilinçli kararlar alındı.

Sık sorulan sorular

İlanların bir kısmında tercih sebebidir, özellikle araştırma ağırlıklı rollerde. Canlıya alınmış modeller ve somut iş sonuçları çoğu ilanda dereceden daha belirleyicidir. Yüksek lisansınız varsa tez konusunu bir satırla yazın.

Analist CV'si raporlama, dashboard ve iş sorularını yanıtlamayı öne çıkarır. Veri bilimci CV'si model kurmayı, deney tasarımını ve modelin canlıdaki etkisini öne çıkarır. Başvurduğunuz role göre aynı işi farklı yönden anlatabilirsiniz.

Şirketin ve müşterinin adını vermeden problem türünü, yöntemi ve oransal sonucu yazın: "Bir perakende zinciri için talep tahmini, stok fazlası %15 azaldı." Ayrıntıları mülakatta sözleşmenin izin verdiği ölçüde anlatırsınız.

Evet, özellikle deneyiminiz azsa. Yarışmanın adını, sıralamanızı ve kullandığınız yaklaşımı tek satırda yazın. Deneyim arttıkça bu satırı kısaltın; iş sonuçları yerini alır.

Python ve SQL'i, kullandığınız temel kütüphaneleri (pandas, scikit-learn, PyTorch gibi), büyük veri ve bulut araçlarını ve canlıya alma araçlarını gruplayarak yazın. Bir kez denediğiniz bir kütüphaneyi listeye eklemeyin.

Profesyonel bir özgeçmiş oluşturun

Rolünüze uygun bir özgeçmişle başlayın — sonrasında ResumeQuick uygun ilanları bulur ve bir sonraki adımı söyler.