ការមើលប្រវត្តិរូបជាមុន

សុខ វិចិត្រា

អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាន់ខ្ពស់

[email protected]+855 12 345 678ភ្នំពេញ, កម្ពុជាប័ណ្ណបើកបរប្រភេទ B

សង្ខេបការងារ

អ្នកវិទ្យាសាស្ត្រទិន្នន័យដែលមានបទពិសោធន៍ជាង 5 ឆ្នាំក្នុងការអនុវត្តការរៀនម៉ាស៊ីន ការរៀនស៊ីជម្រៅ និងការវិភាគស្ថិតិដើម្បីដោះស្រាយបញ្ហាអាជីវកម្មស្មុគស្មាញក្នុងវិស័យលក់រាយ សុខភាព និងស្រាវជ្រាវទីផ្សារ។ បានសាងសង់ និងដាក់ពង្រាយគំរូព្យាករណ៍ដែលបង្កើនប្រាក់ចំណូលប្រចាំឆ្នាំ $3.2M និងកាត់បន្ថយការខាតបង់ពីការក្លែងបន្លំ $800K។ មានជំនាញក្នុង Python, R, SQL និង frameworks ML ទំនើបរួមទាំង TensorFlow និង PyTorch។ អ្នកស្រាវជ្រាវដែលបានបោះពុម្ពផ្សាយដោយមានអត្ថបទ 2 ដែលបានពិនិត្យដោយអ្នកជំនាញលើ NLP នៅសន្និសីទ ACL និង EMNLP។

បទពិសោធន៍ការងារ

អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាន់ខ្ពស់

RetailAI Corp.

កុម្ភៈ 2022 - បច្ចុប្បន្ន

បានសាងសង់គំរូព្យាករណ៍ការបាត់បង់អតិថិជនដោយប្រើ XGBoost និង feature engineering លើកំណត់ត្រាអតិថិជន 15M+ សម្រេចបាន 92% accuracy និងរក្សាទុកប្រាក់ចំណូលប្រចាំឆ្នាំប៉ាន់ស្មាន $3.2M
បានអភិវឌ្ឍម៉ាស៊ីនណែនាំផលិតផលដោយប្រើ collaborative filtering និង deep learning embeddings បង្កើនការបម្លែង cross-sell 28%
បានដឹកនាំក្រុមអ្នកវិទ្យាសាស្ត្រទិន្នន័យ 3 នាក់ក្នុងការសាងសង់ pipeline រកឃើញការក្លែងបន្លំ real-time ដំណើរការប្រតិបត្តិការ 2M+ ក្នុងមួយថ្ងៃជាមួយអត្រា precision 97.5%
បានដាក់ពង្រាយគំរូទៅផលិតកម្មដោយប្រើ MLflow, Docker និង AWS SageMaker បង្កើត pipeline ដាក់ពង្រាយ ML ស្តង់ដារដំបូងរបស់ក្រុម
បានបង្ហាញការពិនិត្យប្រតិបត្តិការគំរូ និងការវិភាគផលប៉ះពាល់អាជីវកម្មប្រចាំត្រីមាសដល់ថ្នាក់ដឹកនាំជាន់ខ្ពស់ មានឥទ្ធិពលផ្ទាល់ទៅលើការសម្រេចចិត្តវិនិយោគយុទ្ធសាស្ត្រ $5M+

អ្នកវិទ្យាសាស្ត្រទិន្នន័យ

HealthTech Analytics

មិថុនា 2020 - មករា 2022

បានសាងសង់ NLP pipeline សម្រាប់ការចាត់ថ្នាក់កំណត់ចំណាំព្យាបាលជាមួយ F1 score 95% ដោយប្រើ BERT fine-tuning លើកំណត់ត្រាវេជ្ជសាស្ត្រដែលមានចំណារ 500K+
បានបង្កើតក្របខ័ណ្ឌ A/B testing ជាមួយការវិភាគ Bayesian ដែលប្រើនៅទូទាំងក្រុមផលិតផល 4 ធ្វើស្តង់ដារនិងដំណើរការពិសោធន៍ 30+ ក្នុងមួយត្រីមាស
បានរចនា dashboard អន្តរកម្មក្នុង Tableau ភ្ជាប់ទៅ Snowflake data warehouse កាត់បន្ថយពេលវេលារាយការណ៍ប្រតិបត្តិ 75%
បានអភិវឌ្ឍគំរូហានិភ័យការចូលមន្ទីរពេទ្យឡើងវិញរបស់អ្នកជំងឺដោយប្រើ survival analysis កាត់បន្ថយអត្រាចូលមន្ទីរពេទ្យឡើងវិញក្នុង 30 ថ្ងៃ 12%

អ្នកវិភាគទិន្នន័យ

Market Insights Group

សីហា 2018 - ឧសភា 2020

បានធ្វើការវិភាគស្ថិតិលើសំណុំទិន្នន័យអាកប្បកិរិយាអ្នកប្រើប្រាស់ជាមួយកំណត់ត្រា 10M+ ដោយប្រើ Python, R និង SQL ដើម្បីកំណត់និន្នាការទីផ្សារសំខាន់ៗ
បានសាងសង់គំរូកំណត់តម្លៃព្យាករណ៍ដោយប្រើ gradient boosting ធ្វើឱ្យប្រសើរនូវភាពត្រឹមត្រូវនៃប្រាក់ចំណេញ 15% នៅទូទាំង 3 ប្រភេទផលិតផល
បានស្វ័យប្រវត្តិកម្ម pipeline រាយការណ៍ប្រចាំខែដោយប្រើ Python និង Airflow កាត់បន្ថយកិច្ចការដោយដៃ 20 ម៉ោង/ខែ និងលុបបំបាត់កំហុសបញ្ចូលទិន្នន័យ
បានធ្វើការវិភាគការបែងចែកអតិថិជនដោយប្រើ k-means clustering ផ្តល់ព័ត៌មានដល់យុទ្ធនាការទីផ្សារគោលដៅ $2M ដែលសម្រេចបាន ROI ខ្ពស់ជាង 22% ពីយុទ្ធនាការមុន

ការអប់រំ

អនុបណ្ឌិតស្ថិតិវិទ្យា (M.S.)

សាកលវិទ្យាល័យភូមិន្ទភ្នំពេញ

2016 - 2018

និក្ខេបបទ: 'វិធីសាស្រ្តការរៀនផ្ទេរសម្រាប់ NLP ព្យាបាលដែលមានធនធានតិច។' មុខវិជ្ជារួមទាំង Bayesian inference, causal inference និងស្ថិតិវិមាត្រខ្ពស់។

បរិញ្ញាបត្រគណិតវិទ្យា (B.S.)

វិទ្យាស្ថានបច្ចេកវិទ្យាកម្ពុជា

2012 - 2016

មុខវិជ្ជារងវិទ្យាសាស្ត្រកុំព្យូទ័រ។ បានបញ្ចប់ការសិក្សាដោយមានកិត្តិយស។ ស្រាវជ្រាវស្ថិតិកុំព្យូទ័រក្នុងកម្រិតបរិញ្ញាបត្រ។

វគ្គសិក្សា និងវិញ្ញាបនបត្រ

Deep Learning Specialization

Coursera / deeplearning.ai

2021

វគ្គសិក្សាពិសេស 5 វគ្គគ្របដណ្តប់ neural networks, CNNs, RNNs, sequence models និង hyperparameter tuning។

AWS Certified Machine Learning - Specialty

Amazon Web Services

2023

លេខសម្គាល់វិញ្ញាបនបត្រ: AWS-MLS-2023-7412

Causal Inference for Data Science

Coursera / Columbia University

2022

គ្របដណ្តប់ពិសោធន៍ចៃដន្យ, instrumental variables, regression discontinuity និងវិធីសាស្រ្ត difference-in-differences។

ភាសា

ភាសាខ្មែរ

និយាយ: ភាសាកំណើតស្តាប់: ភាសាកំណើតសរសេរ: ភាសាកំណើត

ភាសាអង់គ្លេស

និយាយ: ស្ទាត់ជំនាញស្តាប់: ស្ទាត់ជំនាញសរសេរ: ស្ទាត់ជំនាញ

ភាសាបារាំង

និយាយ: មធ្យមស្តាប់: មធ្យមសរសេរ: មូលដ្ឋាន

ជំនាញ

PythonRSQLTensorFlowPyTorchScikit-learnPandasTableauSparkNLPA/B TestingStatistical Modeling

នេះគឺជាប្រវត្តិរូបគំរូ។ ប្រើឧបករណ៍បង្កើតប្រវត្តិរូបឥតគិតថ្លៃដើម្បីប្ដូរតាមបទពិសោធន៍ផ្ទាល់ខ្លួនរបស់អ្នក។

គន្លឹះប្រវត្តិរូប

បញ្ជាក់ផលប៉ះពាល់អាជីវកម្មជាលេខ

កុំគ្រាន់តែនិយាយថា 'បានសាងសង់គំរូ'។ សូមនិយាយថា 'បានសាងសង់គំរូព្យាករណ៍ការបាត់បង់អតិថិជនដែលរក្សាទុកប្រាក់ $3.2M ក្នុងមួយឆ្នាំ'។ បកប្រែកិច្ចការបច្ចេកទេសទៅជាលទ្ធផលអាជីវកម្មដែលអ្នកគ្រប់គ្រងជួលយល់បាន។

រៀបរាប់រង្វាស់ប្រសិទ្ធភាពគំរូ

រួមបញ្ចូល accuracy, F1 scores, AUC-ROC ឬរង្វាស់ពាក់ព័ន្ធផ្សេងទៀត។ 'សម្រេចបាន 92% accuracy' បញ្ជាក់ថាគំរូរបស់អ្នកដំណើរការពិតប្រាកដ។

បង្ហាញ Pipeline ពេញលេញ

វិទ្យាសាស្ត្រទិន្នន័យមិនមែនគ្រាន់តែជាការបង្កើតគំរូទេ។ សូមរៀបរាប់អំពីការសម្អាតទិន្នន័យ feature engineering ការដាក់ពង្រាយ និងការតាមដាន។ បង្ហាញថាអ្នកអាចយកគម្រោងពីទិន្នន័យដើមទៅផលិតកម្ម។

បញ្ចូលការបោះពុម្ពផ្សាយ និងស្រាវជ្រាវ

ប្រសិនបើអ្នកមានអត្ថបទបានបោះពុម្ព ការបង្ហាញនៅសន្និសីទ ឬការរួមចំណែកប្រភពបើកចំហ សូមបញ្ចូលវា។ វាបង្ហាញពីការដឹកនាំគំនិត និងជំនាញស៊ីជម្រៅ។

ជំនាញសំខាន់ៗ

PythonRSQLការរៀនម៉ាស៊ីនការរៀនស៊ីជម្រៅ (TensorFlow/PyTorch)ការវិភាគស្ថិតិNLPការធ្វើតេស្ត A/Bការបង្ហាញទិន្នន័យជារូបភាព (Tableau)Spark/ទិន្នន័យធំវិស្វកម្មលក្ខណៈការដាក់ពង្រាយគំរូ

របៀបសរសេរប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យ (Data Scientist CV) ដ៏ល្អ

ក្រុមហ៊ុននិងអង្គការនៅកម្ពុជា ក៏ដូចជានិយោជកអន្តរជាតិ តែងតែពិនិត្យប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យក្នុងរយៈពេលប៉ុន្មានវិនាទីដើម្បីរកមើលជំនាញបច្ចេកទេស និងលទ្ធផលអាជីវកម្មជាក់ស្តែង។ ជំហានទាំង 5 ខាងក្រោមនឹងជួយអ្នករៀបចំប្រវត្តិរូបដែលទាំង ATS និងអ្នកគ្រប់គ្រងជួលអាចយល់បាន ដោយផ្តោតលើលទ្ធផលដែលអាចវាស់វែងបាន មិនមែនគ្រាន់តែជាកិច្ចការទេ។

1. សរសេរសេចក្តីសង្ខេបវិជ្ជាជីវៈខ្លីៗ តែមានទម្ងន់

សេចក្តីសង្ខេបគួរមានត្រឹមតែ 3 ជួរ ប៉ុន្តែត្រូវបញ្ជាក់កម្រិតបទពិសោធន៍ ជំនាញឯកទេស (ឧទាហរណ៍ NLP ព្យាករណ៍ ឬប្រព័ន្ធណែនាំ) ឧបករណ៍ចម្បង (Python, SQL, TensorFlow) និងលេខផលប៉ះពាល់អាជីវកម្មមួយ។ ជំនួសពាក្យទូទៅដូចជា 'ជំនាញការវិភាគទិន្នន័យខ្លាំង' ដោយឧទាហរណ៍ថា 'អ្នកវិទ្យាសាស្ត្រទិន្នន័យដែលមានបទពិសោធន៍ 4 ឆ្នាំក្នុងការសាងសង់គំរូព្យាករណ៍ដែលកាត់បន្ថយការបាត់បង់អតិថិជន 18%'។ វិធីនេះជួយឱ្យអ្នកគ្រប់គ្រងជួលដឹងភ្លាមថាតើអ្នកសមស្របនឹងតួនាទីនេះឬអត់ មុននឹងអានបន្ត។

2. សរសេរចំណុចបទពិសោធន៍ការងារជាមួយលេខ មិនមែនកិច្ចការ

រាល់ចំណុចគួរចាប់ផ្តើមដោយកិរិយាស័ព្ទសកម្ម រៀបរាប់វិធីសាស្ត្រ/ឧបករណ៍ ហើយបញ្ចប់ដោយផលប៉ះពាល់ជាលេខ ដូចជា accuracy, AUC, ចំណូល ការសន្សំចំណាយ ចំនួនទិន្នន័យដែលដំណើរការ ឬលទ្ធផលការធ្វើតេស្ត A/B។ ឧទាហរណ៍ខ្លាំង៖ 'បានសាងសង់គំរូ churn ដោយប្រើ XGBoost លើកំណត់ត្រា 15M+ សម្រេចបាន 92% accuracy និងរក្សាទុកប្រាក់ចំណូល $3.2M ក្នុងមួយឆ្នាំ'។ ជៀសវាងចំណុចដែលគ្រាន់តែរាយកិច្ចការដោយគ្មានលទ្ធផល។

3. រៀបចំផ្នែកជំនាញបច្ចេកទេសឱ្យផ្គូផ្គងនឹងការផ្សាយការងារ

ចែកជំនាញជាក្រុមច្បាស់លាស់៖ ភាសាសរសេរកម្មវិធី (Python, R, SQL), libraries ការរៀនម៉ាស៊ីន (Scikit-learn, XGBoost, PyTorch), ហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យ (Spark, Airflow, dbt, cloud) និងឧបករណ៍ BI (Tableau, Power BI)។ សូមអានការផ្សាយការងារដោយប្រុងប្រយ័ត្ន ហើយចម្លងពាក្យគន្លឹះពិតប្រាកដដែលនិយោជកប្រើ ព្រោះប្រព័ន្ធ ATS និងអ្នកបញ្ជូនកម្មករតែងតែស្វែងរកពាក្យដូចគ្នាបេះបិទ។

4. បង្ហាញគម្រោង Kaggle និង GitHub ប្រសិនបើបទពិសោធន៍នៅតិច

ប្រសិនបើអ្នកទើបចាប់ផ្តើមអាជីព សូមបញ្ចូលតំណភ្ជាប់ GitHub ឬ Kaggle profile ជាមួយគម្រោង 2-3 ដែលមានការរៀបរាប់ពីបញ្ហាអាជីវកម្ម ទិន្នន័យប្រើ វិធីសាស្ត្រ និងលទ្ធផល។ គំរូមួយដែលបានដាក់ពង្រាយពិតប្រាកដ (deployed) សូម្បីតែជា demo តូចមួយ មានតម្លៃជាងសៀវភៅកត់ត្រា notebook ចំនួន 10 ដែលមិនចប់សព្វគ្រប់។ រៀបរាប់ពីអ្វីដែលអ្នកសម្រេចបានជាជាងគ្រាន់តែបញ្ជីបច្ចេកវិទ្យាដែលបានប្រើ។

5. បន្ថែមការអប់រំ វិញ្ញាបនបត្រ និងពិនិត្យសមត្ថភាព ATS

រាយសញ្ញាបត្រ សាកលវិទ្យាល័យ និងវិញ្ញាបនបត្រពាក់ព័ន្ធដូចជា AWS/GCP Machine Learning Specialty ឬ Coursera Deep Learning Specialization។ មុននឹងផ្ញើប្រវត្តិរូប សូមប្រាកដថាទម្រង់ជាជួរឈរតែមួយ រក្សាទុកជា PDF ជៀសវាងតារាង ក្រាហ្វិក ឬរូបភាពក្នុងខ្លួនប្រវត្តិរូបផ្ទាល់ ព្រោះប្រព័ន្ធ ATS ជាច្រើនមិនអានទិន្នន័យទាំងនោះបានត្រឹមត្រូវទេ។

ឧទាហរណ៍សេចក្តីសង្ខេបវិជ្ជាជីវៈអ្នកវិទ្យាសាស្ត្រទិន្នន័យ

ចម្លង និងកែសម្រួលឧទាហរណ៍ខាងក្រោមឱ្យសមស្របនឹងកម្រិតបទពិសោធន៍ និងឧបករណ៍ផ្ទាល់ខ្លួនរបស់អ្នក។

ថ្មីចូលធ្វើការ / ទើបបញ្ចប់ការសិក្សា

អ្នកបញ្ចប់ការសិក្សាថ្មីៗផ្នែកស្ថិតិវិទ្យាដែលមានជំនាញ Python, pandas និង Scikit-learn ពីគម្រោងសាកលវិទ្យាល័យ និងកម្មសិក្សា។ បានចូលរួមក្នុងការវិភាគ A/B testing សម្រាប់ក្រុមផលិតផលក្នុងអំឡុងកម្មសិក្សា 4 ខែ រួមចំណែកដល់ការសម្រេចចិត្តលើមុខងារថ្មី។ ជំនាញក្នុងការសម្អាតទិន្នន័យ ការស្ថិតិពិពណ៌នា និងការសាងសង់ dashboard ជាមួយ Tableau។ ស្វែងរកតួនាទីអ្នកវិទ្យាសាស្ត្រទិន្នន័យកម្រិតដំបូងដើម្បីអនុវត្តជំនាញការរៀនម៉ាស៊ីនលើបញ្ហាអាជីវកម្មពិត។

អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាន់ខ្ពស់

អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាន់ខ្ពស់ដែលមានបទពិសោធន៍ 7 ឆ្នាំក្នុងការសាងសង់ និងដាក់ពង្រាយប្រព័ន្ធការរៀនម៉ាស៊ីនទ្រង់ទ្រាយធំដោយប្រើ XGBoost, PyTorch និង Spark។ បានដឹកនាំក្រុមអ្នកវិទ្យាសាស្ត្រទិន្នន័យ 5 នាក់ក្នុងការសាងសង់ platform ML ដែលបំរើគំរូជាង 20 ក្នុងផលិតកម្ម បង្កើនប្រាក់ចំណូល $6M ក្នុងមួយឆ្នាំ។ ជំនាញក្នុងការណែនាំសមាជិកក្រុមកម្រិតដំបូង ការទំនាក់ទំនងជាមួយថ្នាក់ដឹកនាំ និងការបកប្រែលទ្ធផលបច្ចេកទេសទៅជាយុទ្ធសាស្ត្រអាជីវកម្ម។

អ្នកប្តូរអាជីព (ពីការវិភាគទិន្នន័យ/ស្រាវជ្រាវ)

អតីតអ្នកវិភាគទិន្នន័យអាជីវកម្មដែលមានបទពិសោធន៍ 5 ឆ្នាំក្នុងការសរសេរ SQL ស្មុគស្មាញ និងការសាងសង់ dashboard Power BI កំពុងផ្លាស់ប្តូរទៅជាអ្នកវិទ្យាសាស្ត្រទិន្នន័យបន្ទាប់ពីបញ្ចប់ Deep Learning Specialization និងវិញ្ញាបនបត្រ AWS Machine Learning។ បានអនុវត្តគំរូ churn prediction ដោយប្រើ Python និង Scikit-learn ជាគម្រោងផ្ទាល់ខ្លួន សម្រេចបាន 88% accuracy។ នាំមកនូវការយល់ដឹងអំពីអាជីវកម្ម និងការទំនាក់ទំនងជាមួយភាគីពាក់ព័ន្ធរួមផ្សំជាមួយជំនាញការរៀនម៉ាស៊ីនថ្មី។

ពាក្យគន្លឹះ ATS សំខាន់ៗសម្រាប់ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យ

ចម្លងពាក្យពិតប្រាកដពីការផ្សាយការងារទៅក្នុងប្រវត្តិរូបរបស់អ្នក ព្រោះទាំងប្រព័ន្ធ ATS និងអ្នកជ្រើសរើសកម្មករសុទ្ធតែស្កេនរកពាក្យគន្លឹះជាក់លាក់ មិនមែនន័យទូទៅទេ។

Python

រៀបរាប់នៅក្នុងផ្នែកជំនាញ និងបញ្ជាក់ដោយឧទាហរណ៍គម្រោងជាក់ស្តែងក្នុងផ្នែកបទពិសោធន៍

SQL

ស្ទើរតែគ្រប់ការផ្សាយការងារទាមទារ សូមបញ្ជាក់ថាអ្នកអាចសរសេរ query ស្មុគស្មាញ ឬបង្កើន performance

Machine Learning

ប្រើពាក្យពេញ 'Machine Learning' យ៉ាងហោចម្តងក្នុងសេចក្តីសង្ខេប ព្រោះជាពាក្យស្វែងរកចម្បង

Deep Learning

រៀបរាប់ជាមួយ framework ជាក់លាក់ (TensorFlow ឬ PyTorch) ដើម្បីបង្ហាញកម្រិតជំនាញ

PyTorch / TensorFlow

រាយឈ្មោះទាំងពីរប្រសិនបើអ្នកមានបទពិសោធន៍ ព្រោះក្រុមហ៊ុនខុសគ្នាចូលចិត្តខុសគ្នា

A/B Testing

បញ្ជាក់ដោយឧទាហរណ៍ចំនួនពិសោធន៍ ឬលទ្ធផលអាជីវកម្មដែលបានប៉ះពាល់

Statistical Modeling

ភ្ជាប់ជាមួយវិធីសាស្ត្រជាក់លាក់ដូចជា regression, Bayesian inference ឬ hypothesis testing

NLP

ប្រសិនបើពាក់ព័ន្ធ សូមបញ្ជាក់ភារកិច្ចជាក់លាក់ដូចជា text classification ឬ sentiment analysis

MLOps / Model Deployment

បង្ហាញថាអ្នកអាចយកគំរូពី notebook ទៅផលិតកម្មដោយប្រើ Docker, MLflow ឬ cloud services

Data Pipelines

រៀបរាប់ឧបករណ៍ដូចជា Airflow ឬ dbt និងទំហំទិន្នន័យដែលអ្នកបានគ្រប់គ្រង

ឧទាហរណ៍ចំណុចបទពិសោធន៍៖ ខ្សោយ ទល់នឹង ខ្លាំង

ការប្រែក្លាយចំណុចធម្មតាទៅជាចំណុចដែលមានផលប៉ះពាល់ គ្រាន់តែត្រូវការកិរិយាស័ព្ទសកម្ម វិធីសាស្ត្រជាក់លាក់ និងលេខ។

ការសាងសង់គំរូ (Churn Model)

ទទួលខុសត្រូវការសាងសង់គំរូការរៀនម៉ាស៊ីនសម្រាប់ព្យាករណ៍ការបាត់បង់អតិថិជន

បានសាងសង់គំរូព្យាករណ៍ការបាត់បង់អតិថិជនដោយប្រើ XGBoost លើកំណត់ត្រា 15M+ សម្រេចបាន 92% accuracy និងរក្សាទុកប្រាក់ចំណូល $3.2M ក្នុងមួយឆ្នាំ

ការងារ Data Pipeline

គ្រប់គ្រង pipeline ទិន្នន័យ និងធានាគុណភាពទិន្នន័យ

បានសាងសង់ pipeline ETL ស្វ័យប្រវត្តិដោយប្រើ Airflow និង dbt ដំណើរការកំណត់ត្រា 5M+ ក្នុងមួយថ្ងៃ កាត់បន្ថយពេលវេលារង់ចាំរបាយការណ៍ 75% និងលុបបំបាត់កំហុសបញ្ចូលទិន្នន័យដោយដៃ

ការពិសោធន៍ និងការវិភាគសម្រាប់ភាគីពាក់ព័ន្ធ

ធ្វើការវិភាគទិន្នន័យ និងបង្ហាញលទ្ធផលដល់ក្រុម

បានរចនា និងវិភាគការធ្វើតេស្ត A/B ចំនួន 12 ដោយប្រើវិធីសាស្ត្រ Bayesian ជូនអនុសាសន៍ដែលបង្កើនអត្រាបម្លែង 9% ហើយបានបង្ហាញលទ្ធផលដល់ថ្នាក់ដឹកនាំជាន់ខ្ពស់ជារៀងរាល់ត្រីមាស

សំណួរដែលគេសួរញឹកញាប់

ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យគួរមានអ្វីខ្លះ?

ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យគួរមានជំនាញកម្មវិធី (Python, R, SQL), frameworks ការរៀនម៉ាស៊ីន, វិធីសាស្រ្តស្ថិតិ, រង្វាស់ផលប៉ះពាល់អាជីវកម្ម, ការអប់រំ និងគម្រោង ឬការបោះពុម្ពផ្សាយពាក់ព័ន្ធ។ សូមបញ្ជាក់លទ្ធផលដែលអាចវាស់វែងបាននៃគំរូ និងការវិភាគរបស់អ្នក។

តើត្រូវការថ្នាក់អនុបណ្ឌិតសម្រាប់ប្រវត្តិរូបវិទ្យាសាស្ត្រទិន្នន័យទេ?

ទោះបីជាការងារវិទ្យាសាស្ត្រទិន្នន័យជាច្រើនចង់បានសញ្ញាបត្រខ្ពស់ក៏ដោយ វាមិនមែនជាតម្រូវការជានិច្ចទេ។ បទពិសោធន៍គម្រោងរឹងមាំ វិញ្ញាបនបត្រពាក់ព័ន្ធ និងផលប៉ះពាល់អាជីវកម្មដែលបានបង្ហាញអាចជំនួសបាន។

តើធ្វើឱ្យប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យឆបគ្នាជាមួយ ATS ដោយរបៀបណា?

ប្រើចំណងជើងផ្នែកស្តង់ដារ រាយបញ្ជីបច្ចេកវិទ្យាជាក់លាក់តាមឈ្មោះ រួមបញ្ចូលពាក្យគន្លឹះពីការពណ៌នាការងារ និងប្រើទម្រង់ជួរឈរតែមួយស្អាត។ ជៀសវាងរូបភាព តារាង ឬទម្រង់ពិសេសដែល ATS មិនអាចវិភាគបាន។

តើអាចបង្កើតប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យដោយឥតគិតថ្លៃនៅ NoBsResume បានទេ?

បាទ/ចាស។ NoBsResume គឺឥតគិតថ្លៃ 100% ដោយគ្មានថ្លៃលាក់កំបាំង។ ជ្រើសរើសគំរូឆបគ្នាជាមួយ ATS បន្ថែមបទពិសោធន៍វិទ្យាសាស្ត្រទិន្នន័យរបស់អ្នក ហើយទាញយកជា PDF ភ្លាមៗ។

តើមានគំរូ ឬទម្រង់ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យសម្រាប់ទាញយកទេ?

បាទ/ចាស។ ឧទាហរណ៍ក្នុងទំព័រនេះអាចកែសម្រួលដោយផ្ទាល់នៅក្នុងឧបករណ៍បង្កើតប្រវត្តិរូបឥតគិតថ្លៃរបស់ NoBsResume។ ជ្រើសរើសពី 3 គំរូឆបគ្នាជាមួយ ATS បំពេញព័ត៌មានផ្ទាល់ខ្លួនរបស់អ្នក ហើយទាញយកជា PDF ភ្លាមៗដោយមិនចាំបាច់ចុះឈ្មោះ។

តើសរសេរប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យដោយគ្មានបទពិសោធន៍ដោយរបៀបណា?

សូមផ្តោតលើគម្រោង Kaggle គម្រោងសាកលវិទ្យាល័យ កម្មសិក្សា និងវិញ្ញាបនបត្រពាក់ព័ន្ធ។ រៀបរាប់ពីបញ្ហាដែលអ្នកដោះស្រាយ ទិន្នន័យដែលអ្នកប្រើ វិធីសាស្ត្រ និងលទ្ធផល ដូចជាបទពិសោធន៍ការងារពិត។ គម្រោងមួយដែលបានដាក់ពង្រាយពិតប្រាកដមានតម្លៃជាងបញ្ជីបច្ចេកវិទ្យាដែលបានរៀន។

តើគួរសរសេរប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យជាភាសាខ្មែរ ឬភាសាអង់គ្លេស?

សម្រាប់ភាគច្រើននៃការងារវិទ្យាសាស្ត្រទិន្នន័យនៅកម្ពុជា ជាពិសេសនៅក្រុមហ៊ុនអន្តរជាតិ NGO និង startups បច្ចេកវិទ្យា និយោជកភាគច្រើនចង់បានប្រវត្តិរូបជាភាសាអង់គ្លេស ព្រោះឧបករណ៍ ភាសាកូដ និងឯកសារបច្ចេកទេសសុទ្ធតែជាភាសាអង់គ្លេស។ ប្រសិនបើអ្នកដាក់ពាក្យទៅក្រុមហ៊ុនក្នុងស្រុកតូចៗ ភាសាខ្មែរអាចប្រើបាន ប៉ុន្តែសូមមានកំណែភាសាអង់គ្លេសរួចជាស្រេចផងដែរ។

តើប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យគួរមានប៉ុន្មានទំព័រ?

សម្រាប់អ្នកដែលមានបទពិសោធន៍តិចជាង 10 ឆ្នាំ សូមរក្សាទុកត្រឹមតែ 1 ទំព័រ។ អ្នកជាន់ខ្ពស់ដែលមានគម្រោង ការបោះពុម្ពផ្សាយ ឬការដឹកនាំច្រើនអាចប្រើ 2 ទំព័រ ប៉ុន្តែសូមផ្តោតលើលទ្ធផលថ្មីៗ និងសំខាន់បំផុត។

តើគួរដាក់តំណភ្ជាប់ GitHub ឬ Kaggle ក្នុងប្រវត្តិរូបទេ?

គួរតែដាក់ជាដាច់ខាត។ តំណភ្ជាប់ទៅ profile GitHub ឬ Kaggle ដែលមានគម្រោងរៀបចំល្អ ជួយឱ្យអ្នកគ្រប់គ្រងជួលមើលឃើញកូដ និងវិធីសាស្រ្តគិតរបស់អ្នកផ្ទាល់ ជាពិសេសសំខាន់សម្រាប់អ្នកដែលមានបទពិសោធន៍ការងារនៅតិច។

តើប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យខុសពីប្រវត្តិរូបអ្នកវិភាគទិន្នន័យដោយរបៀបណា?

អ្នកវិភាគទិន្នន័យផ្តោតលើការវិភាគទិន្នន័យប្រវត្តិសាស្ត្រ dashboard និងរបាយការណ៍ ខណៈអ្នកវិទ្យាសាស្ត្រទិន្នន័យផ្តោតលើការសាងសង់គំរូព្យាករណ៍ algorithm ការរៀនម៉ាស៊ីន និងការដាក់ពង្រាយប្រព័ន្ធស្វ័យប្រវត្តិកម្ម។ ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យគួរបញ្ជាក់ជំនាញកម្មវិធីជម្រៅជាង ដូចជា Python, ML frameworks និងស្ថិតិកម្រិតខ្ពស់។

សាងសង់ប្រវត្តិរូបរបស់អ្នកឥឡូវនេះ

ប្រើឧទាហរណ៍នេះជាការបំផុសគំនិត។ ប្ដូរតាមបទពិសោធន៍ផ្ទាល់ខ្លួនរបស់អ្នក ហើយទាញយក PDF វិជ្ជាជីវៈក្នុងរយៈពេលប៉ុន្មាននាទី។ ឥតគិតថ្លៃ 100%។

ចាប់ផ្តើមសាងសង់ប្រវត្តិរូប

មើលប្រវត្តិរូបនេះជាភាសាផ្សេង

ឧទាហរណ៍ប្រវត្តិរូបនេះមាននៅក្នុង 63 ភាសា:

ឧទាហរណ៍ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យ

ការមើលប្រវត្តិរូបជាមុន

សង្ខេបការងារ

បទពិសោធន៍ការងារ

អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាន់ខ្ពស់

អ្នកវិទ្យាសាស្ត្រទិន្នន័យ

អ្នកវិភាគទិន្នន័យ

ការអប់រំ

អនុបណ្ឌិតស្ថិតិវិទ្យា (M.S.)

បរិញ្ញាបត្រគណិតវិទ្យា (B.S.)

វគ្គសិក្សា និងវិញ្ញាបនបត្រ

Deep Learning Specialization

AWS Certified Machine Learning - Specialty

Causal Inference for Data Science

ភាសា

ភាសាខ្មែរ

ភាសាអង់គ្លេស

ភាសាបារាំង

ជំនាញ

គន្លឹះប្រវត្តិរូប

បញ្ជាក់ផលប៉ះពាល់អាជីវកម្មជាលេខ

រៀបរាប់រង្វាស់ប្រសិទ្ធភាពគំរូ

បង្ហាញ Pipeline ពេញលេញ

បញ្ចូលការបោះពុម្ពផ្សាយ និងស្រាវជ្រាវ

ជំនាញសំខាន់ៗ

របៀបសរសេរប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យ (Data Scientist CV) ដ៏ល្អ

1. សរសេរសេចក្តីសង្ខេបវិជ្ជាជីវៈខ្លីៗ តែមានទម្ងន់

2. សរសេរចំណុចបទពិសោធន៍ការងារជាមួយលេខ មិនមែនកិច្ចការ

3. រៀបចំផ្នែកជំនាញបច្ចេកទេសឱ្យផ្គូផ្គងនឹងការផ្សាយការងារ

4. បង្ហាញគម្រោង Kaggle និង GitHub ប្រសិនបើបទពិសោធន៍នៅតិច

5. បន្ថែមការអប់រំ វិញ្ញាបនបត្រ និងពិនិត្យសមត្ថភាព ATS

ឧទាហរណ៍សេចក្តីសង្ខេបវិជ្ជាជីវៈអ្នកវិទ្យាសាស្ត្រទិន្នន័យ

ថ្មីចូលធ្វើការ / ទើបបញ្ចប់ការសិក្សា

អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាន់ខ្ពស់

អ្នកប្តូរអាជីព (ពីការវិភាគទិន្នន័យ/ស្រាវជ្រាវ)

ពាក្យគន្លឹះ ATS សំខាន់ៗសម្រាប់ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យ

Python

SQL

Machine Learning

Deep Learning

PyTorch / TensorFlow

A/B Testing

Statistical Modeling

NLP

MLOps / Model Deployment

Data Pipelines

ឧទាហរណ៍ចំណុចបទពិសោធន៍៖ ខ្សោយ ទល់នឹង ខ្លាំង

ការសាងសង់គំរូ (Churn Model)

ការងារ Data Pipeline

ការពិសោធន៍ និងការវិភាគសម្រាប់ភាគីពាក់ព័ន្ធ

សំណួរដែលគេសួរញឹកញាប់

សាងសង់ប្រវត្តិរូបរបស់អ្នកឥឡូវនេះ

មើលប្រវត្តិរូបនេះជាភាសាផ្សេង