Muestra el modelo, el dataset, la métrica y el resultado de negocio. ATS-clean, escaneable por reclutador, y construido para el embudo de contratación que filtra por PyTorch, SQL y un modelo desplegado en producción.
Los reclutadores no pueden distinguir a un data scientist serio de un aficionado de Kaggle en 8 segundos de escaneo. Ayúdales: nombra el contexto de despliegue (inferencia en tiempo real detrás de un servicio gRPC, scoring batch en Airflow), la escala de datos de entrenamiento, y la métrica de negocio que movió el modelo.
Las habilidades deben dividirse en 4 grupos: stack ML/DL (PyTorch, sklearn, XGBoost), data engineering (SQL, Spark, dbt, Snowflake), producción (FastAPI, MLflow, Sagemaker), y visualización (Tableau, Looker, matplotlib). No tires todo en un bloque.
Publicaciones y rangos de Kaggle valen una línea cada uno al final, nunca el lede. El lede es el trabajo desplegado.
Ayuda: si eres junior o transicionando desde investigación. Un bloque Proyectos limpio con 3 modelos desplegados, cada uno con dataset, técnica y resultado, supera a un historial laboral escaso.
Daña: si tienes 5+ años en la industria. Una sección Proyectos entonces implica que no tienes suficiente experiencia laboral para llenar la página, lo opuesto a lo que quieres.
Si incluyes proyectos, trata cada uno como un trabajo: línea equivalente a empresa, fechas, 2-3 viñetas cuantificadas.
Historial laboral cronológico inverso con resultados de modelos desplegados, sección de Habilidades agrupada (ML, data engineering, producción, visualización), Formación con título y tema de tesis, y Publicaciones o resultados Kaggle solo si son materiales.
No. Lista frameworks (PyTorch, sklearn, XGBoost, Hugging Face), herramientas con las que construirías sistemas de producción (MLflow, Sagemaker, Ray), y ecosistema (pandas, numpy). Salta cada biblioteca individual de viz y cada herramienta menor de experiment tracking.
Un rango grandmaster sí, en un one-liner cerca del final. Algunos tutoriales terminados no. Los reclutadores descuentan Kaggle como señal primaria porque los datos son demasiado limpios y la métrica demasiado estrecha.
Nombra el tamaño del dataset, la técnica, la baseline y el lift. 'Entrené un clasificador XGBoost en 14M transacciones etiquetadas; elevé el recall de fraude del 71% al 84% con el mismo presupuesto de falsos positivos' es defendible. 'Construí un modelo state-of-the-art' no lo es.
Sí, prominentemente. La mayoría de las ofertas de data science filtran SQL como habilidad requerida dura y el 30% de los candidatos lo omiten porque asumen que es implícito. No lo omitas.
Gratis. PDF o DOCX. Sin tarjeta.
Revisar mi CV →