ကိုယ်ရေးရာဇဝင် အကြိုကြည့်ရှုမှု

အောင်မျိုးသန့်

အကြီးတန်း ဒေတာသိပ္ပံပညာရှင်

[email protected]+95 9 234 567 890ရန်ကုန်၊ မြန်မာယာဉ်မောင်းလိုင်စင်

အလုပ်အကိုင်အကျဉ်းချုပ်

လက်လီရောင်းချမှု၊ ကျန်းမာရေးစောင့်ရှောက်မှုနှင့် ဈေးကွက်သုတေသန နယ်ပယ်များတွင် ရှုပ်ထွေးသော စီးပွားရေးပြဿနာများကို ဖြေရှင်းရန် စက်သင်ယူမှု၊ နက်ရှိုင်းသောသင်ယူမှုနှင့် စာရင်းအင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးချရာတွင် အတွေ့အကြုံ ၅ နှစ်ကျော်ရှိသော ဒေတာသိပ္ပံပညာရှင်။ နှစ်စဉ်ဝင်ငွေ $၃.၂ သန်း တိုးမြှင့်ပေးပြီး လိမ်လည်မှုဆုံးရှုံးမှု $၈၀၀K လျှော့ချပေးသည့် ခန့်မှန်းမော်ဒယ်များ တည်ဆောက်ပြီး အသုံးချထားသည်။ Python, R, SQL နှင့် TensorFlow၊ PyTorch အပါအဝင် ခေတ်မီ ML framework များတွင် ကျွမ်းကျင်ပြီး MLflow, Docker နှင့် AWS SageMaker ကို အသုံးပြု၍ ထုတ်လုပ်မှုတွင် မော်ဒယ်များ အသုံးချခြင်းတွင် လက်တွေ့အတွေ့အကြုံ ရှိသည်။

အလုပ်အတွေ့အကြုံ

အကြီးတန်း ဒေတာသိပ္ပံပညာရှင်

DataTech Myanmar

ဖေဖော်ဝါရီ ၂၀၂၂ - ယခုအချိန်

ဖောက်သည်မှတ်တမ်း ၁၅ သန်းကျော်တွင် XGBoost နှင့် feature engineering ကို အသုံးပြု၍ ဖောက်သည်ထွက်ခွာမှု ခန့်မှန်းမော်ဒယ် တည်ဆောက်ခဲ့ပြီး ၉၂% တိကျမှုရရှိကာ နှစ်စဉ်ဝင်ငွေ $၃.၂ သန်း ခန့်မှန်းခြေ ချွေတာနိုင်ခဲ့သည်
ပူးပေါင်းစစ်ထုတ်ခြင်းနှင့် deep learning embeddings ကို အသုံးပြု၍ ထုတ်ကုန်အကြံပြုမှု engine တည်ဆောက်ခဲ့ပြီး cross-sell conversion ကို ၂၈% တိုးမြှင့်ခဲ့သည်
နေ့စဉ် ၂ သန်းကျော် ငွေကြေးလွှဲပြောင်းမှုများကို ၉၇.၅% တိကျမှုနှုန်းဖြင့် လုပ်ဆောင်သည့် real-time လိမ်လည်မှုရှာဖွေရေး pipeline တည်ဆောက်ရာတွင် ဒေတာသိပ္ပံပညာရှင် ၃ ဦးပါ အဖွဲ့ကို ဦးဆောင်ခဲ့သည်
MLflow, Docker နှင့် AWS SageMaker ကို အသုံးပြု၍ ထုတ်လုပ်မှုတွင် မော်ဒယ်များ အသုံးချခဲ့ပြီး အဖွဲ့၏ ပထမဆုံး စံသတ်မှတ်ထားသော ML deployment pipeline ကို ထူထောင်ခဲ့သည်

ဒေတာသိပ္ပံပညာရှင်

HealthTech Analytics

ဇွန် ၂၀၂၀ - ဇန်နဝါရီ ၂၀၂၂

မှတ်ချက်ပြုထားသော ဆေးဘက်ဆိုင်ရာမှတ်တမ်း ၅၀၀K ကျော်တွင် BERT fine-tuning ကို အသုံးပြု၍ ၉၅% F1 score ရှိသော ဆေးခန်းမှတ်စုများ အမျိုးအစားခွဲခြားခြင်းအတွက် NLP pipeline တည်ဆောက်ခဲ့သည်
ထုတ်ကုန်အဖွဲ့ ၄ ဖွဲ့ အသုံးပြုသော Bayesian analysis ဖြင့် A/B testing framework ဖန်တီးခဲ့သည်
Snowflake data warehouse နှင့် ချိတ်ဆက်ထားသော Tableau တွင် အပြန်အလှန် dashboard များ ဒီဇိုင်းပြုလုပ်ခဲ့ပြီး အမှုဆောင်အစီရင်ခံမှုအချိန်ကို ၇၅% လျှော့ချခဲ့သည်
survival analysis ကို အသုံးပြု၍ လူနာ ပြန်လည်တက်ရောက်မှု အန္တရာယ်မော်ဒယ် တည်ဆောက်ခဲ့ပြီး ၃၀ ရက် ပြန်လည်တက်ရောက်မှုနှုန်းကို ၁၂% လျှော့ချခဲ့သည်

ဒေတာခွဲခြမ်းစိတ်ဖြာသူ

Market Insights Group

ဩဂုတ် ၂၀၁၈ - မေ ၂၀၂၀

Python, R နှင့် SQL ကို အသုံးပြု၍ မှတ်တမ်း ၁၀ သန်းကျော်ပါ စားသုံးသူအပြုအမူ ဒေတာအစုများတွင် စာရင်းအင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု ပြုလုပ်ခဲ့သည်
Gradient boosting ကို အသုံးပြု၍ ခန့်မှန်းစျေးနှုန်းသတ်မှတ်မှု မော်ဒယ် တည်ဆောက်ခဲ့ပြီး margin တိကျမှုကို ၁၅% တိုးတက်စေခဲ့သည်
Python နှင့် Airflow ကို အသုံးပြု၍ လစဉ်အစီရင်ခံမှု pipeline ကို အလိုအလျောက်လုပ်ဆောင်ခဲ့ပြီး လစဉ် လက်ဖြင့်လုပ်ဆောင်ချိန် ၂၀ နာရီ လျှော့ချခဲ့သည်
K-means clustering ကို အသုံးပြု၍ ဖောက်သည် segmentation ခွဲခြမ်းစိတ်ဖြာမှု ပြုလုပ်ခဲ့ပြီး $၂ သန်း ပစ်မှတ်ထား marketing campaign ကို အချက်အလက်ပေးခဲ့သည်

ပညာရေး

စာရင်းအင်း မဟာဘွဲ့

ရန်ကုန်တက္ကသိုလ်

၂၀၁၆ - ၂၀၁၈

စာတမ်း: 'အရင်းအမြစ်နည်းပါးသော ဆေးခန်း NLP အတွက် Transfer Learning နည်းလမ်းများ။' Bayesian inference နှင့် အတိုင်းအတာမြင့် စာရင်းအင်း ဘာသာရပ်များ။

သင်္ချာ ဘွဲ့ကြို

ရန်ကုန်နည်းပညာတက္ကသိုလ်

၂၀၁၂ - ၂၀၁၆

ကွန်ပျူတာသိပ္ပံ အထူးပြု။ ဂုဏ်ထူးဖြင့် ဘွဲ့ရ။ ကွန်ပျူတာတွက်ချက်မှု စာရင်းအင်းတွင် သုတေသန။

သင်တန်းများနှင့် လက်မှတ်များ

နက်ရှိုင်းသောသင်ယူမှု အထူးပြု

Coursera / deeplearning.ai

၂၀၂၁

neural networks, CNN, RNN, sequence models နှင့် hyperparameter tuning တို့ကို ခြုံငုံသော ၅ သင်တန်း အထူးပြု။

AWS Certified Machine Learning - Specialty

Amazon Web Services

၂၀၂၃

အထောက်အထား ID: AWS-MLS-2023-7412

ဒေတာသိပ္ပံအတွက် အကြောင်းရင်းဆိုင်ရာ ကောက်ချက်ချခြင်း

Coursera / Columbia University

2022

အကြောင်းရင်းဆိုင်ရာ ကောက်ချက်ချခြင်းနှင့် စမ်းသပ်ဒီဇိုင်းနည်းလမ်းများ

ဘာသာစကားများ

မြန်မာ

ပြောဆိုခြင်း: မိခင်ဘာသာနားထောင်ခြင်း: မိခင်ဘာသာရေးသားခြင်း: မိခင်ဘာသာ

အင်္ဂလိပ်

ပြောဆိုခြင်း: ကျွမ်းကျင်နားထောင်ခြင်း: ကျွမ်းကျင်ရေးသားခြင်း: ကျွမ်းကျင်

ကျွမ်းကျင်မှုများ

PythonRSQLTensorFlowPyTorchScikit-learnPandasTableauSparkNLPA/B TestingStatistical Modeling

ဤသည်မှာ နမူနာ ကိုယ်ရေးရာဇဝင် ဖြစ်သည်။ ကျွန်ုပ်တို့၏ အခမဲ့ ကိုယ်ရေးရာဇဝင် တည်ဆောက်သူကို အသုံးပြု၍ သင့်အတွေ့အကြုံဖြင့် စိတ်ကြိုက်ပြင်ဆင်ပါ။

ကိုယ်ရေးရာဇဝင် အကြံပြုချက်များ

စီးပွားရေး သက်ရောက်မှုကို ပမာဏအဖြစ် ဖော်ပြပါ

'မော်ဒယ်တစ်ခု တည်ဆောက်ခဲ့သည်' ဟု သာမက 'နှစ်စဉ် $၃.၂ သန်း ချွေတာပေးသော ဖောက်သည်ထွက်ခွာမှု ခန့်မှန်းမော်ဒယ် တည်ဆောက်ခဲ့သည်' ဟု ပြောပါ။ နည်းပညာအလုပ်ကို အလုပ်ရှင်များ နားလည်နိုင်သော စီးပွားရေးရလဒ်များအဖြစ် ဘာသာပြန်ပါ။

မော်ဒယ်စွမ်းဆောင်ရည် မက်ထရစ်များကို ဖော်ပြပါ

တိကျမှု၊ F1 scores၊ AUC-ROC သို့မဟုတ် အခြားသက်ဆိုင်သော မက်ထရစ်များကို ထည့်သွင်းပါ။ '၉၂% တိကျမှု ရရှိခဲ့သည်' သည် သင့်မော်ဒယ်များ အမှန်တကယ် အလုပ်လုပ်ကြောင်း သက်သေပြသည်။

Pipeline အပြည့်အစုံကို ပြသပါ

ဒေတာသိပ္ပံသည် modeling ထက် ပိုပါသည်။ ဒေတာရှင်းလင်းခြင်း၊ feature engineering၊ deployment နှင့် monitoring ကို ဖော်ပြပါ။ ပရောဂျက်တစ်ခုကို raw data မှ production အထိ ယူဆောင်နိုင်ကြောင်း ပြသပါ။

ထုတ်ဝေမှုများနှင့် သုတေသနကို ထည့်သွင်းပါ

ထုတ်ဝေထားသော စာတမ်းများ၊ ကွန်ဖရင့်ဆွေးနွေးချက်များ သို့မဟုတ် open-source ပံ့ပိုးမှုများ ရှိပါက ၎င်းတို့ကို ထည့်သွင်းပါ။ ၎င်းတို့သည် တွေးခေါ်မှုခေါင်းဆောင်မှုနှင့် နက်ရှိုင်းသော ကျွမ်းကျင်မှုကို သရုပ်ပြသည်။

အဓိက ကျွမ်းကျင်မှုများ

PythonRSQLစက်သင်ယူမှုနက်ရှိုင်းသောသင်ယူမှု (TensorFlow/PyTorch)စာရင်းအင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုNLPA/B စမ်းသပ်ခြင်းဒေတာမြင်ယောင်ခြင်း (Tableau)Spark/Big Dataဖီချာအင်ဂျင်နီယာရင်းမော်ဒယ် Deployment

ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင် ဘယ်လိုရေးမလဲ

Recruiter များနှင့် ATS စနစ်များနှစ်ခုစလုံးအတွက် ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင်ကို ဒီဇိုင်းပြုလုပ်ရန် လိုအပ်သည်။ အောက်ပါ အဆင့် ၅ ဆင့်သည် သင့်ကျွမ်းကျင်မှု၊ စီးပွားရေးသက်ရောက်မှုနှင့် ပရောဂျက်များကို ခိုင်မာစွာ ဖော်ပြရန် အကူအညီပေးသည်။ Python, SQL, machine learning စွမ်းရည်များကို ရှင်းလင်းစွာ ပြသကာ keyword များနှင့် ကိုက်ညီအောင် ရေးဆွဲပါ။

ပရော်ဖက်ရှင်နယ် အနှစ်ချုပ်ကို ၃ လိုင်းဖြင့် အားကောင်းအောင်ရေးပါ

အနှစ်ချုပ်တွင် အတွေ့အကြုံနှစ်အရေအတွက် (ဥပမာ - 'ဒေတာသိပ္ပံပညာရှင် ၅ နှစ်'), အထူးပြု နယ်ပယ် (fintech, healthcare, retail), အဓိက toolkit (Python, SQL, TensorFlow/PyTorch, Spark) နှင့် စီးပွားရေးသက်ရောက်မှု ဂဏန်းတစ်ခု (ဥပမာ - 'နှစ်စဉ်ဝင်ငွေ $၃ သန်း တိုးမြှင့်ပေးသည့် ခန့်မှန်းမော်ဒယ်') ကို လိုင်း ၃ လိုင်းအတွင်း ထည့်သွင်းပါ။ Recruiter တစ်ဦးသည် ကိုယ်ရေးရာဇဝင်တစ်စောင်ကို စက္ကန့် ၆-၇ စက္ကန့်သာ ကြည့်ရှုသည်ဟု လေ့လာမှုများက ဆိုသည်၊ ထို့ကြောင့် အနှစ်ချုပ်သည် သင့် value proposition ကို ချက်ချင်း ဖော်ပြရမည်။

အလုပ်အတွေ့အကြုံ အချက်များကို ဒေတာသိပ္ပံ မက်ထရစ်ဖြင့် ပမာဏချပြပါ

'မော်ဒယ်တစ်ခု တည်ဆောက်ခဲ့သည်' ဆိုသည့် ယေဘုယျစာကြောင်းများကို ရှောင်ပါ။ ယင်းအစား တိကျမှု/AUC တိုးတက်မှု၊ ဝင်ငွေ သို့မဟုတ် ကုန်ကျစရိတ် သက်ရောက်မှု၊ လုပ်ဆောင်ထားသော ဒေတာပမာဏ၊ pipeline latency သို့မဟုတ် A/B testing ရလဒ်များကို ဖော်ပြပါ။ ဥပမာ - 'Feature engineering နှင့် XGBoost ကို အသုံးပြု၍ ဖောက်သည်ထွက်ခွာမှု မော်ဒယ် တည်ဆောက်ခဲ့ပြီး တိကျမှု ၉၂% ရရှိကာ နှစ်စဉ်ဝင်ငွေ $၃.၂ သန်း ချွေတာပေးခဲ့သည်။' Action verb ဖြင့် စတင်ပြီး tool/method အမည်ကို တိကျစွာဖော်ပြပါ။

နည်းပညာကျွမ်းကျင်မှု section ကို အုပ်စုလိုက်စုစည်းပြီး အလုပ်ကြော်ငြာနှင့် ကိုက်ညီအောင်ပြုလုပ်ပါ

ကျွမ်းကျင်မှုများကို ဘာသာစကားများ (Python, R, SQL), ML libraries (Scikit-learn, XGBoost, PyTorch, TensorFlow), ဒေတာ/infra tools (Spark, Airflow, dbt, AWS/GCP) နှင့် BI tools (Tableau, Power BI) ဟူ၍ အုပ်စု ၄ စု ခွဲပါ။ အလုပ်ကြော်ငြာကို ဂရုတစိုက်ဖတ်ပြီး ၎င်းတွင်ဖော်ပြထားသော နည်းပညာများကို သင့် skills section တွင် အတိအကျ ထည့်သွင်းပါ - ATS စနစ်များသည် keyword match ကို scan လုပ်သောကြောင့်ဖြစ်သည်။ မကျွမ်းကျင်သေးသော tool ကို မထည့်ပါနှင့်၊ interview တွင် မေးခွန်းရလာနိုင်သည်။

ပရောဂျက်နှင့် Portfolio (Kaggle, GitHub notebooks) ကို ထည့်သွင်းပါ

အတွေ့အကြုံနည်းသေးလျှင် သို့မဟုတ် ပညာရေးနယ်ပယ်မှ ဒေတာသိပ္ပံသို့ ကူးပြောင်းနေလျှင် ပရောဂျက် section က အရေးအကြီးဆုံး ဖြစ်လာသည်။ Kaggle competition, GitHub ပေါ်ရှိ notebook များ သို့မဟုတ် end-to-end ပရောဂျက် (ဒေတာစုဆောင်းခြင်းမှ deployment အထိ) ကို ထည့်ပါ၊ ၎င်းတို့ကို ဖြေရှင်းသည့် စီးပွားရေးပြဿနာဖြင့် framing လုပ်ပါ။ Notebook ဆယ်ခုထက် deploy လုပ်ထားသော မော်ဒယ်တစ်ခုက ပိုသက်သေပြနိုင်သည်။ Link များ (github.com/username, kaggle.com/username) ကို contact info အောက်တွင် ထည့်ပါ။

ပညာရေး၊ Cloud/ML လက်မှတ်များနှင့် နောက်ဆုံး ATS စစ်ဆေးမှုများ

ဘွဲ့ (စာရင်းအင်း, ကွန်ပျူတာသိပ္ပံ, သင်္ချာ) ကို institution/နှစ်နှင့်တကွ ဖော်ပြပြီး AWS Certified Machine Learning, Google Cloud Professional ML Engineer ကဲ့သို့ cloud/ML လက်မှတ်များ ရှိပါက ထည့်ပါ။ နောက်ဆုံး submit မလုပ်မီ - column တစ်ခုတည်း layout သုံးပါ၊ table, chart, graphic များကို CV ထဲမှာ မထည့်ပါနှင့် (ATS parser များ ကွက်လပ်ဖြစ်တတ်သည်), PDF အဖြစ် save လုပ်ပါ၊ font standard တစ်ခု အသုံးပြုပါ။

ကူးယူအသုံးပြုနိုင်သော ဒေတာသိပ္ပံပညာရှင် Professional Summary နမူနာများ

အောက်ပါ အနှစ်ချုပ် နမူနာ ၃ ခုကို အခြေခံအဆင့်အလိုက် လိုက်နာပြီး သင့်ကိုယ်ပိုင် toolkit နှင့် ရလဒ်ဂဏန်းများဖြင့် ပြင်ဆင်အသုံးပြုနိုင်သည်။

အသစ်လောင်း / ဘွဲ့ရထွက် (Junior)

Python, Pandas နှင့် Scikit-learn တွင် ကျွမ်းကျင်သော ဒေတာသိပ္ပံ ဘွဲ့ရ လူငယ်။ Internship လုပ်ငန်းတွင် A/B testing framework တစ်ခု တည်ဆောက်ကူညီပေးခဲ့ပြီး checkout conversion ကို ၈% တိုးမြှင့်ခဲ့သည်။ SQL ဖြင့် ဒေတာဘေ့စ် query ရေးသားနိုင်ပြီး Tableau တွင် dashboard များ ဖန်တီးနိုင်သည်။ Kaggle competition ၃ ခုတွင် ပါဝင်ခဲ့ပြီး end-to-end classification ပရောဂျက်များကို GitHub တွင် publish ထားသည်။ ခိုင်မာသော statistics ဘောင်ချက်ဖြင့် စီးပွားရေးပြဿနာများကို ဖြေရှင်းလိုသူ။

အကြီးတန်း (Senior)

Fintech နှင့် e-commerce နယ်ပယ်တွင် အတွေ့အကြုံ ၈ နှစ်ရှိသော အကြီးတန်း ဒေတာသိပ္ပံပညာရှင်။ XGBoost, PyTorch နှင့် Spark ကို အသုံးပြု၍ ML platform တစ်ခုလုံး တည်ဆောက်ခဲ့ပြီး လိမ်လည်မှုဆုံးရှုံးမှု $၈၀၀K လျှော့ချကာ ဒေတာသိပ္ပံပညာရှင် ၅ ဦးကို ဦးဆောင်ခဲ့သည်။ MLOps (MLflow, Docker, AWS SageMaker) တွင် ကျွမ်းကျင်ပြီး ထုတ်လုပ်မှု model deployment pipeline များ ဒီဇိုင်းပြုလုပ်ခဲ့သည်။ Executive stakeholder များထံ ရလဒ်များ တင်ပြရာတွင် ကျွမ်းကျင်သူ။

ကွင်းပြောင်းလာသူ (ဥပမာ - analytics/academia/engineering မှ)

ဆေးဘက်ဆိုင်ရာ သုတေသန PhD နောက်ခံမှ ဒေတာသိပ္ပံသို့ ကူးပြောင်းနေသူ၊ Python, R နှင့် statistical modeling တွင် အခြေခံခိုင်မာသည်။ Bayesian inference သုတေသနကို production-ready ML မော်ဒယ်လမ်းသို့ ကူးပြောင်းရန် Coursera deep learning specialization နှင့် end-to-end Kaggle ပရောဂျက် ၄ ခု ပြီးမြောက်ခဲ့သည်။ Peer-reviewed စာတမ်း ၃ စောင် ထုတ်ဝေခဲ့ပြီး large-scale dataset များကို ခွဲခြမ်းစိတ်ဖြာသည့် အတွေ့အကြုံရှိသည်။ Rigorous သုတေသနစဉ်ဆက်ခြင်းကို applied ML တွင် အသုံးချလိုသူ။

ATS Keyword များနှင့် ၎င်းတို့ကို မည်သို့သုံးရမည်

အလုပ်ကြော်ငြာတွင် သုံးထားသော စကားလုံးအတိအကျကို ကိုယ်ရေးရာဇဝင်တွင် ထင်ဟပ်ပါ - Recruiter နှင့် ATS စနစ် နှစ်ခုစလုံးက ၎င်းတို့ကို scan လုပ်ကြသည်။

Python

Skills section တွင်ဖော်ပြပြီး project bullet များတွင် library အမည်များ (Pandas, NumPy) ဖြင့် အတည်ပြုပါ။

SQL

Query optimization သို့မဟုတ် large dataset extraction အတွေ့အကြုံနှင့်တွဲ၍ ဖော်ပြပါ။

Machine Learning

Supervised/unsupervised algorithm အမျိုးအစား တိတိကျကျ (XGBoost, Random Forest) ဖြင့် backup လုပ်ပါ။

Deep Learning

CNN, RNN သို့မဟုတ် transformer architecture များကို အသုံးပြုထားသည့် ပရောဂျက်တွင် ထည့်ပါ။

PyTorch/TensorFlow

အသုံးပြုသည့် framework ကိုသာ ဖော်ပြပါ၊ နှစ်ခုလုံးမကျွမ်းကျင်ပါက တစ်ခုတည်း ရေးပါ။

Spark

Big data pipeline သို့မဟုတ် distributed computing အတွေ့အကြုံ ရှိမှသာ ထည့်ပါ။

A/B Testing

စမ်းသပ်မှု design, statistical significance ကို ဖော်ပြသည့် bullet တွင် တွဲသုံးပါ။

Statistical Modeling

Regression, hypothesis testing, Bayesian methods ကဲ့သို့ concrete technique တစ်ခုနှင့်တွဲပါ။

NLP

Text classification, sentiment analysis စသည့် တိကျသောအသုံးချမှုနှင့် ထည့်ပါ။

MLOps/Model Deployment

MLflow, Docker, cloud platform (AWS/GCP) အမည်များဖြင့် ခိုင်မာအောင်ပြုလုပ်ပါ။

အလုပ်အတွေ့အကြုံ Bullet - အားနည်းသည့်ပုံစံနှင့် အားကောင်းသည့်ပုံစံ

အောက်ပါ ဥပမာ ၃ ခုသည် တူညီသောအလုပ်ကို action verb, tool အမည်နှင့် ဂဏန်းရလဒ်ဖြင့် မည်သို့ ပြန်လည်ရေးသားရမည်ကို ပြသသည်။

ဖောက်သည်ထွက်ခွာမှု မော်ဒယ် လုပ်ငန်း

ဖောက်သည်ထွက်ခွာမှု ခန့်မှန်းရန် machine learning မော်ဒယ် တည်ဆောက်ခဲ့သည်။

Feature engineering နှင့် XGBoost ကို အသုံးပြု၍ ဖောက်သည်ထွက်ခွာမှု ခန့်မှန်းမော်ဒယ် တည်ဆောက်ခဲ့ပြီး ၉၂% တိကျမှုရရှိကာ နှစ်စဉ်ဝင်ငွေ $၃.၂ သန်း ခန့်မှန်းခြေ ချွေတာနိုင်ခဲ့သည်။

ဒေတာ Pipeline / Infrastructure လုပ်ငန်း

လုပ်ငန်းအတွက် ဒေတာ pipeline များ တည်ဆောက်ခဲ့သည်။

Airflow နှင့် dbt ကို အသုံးပြု၍ ရင်းမြစ် ၅ ခုမှ ဒေတာကို ပေါင်းစည်းသည့် ETL pipeline တည်ဆောက်ခဲ့ပြီး လုပ်ငန်းနေ့စဉ် ဒေတာသန့်စင်ချိန် ၆ နာရီမှ ၂၀ မိနစ်သို့ လျှော့ချကာ downstream dashboard ၁၂ ခု၏ ယုံကြည်စိတ်ချရမှုကို တိုးမြှင့်ခဲ့သည်။

စမ်းသပ်ခြင်းနှင့် Stakeholder ဆက်ဆံရေး လုပ်ငန်း

Product team နှင့် ပူးပေါင်းပြီး A/B test များ လုပ်ဆောင်ခဲ့သည်။

Bayesian A/B testing framework ဒီဇိုင်းပြုလုပ်ပြီး product team ၄ ဖွဲ့ကို အသုံးပြုစေခဲ့ကာ checkout flow စမ်းသပ်မှုမှ conversion ကို ၉% တိုးမြှင့်ပေးသည့် ရလဒ်ကို C-suite အား ဆွေးနွေးတင်ပြခဲ့သည်။

မေးလေ့မေးထ ရှိသော မေးခွန်းများ

ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင်တွင် ဘာတွေ ပါဝင်သင့်သနည်း?

ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင်တွင် ပရိုဂရမ်ရေးသားမှု ကျွမ်းကျင်မှု (Python, R, SQL)၊ စက်သင်ယူမှု framework များ၊ စာရင်းအင်းနည်းလမ်းများ၊ စီးပွားရေးသက်ရောက်မှု မက်ထရစ်များ၊ ပညာရေး (မကြာခဏ ဘွဲ့လွန်ဘွဲ့များ) နှင့် သက်ဆိုင်သော ပရောဂျက်များ သို့မဟုတ် ထုတ်ဝေမှုများ ပါဝင်သင့်သည်။

ဒေတာသိပ္ပံ ကိုယ်ရေးရာဇဝင်အတွက် မဟာဘွဲ့ လိုအပ်ပါသလား?

ဒေတာသိပ္ပံ အလုပ်ကြော်ငြာများစွာသည် ဘွဲ့လွန်ဘွဲ့များကို ဦးစားပေးသော်လည်း ၎င်းတို့သည် အမြဲတမ်း မလိုအပ်ပါ။ ခိုင်မာသော ပရောဂျက်အတွေ့အကြုံ၊ သက်ဆိုင်သော လက်မှတ်များ (AWS ML Specialty ကဲ့သို့) နှင့် သရုပ်ပြထားသော စီးပွားရေးသက်ရောက်မှုတို့က အစားထိုးနိုင်သည်။

ကျွန်ုပ်၏ ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင်ကို ATS-အဆင်ပြေ ဖြစ်အောင် ဘယ်လိုလုပ်မလဲ?

စံ section ခေါင်းစဉ်များ အသုံးပြုပါ၊ နည်းပညာများကို အမည်အတိအကျ ဖော်ပြပါ (TensorFlow, 'ML frameworks' မဟုတ်)၊ အလုပ်ဖော်ပြချက်မှ keyword များ ထည့်သွင်းပါ၊ သန့်ရှင်းသော column တစ်ခုတည်း format ကို အသုံးပြုပါ။

ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင်ကို အခမဲ့ ဖန်တီးနိုင်ပါသလား?

ဟုတ်ကဲ့။ NoBsResume သည် ဝှက်ထားသော ကုန်ကျစရိတ်မရှိဘဲ ၁၀၀% အခမဲ့ ဖြစ်သည်။ နည်းပညာဆိုင်ရာ ရာထူးများအတွက် ကောင်းမွန်အောင်ပြုလုပ်ထားသော ATS-အဆင်ပြေ ပုံစံတစ်ခု ရွေးချယ်ပါ၊ သင့်ဒေတာသိပ္ပံ အတွေ့အကြုံကို ထည့်ပါ၊ ချက်ချင်း PDF အဖြစ် ဒေါင်းလုဒ်လုပ်ပါ။

ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင် ပုံစံ (Template) ကို ဒေါင်းလုဒ်လုပ်နိုင်ပါသလား?

ဒေါင်းလုဒ်ချရန် စာရင်းသွင်းစရာ မလိုပါ။ ဤစာမျက်နှာမှာ ပြထားသော ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင် နမူနာကို NoBsResume ၏ အခမဲ့ builder တွင် တိုက်ရိုက်ဖွင့်ပြီး ပြင်ဆင်နိုင်ပါသည်။ ATS-အဆင်ပြေ ပုံစံ ၃ မျိုးအနက် ရွေးချယ်ကာ သင့်အချက်အလက်များ ထည့်ပြီးနောက် ချက်ချင်း PDF ဒေါင်းလုဒ်ရယူနိုင်သည်။

အတွေ့အကြုံမရှိသေးသော (Fresher) ဒေတာသိပ္ပံပညာရှင်အတွက် ကိုယ်ရေးရာဇဝင် ဘယ်လိုရေးမလဲ?

အလုပ်အတွေ့အကြုံ အနည်းငယ်သာရှိလျှင် ပရောဂျက် section ကို ဦးစားပေးပါ - Kaggle competition, university capstone project, Coursera/DataCamp သင်တန်းလုပ်ငန်းများနှင့် internship ကို GitHub link များနှင့်တကွ ဖော်ပြပါ။ Statistics/CS ဘွဲ့ GPA ကောင်းလျှင် ထည့်ပါ။ Business framing ရှိသော ပရောဂျက်တစ်ခု (ပြဿနာ → နည်းလမ်း → ရလဒ်) က အတွေ့အကြုံ ကွက်လပ်ကို အထိရောက်ဆုံး ဖြည့်ပေးသည်။

ဒေတာသိပ္ပံ ကိုယ်ရေးရာဇဝင်ကို အင်္ဂလိပ်လို ရေးသင့်သလား၊ မြန်မာလို ရေးသင့်သလား?

မြန်မာနိုင်ငံရှိ ဒေတာသိပ္ပံ အလုပ်အများစုမှာ multinational, NGO, fintech, remote/foreign employer များ ဖြစ်သောကြောင့် အင်္ဂလိပ်လို ကိုယ်ရေးရာဇဝင် ရေးသားခြင်းက ပိုအားသာသည်။ Local Myanmar startup များအတွက်ကား မြန်မာဘာသာလည်း လက်ခံသည်။ NoBsResume တွင် နှစ်မျိုးလုံး တည်ဆောက်ကာ ကြော်ငြာ ပရောဂျက်ဖော်ပြချက်ကို ကြည့်၍ ရွေးချယ်နိုင်သည်။

ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင်သည် စာမျက်နှာ ဘယ်နှစ်မျက်နှာ ရှိသင့်သနည်း?

အတွေ့အကြုံ ၅ နှစ်အောက် ဒေတာသိပ္ပံပညာရှင်များအတွက် စာမျက်နှာ ၁ မျက်နှာ လုံလောက်သည်။ အကြီးတန်းသို့မဟုတ် leadership အတွေ့အကြုံရှိလျှင် (၈ နှစ်ကျော်) စာမျက်နှာ ၂ မျက်နှာအထိ ရေးနိုင်သော်လည်း ထို့ထက်မပိုသင့်ပါ - Recruiter သည် အရေးကြီးဆုံး ရလဒ်များကိုသာ လိုချင်သည်။

Kaggle profile နှင့် GitHub ကို ကိုယ်ရေးရာဇဝင်တွင် ထည့်သင့်ပါသလား?

ဟုတ်ကဲ့၊ အထူးသဖြင့် အလုပ်အတွေ့အကြုံ နည်းသေးလျှင် ဒါက အရေးကြီးဆုံး portfolio proof ဖြစ်သည်။ Contact info အောက်တွင် link ထည့်ပြီး၊ competition ရလဒ်များ (medal, ranking) သို့မဟုတ် အကောင်းဆုံး end-to-end notebook ၂-၃ ခုကိုသာ curate လုပ်ပါ - notebook အလုံးစုံမဟုတ်ပါ။

ဒေတာသိပ္ပံပညာရှင် ကိုယ်ရေးရာဇဝင်နှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာသူ ကိုယ်ရေးရာဇဝင် ဘာကွာသလဲ?

ဒေတာသိပ္ပံပညာရှင် CV က machine learning model တည်ဆောက်ခြင်း၊ deployment နှင့် statistical rigor ကို အလေးထားပြီး Python/R programming နက်နဲမှုကို ဖော်ပြသည်။ ဒေတာခွဲခြမ်းစိတ်ဖြာသူ CV က SQL query, reporting, dashboard (Tableau/Power BI) နှင့် business insight ဆက်သွယ်မှုကို ဦးစားပေးသည်။ ကျွမ်းကျင်မှု အနည်းငယ် ထပ်နေသော်လည်း ခေါင်းစဉ်တစ်ခုစီအလိုက် အလေးပေးမှု ကွဲပြားစွာ ရေးသားရမည်။

သင့်ကိုယ်ရေးရာဇဝင်ကို ယခု တည်ဆောက်ပါ

ဤနမူနာကို လှုံ့ဆော်မှုအဖြစ် အသုံးပြုပါ။ သင့်အတွေ့အကြုံဖြင့် စိတ်ကြိုက်ပြင်ဆင်ပြီး မိနစ်ပိုင်းအတွင်း ပရော်ဖက်ရှင်နယ် PDF ဒေါင်းလုဒ်လုပ်ပါ။ ၁၀၀% အခမဲ့။

တည်ဆောက်ခြင်း စတင်ပါ

ဤကိုယ်ရေးရာဇဝင်ကို အခြားဘာသာစကားများဖြင့် ကြည့်ပါ

ဤကိုယ်ရေးရာဇဝင် နမူနာသည် ဘာသာစကား ၆၃ ခုဖြင့် ရရှိနိုင်သည်: