全文共2999字，预计学习时长8分钟
图源：unsplash
我们筛选一份简历只需要7.4秒。有了几年的招聘经验后，我筛选简历的平均速度已经相当快了，但仍有进步的空间。
想知道我们是依据什么筛选简历的么？本文就将为你揭秘。虽然我不能保证其他人也使用相同的方法，不同岗位注重的点可能也不一样，但注意这些点可以帮助你克服简历筛选阶段。
这些方法可能看起来不公平，或者可能会忽略合格的应聘者。一些可能很优秀但未在简历中显示出能力的应聘者可能会被拒绝，但考虑到时间，这是最好的权衡方式。记住，非常受欢迎的职位可能会吸引上百份甚至更多的简历。我们如果想要更高效，简历筛选必须快。
以下是快速筛选数据科学简历的7种方法：
1. 数据科学家的经验
快速浏览一下简历，看看他以前的职位有没有“数据科学家”，或者其他类似的职位，比如“机器学习工程师”、“研究科学家”或“算法工程师”。我没有把“数据分析师”包括在内，因为其日常工作通常与数据科学家不同，数据分析师这个头衔是一个非常宽泛的术语。
如果你目前的工作是从事数据科学工作，却在简历上写了其他创造性的工作经历，那么最好将其改成数据科学家。请记住，即使简历中包含了你参与过的项目的描述（包括机器学习），如果标题不是数据科学家，就会增加不必要的模糊性。
此外，如果你曾参加过数据科学训练营或该领域的全职硕士课程，可能会被认为是你进入数据科学经验的开端（除非你之前做过类似的工作，这将保证在以后的阶段有疑问）。
2. 面向业务的成就
理想情况下，我想看到你做了什么（技术方面）和你的业务成果。有一些数据科学家缺乏技术却倾向于使用商务用语。
如果你能分享对你的工作产生影响的业务kpi，在我这将会得到一个大大的赞。例如，表明你的模型在AUC方面的改进是不错的，但是解决因模型改良而带来的转化率的提高意味着你“掌握了它”——业务影响才是最终真正重要的。
比较以下描述相同工作但侧重点不同的备选方案(技术vs业务)：
· 银行贷款违约率模型——将改进模型的精度——召回AUC曲线从0.94提升到0.96。
· 银行贷款违约率模型——在保持违约率不变的同时，增加业务部门的年收入3%(每年50万美元)。
3.教育
你接受过什么正规的专业教育?这是一个很有名的机构吗?对于刚毕业的学生，我也会查看他们的GPA，以及他们是否获得过任何优秀奖项或荣誉。
数据科学是一个开放的领域，没有任何标准化的测试，也没有任何必要的知识，人们可以通过各种渠道进入这个领域。基于你的教育背景和时间，我会找出你可能选择的一条。
因此，时间线能让招聘者更了解你——你是如何以及何时过渡到数据科学的。如果你没有接受任何数据科学的正规教育，那也没关系，但你需要证明在该领域的工作经验或相关领域的高级学位。
4. 布局/视觉吸引力
图源：unsplash
我看到过一些漂亮的简历，但我也收到过一些没有格式的文本文件(.txt)。写简历是一件痛苦的事情，条件允许的话，你确实需要找一个好的模板，在有限的空间内写上所有内容。
巧妙运用空间——把页面分割开来，突出那些不按时间顺序排列的工作或教育经历的部分是很有用的，包括熟悉的技术栈、项目列表、github或博客等链接；一些简单的图标也可以强调部分标题。
许多应聘者在他们熟悉的语言/工具旁边使用1-5星或柱状图。就我个人而言，我不太喜欢这种排版，原因如下：
· 这是非常主观的——你的“五星”和别人的“两星”是一样的吗？
· 他们把语言和工具混在一起，最糟糕的情况下还会混在软技能上（你的“4.5星”领导力毫无帮助）。作为一个成长型思维的坚定拥护者，声称最大限度地发挥一项技能（尤其是一项难以量化和难以掌握的软技能）让人感觉非常冒昧。
我还看到这种方法被进一步滥用，他们采用了主观的度量并将其变成了饼状图(30%的python、10%的团队合作等等)。虽然这可能是一种与众不同的创造性方法，但它证明了你缺乏对不同图表概念背后的基本理解。下面是我发现的两份在视觉上很吸引人的简历，为了匿名，我给细节打上了马赛克。
在这两份简历中，垂直分隔用于区分经验、技能、成就和出版物，简短的总结段落有助于描述背景和愿望。
5. 机器学习的多样性
我找到了两种多样性，如下：
· 算法类型：结构化/经典ML与深度学习。有些候选人只研究过深度学习，包括结构化数据，这些数据本可以更好地用于基于树的模型。虽然成为DL方面的专家本身没有问题，但是限制工具集会限制你的解决方案。
正如马斯洛所说：“如果你拥有的唯一工具是一把锤子，你往往会把每个问题都视为钉子。”在Riskified，我们处理结构化的、领域驱动的、特征工程的数据，这些数据最好能处理各种形式的促进树。整个简历都指向DL将是一个问题。
· ML领域：这通常涉及两个需要很多专业知识的领域——计算机视觉和NLP。这些领域的专家很抢手，而且在很多情况下，他们的整个职业生涯都将专注于这些领域。如果想找一个在这个领域工作的人，这一点至关重要；但是如果想找一个从事更普泛的数据科学工作的人，这通常是不合适的。
所以，如果你的大部分经验是在NLP领域，而你申请的是该领域以外的职位，试着强调你在结构化数据方面工作过的职位/项目以证明你的多样性。
6. 技术堆栈
这通常可以分解为语言、特定的包(scikit learn、panda、dplyr等)、云及其服务(AWS、Azure、GCP)或其他工具，一些应聘者将其与他们熟悉的算法或架构(RNN、XGBoost、K-NN)混淆。就我个人而言，我更倾向于以技术和工具为中心；当提到一个特定的算法时，我想知道应聘者的ML理论知识是否仅限于这些特定的算法。
在这部分，我正在寻找技术堆栈的相关性-它们是否了解最近几年（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）以及与我们的堆栈匹配多少（我们需要教多少）。
7. 项目
图源：unsplash
你在GitHub上做过可以分享的项目吗？任何Kaggle竞争或子项目都是非常有用的，并且能够查看简洁的代码、预处理类型、特征工程、EDA、算法选择以及在现实项目中需要解决的无数其他问题。在你的GitHub和Kaggle账户上添加一个链接，这样面试官就可以进入你的代码了。
在我参加的一些面试中，面试者对自己项目的印象并不深，我们也无法就他们所做的选择及其背后的原因展开对话。一定要回顾你做过的工作，否则不要把它写进简历。同样，确保要展示你做的最好的工作，并且投入了足够的时间和精力。最好有2-3个高质量的项目，而不是8-10个中等质量的项目。
也许你无法做到上述所有要点也没关系，不过能做到的越多效果会越好。希望这些技巧能帮助你从人群中脱颖而出，顺利通过简历筛选。祝你好运！
一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）
标签：官有,简历,应聘者,招聘,领域,工作,筛选,数据 来源： https://blog.csdn.net/duxinshuxiaobian/article/details/110130914
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。