ເບິ່ງຊີວະປະຫວັດລ່ວງໜ້າ

ສົມພອນ ວົງວິຈິດ

ນັກວິທະຍາສາດຂໍ້ມູນອາວຸໂສ

[email protected]+856 20 5567 8901ນະຄອນຫຼວງວຽງຈັນ, ລາວໃບຂັບຂີ່ປະເພດ B

ສະຫຼຸບວິຊາຊີບ

ນັກວິທະຍາສາດຂໍ້ມູນທີ່ມີປະສົບການ 5+ ປີໃນການນຳໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ການຮຽນຮູ້ເລິກ ແລະການວິເຄາະສະຖິຕິເພື່ອແກ້ໄຂບັນຫາທຸລະກິດທີ່ສັບສົນໃນຂົງເຂດຄ້າປີກ, ສຸຂະພາບ ແລະການຄົ້ນຄວ້າຕະຫຼາດ. ສ້າງ ແລະ ນຳໃຊ້ແບບຈຳລອງການຄາດຄະເນທີ່ເພີ່ມລາຍໄດ້ປະຈຳປີ $3.2M ແລະ ຫຼຸດຜ່ອນການສູນເສຍຈາກການສໍ້ໂກງ $800K. ມີຄວາມຊຳນານໃນ Python, R, SQL ແລະ frameworks ML ທັນສະໄໝລວມທັງ TensorFlow ແລະ PyTorch. ນັກຄົ້ນຄວ້າທີ່ຕີພິມແລ້ວ ມີ 2 ບົດຄວາມທີ່ຜ່ານການທົບທວນໂດຍຜູ້ຊ່ຽວຊານກ່ຽວກັບ NLP ໃນກອງປະຊຸມ ACL ແລະ EMNLP.

ປະສົບການເຮັດວຽກ

ນັກວິທະຍາສາດຂໍ້ມູນອາວຸໂສ

RetailAI Corp.

ກຸມພາ 2022 - ປະຈຸບັນ

ສ້າງແບບຈຳລອງການຄາດຄະເນການສູນເສຍລູກຄ້າໂດຍໃຊ້ XGBoost ແລະ feature engineering ໃນບັນທຶກລູກຄ້າ 15M+ ບັນລຸຄວາມແມ່ນຍຳ 92% ແລະ ປະຢັດລາຍໄດ້ປະຈຳປີປະມານ $3.2M
ພັດທະນາເຄື່ອງມືແນະນຳຜະລິດຕະພັນໂດຍໃຊ້ collaborative filtering ແລະ deep learning embeddings ເພີ່ມການປ່ຽນ cross-sell 28%
ນຳພາທີມນັກວິທະຍາສາດຂໍ້ມູນ 3 ຄົນໃນການສ້າງ pipeline ກວດຈັບການສໍ້ໂກງແບບ real-time ປະມວນຜົນ 2M+ ທຸລະກຳຕໍ່ມື້ ດ້ວຍອັດຕາ precision 97.5%
ນຳໃຊ້ແບບຈຳລອງໄປສູ່ການຜະລິດໂດຍໃຊ້ MLflow, Docker ແລະ AWS SageMaker ສ້າງ pipeline ນຳໃຊ້ ML ມາດຕະຖານທຳອິດຂອງທີມ
ນຳສະເໜີການທົບທວນປະສິດທິພາບແບບຈຳລອງ ແລະ ການວິເຄາະຜົນກະທົບທາງທຸລະກິດປະຈຳໄຕມາດຕໍ່ຜູ້ບໍລິຫານຂັ້ນສູງ ມີອິດທິພົນໂດຍກົງຕໍ່ການຕັດສິນໃຈລົງທຶນຍຸດທະສາດ $5M+

ນັກວິທະຍາສາດຂໍ້ມູນ

HealthTech Analytics

ມິຖຸນາ 2020 - ມັງກອນ 2022

ສ້າງ NLP pipeline ສຳລັບການຈັດປະເພດບັນທຶກທາງຄລິນິກ ດ້ວຍ F1 score 95% ໂດຍໃຊ້ BERT fine-tuning ໃນບັນທຶກທາງການແພດ 500K+ ທີ່ມີຄຳອະທິບາຍ
ສ້າງກອບ A/B testing ດ້ວຍການວິເຄາະ Bayesian ທີ່ໃຊ້ໃນ 4 ທີມຜະລິດຕະພັນ ມາດຕະຖານການທົດລອງ 30+ ຕໍ່ໄຕມາດ
ອອກແບບ dashboard ແບບໂຕ້ຕອບໃນ Tableau ເຊື່ອມຕໍ່ກັບ Snowflake data warehouse ຫຼຸດເວລາການລາຍງານບໍລິຫານ 75%
ພັດທະນາແບບຈຳລອງຄວາມສ່ຽງການເຂົ້ານອນໂຮງໝໍຄືນໃໝ່ຂອງຄົນເຈັບໂດຍໃຊ້ survival analysis ຫຼຸດອັດຕາການເຂົ້ານອນໂຮງໝໍຄືນໃໝ່ 30 ມື້ 12%

ນັກວິເຄາະຂໍ້ມູນ

Market Insights Group

ສິງຫາ 2018 - ພຶດສະພາ 2020

ດຳເນີນການວິເຄາະສະຖິຕິກ່ຽວກັບຊຸດຂໍ້ມູນພຶດຕິກຳຜູ້ບໍລິໂພກ 10M+ ບັນທຶກ ໂດຍໃຊ້ Python, R ແລະ SQL ເພື່ອລະບຸແນວໂນ້ມຕະຫຼາດຫຼັກ
ສ້າງແບບຈຳລອງລາຄາຄາດຄະເນໂດຍໃຊ້ gradient boosting ປັບປຸງຄວາມແມ່ນຍຳຂອງກຳໄລ 15% ໃນ 3 ປະເພດຜະລິດຕະພັນ
ອັດຕະໂນມັດ pipeline ການລາຍງານປະຈຳເດືອນໂດຍໃຊ້ Python ແລະ Airflow ຫຼຸດວຽກງານດ້ວຍມື 20 ຊົ່ວໂມງ/ເດືອນ
ດຳເນີນການວິເຄາະການແບ່ງກຸ່ມລູກຄ້າໂດຍໃຊ້ k-means clustering ໃຫ້ຂໍ້ມູນແກ່ແຄມເປນການຕະຫຼາດເປົ້າໝາຍ $2M ບັນລຸ ROI ສູງກວ່າ 22% ຈາກແຄມເປນກ່ອນໜ້າ

ການສຶກສາ

ປະລິນຍາໂທ ສະຖິຕິ (M.S.)

ມະຫາວິທະຍາໄລແຫ່ງຊາດ

2016 - 2018

ວິທະຍານິພົນ: 'ວິທີການຮຽນຮູ້ການຖ່າຍໂອນສຳລັບ NLP ທາງຄລິນິກທີ່ມີຊັບພະຍາກອນໜ້ອຍ.' ຫຼັກສູດລວມມີ Bayesian inference, causal inference ແລະສະຖິຕິມິຕິສູງ.

ປະລິນຍາຕີ ຄະນິດສາດ (B.S.)

ມະຫາວິທະຍາໄລແຫ່ງຊາດລາວ

2012 - 2016

ວິຊາຮອງວິທະຍາສາດຄອມພິວເຕີ. ຈົບການສຶກສາດ້ວຍກຽດ. ຄົ້ນຄວ້າສະຖິຕິຄອມພິວເຕີໃນລະດັບປະລິນຍາຕີ.

ຫຼັກສູດ ແລະ ໃບຢັ້ງຢືນ

Deep Learning Specialization

Coursera / deeplearning.ai

2021

ຫຼັກສູດພິເສດ 5 ຫຼັກສູດກວມເອົາ neural networks, CNNs, RNNs, sequence models ແລະ hyperparameter tuning.

AWS Certified Machine Learning - Specialty

Amazon Web Services

2023

ລະຫັດໃບຢັ້ງຢືນ: AWS-MLS-2023-7412

Causal Inference for Data Science

Coursera / Columbia University

2022

ກວມເອົາການທົດລອງແບບສຸ່ມ, instrumental variables, regression discontinuity ແລະວິທີ difference-in-differences.

ພາສາ

ພາສາລາວ

ການເວົ້າ: ພາສາແມ່ການຟັງ: ພາສາແມ່ການຂຽນ: ພາສາແມ່

ພາສາອັງກິດ

ການເວົ້າ: ຄ່ອງແຄ້ວການຟັງ: ຄ່ອງແຄ້ວການຂຽນ: ຄ່ອງແຄ້ວ

ພາສາໄທ

ການເວົ້າ: ລະດັບກາງການຟັງ: ດີການຂຽນ: ພື້ນຖານ

ທັກສະ

PythonRSQLTensorFlowPyTorchScikit-learnPandasTableauSparkNLPA/B TestingStatistical Modeling

ນີ້ແມ່ນຊີວະປະຫວັດຕົວຢ່າງ. ໃຊ້ເຄື່ອງມືສ້າງຊີວະປະຫວັດຟຣີເພື່ອປັບແຕ່ງຕາມປະສົບການຂອງທ່ານເອງ.

ຄຳແນະນຳຊີວະປະຫວັດ

ບອກຜົນກະທົບທາງທຸລະກິດເປັນຕົວເລກ

ຢ່າພຽງແຕ່ເວົ້າວ່າ 'ສ້າງແບບຈຳລອງ'. ໃຫ້ເວົ້າວ່າ 'ສ້າງແບບຈຳລອງຄາດຄະເນການສູນເສຍລູກຄ້າທີ່ປະຢັດ $3.2M ຕໍ່ປີ'. ແປວຽກງານດ້ານເຕັກນິກເປັນຜົນໄດ້ຮັບທາງທຸລະກິດທີ່ຜູ້ຈັດການການຮັບສະໝັກເຂົ້າໃຈ.

ບອກຕົວຊີ້ວັດປະສິດທິພາບແບບຈຳລອງ

ລວມເອົາ accuracy, F1 scores, AUC-ROC ຫຼືຕົວຊີ້ວັດທີ່ກ່ຽວຂ້ອງອື່ນໆ. 'ບັນລຸ 92% accuracy' ພິສູດວ່າແບບຈຳລອງຂອງທ່ານເຮັດວຽກໄດ້ຈິງ.

ສະແດງ Pipeline ຄົບຖ້ວນ

ວິທະຍາສາດຂໍ້ມູນບໍ່ແມ່ນພຽງແຕ່ການສ້າງແບບຈຳລອງ. ບອກກ່ຽວກັບການທຳຄວາມສະອາດຂໍ້ມູນ, feature engineering, ການນຳໃຊ້ ແລະ ການຕິດຕາມ. ສະແດງວ່າທ່ານສາມາດນຳໂຄງການຈາກຂໍ້ມູນດິບໄປສູ່ການຜະລິດ.

ລວມການຕີພິມ ແລະ ການຄົ້ນຄວ້າ

ຖ້າທ່ານມີບົດຄວາມທີ່ຕີພິມ, ການນຳສະເໜີໃນກອງປະຊຸມ ຫຼື ການປະກອບສ່ວນ open-source ໃຫ້ລວມໄວ້. ມັນສະແດງໃຫ້ເຫັນຄວາມເປັນຜູ້ນຳທາງຄວາມຄິດ ແລະ ຄວາມຊ່ຽວຊານເລິກ.

ທັກສະຫຼັກ

PythonRSQLການຮຽນຮູ້ຂອງເຄື່ອງຈັກການຮຽນຮູ້ເລິກ (TensorFlow/PyTorch)ການວິເຄາະສະຖິຕິNLPການທົດສອບ A/Bການສະແດງຂໍ້ມູນເປັນພາບ (Tableau)Spark/ຂໍ້ມູນໃຫຍ່ວິສະວະກຳຄຸນລັກສະນະການນຳໃຊ້ແບບຈຳລອງ

ວິທີຂຽນຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນແບບເປັນຂັ້ນເປັນຕອນ

ຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນທີ່ດີບໍ່ພຽງແຕ່ບອກວ່າທ່ານຮູ້ Python ຫຼື Machine Learning, ແຕ່ຕ້ອງພິສູດວ່າວຽກງານຂອງທ່ານສ້າງຜົນກະທົບທາງທຸລະກິດແທ້ໆ. ເບິ່ງ 5 ຂັ້ນຕອນຂ້າງລຸ່ມນີ້ເພື່ອສ້າງຊີວະປະຫວັດທີ່ຜ່ານ ATS ແລະ ດຶງດູດຜູ້ຈັດການການຮັບສະໝັກ.

ຂຽນບົດສະຫຼຸບມືອາຊີບໃຫ້ຊັດເຈນ

ບົດສະຫຼຸບຄວນມີພຽງ 3 ແຖວ ແຕ່ຕ້ອງບອກ 4 ຢ່າງ: ລະດັບປະສົບການ (junior, mid, senior), ຂົງເຂດອຸດສາຫະກຳທີ່ທ່ານມີຄວາມຊ່ຽວຊານ (ຄ້າປີກ, ການເງິນ, ສຸຂະພາບ), ເຄື່ອງມືຫຼັກ (Python, SQL, TensorFlow ຫຼື PyTorch) ແລະ ຕົວເລກຜົນກະທົບທາງທຸລະກິດໜຶ່ງອັນທີ່ໜ້າຈົດຈຳ ເຊັ່ນ 'ຫຼຸດການສູນເສຍລູກຄ້າ 15%' ຫຼື 'ປະຢັດ $500K ຕໍ່ປີ'. ຫຼີກລ້ຽງປະໂຫຍກທົ່ວໄປເຊັ່ນ 'ມີຄວາມກະຕືລືລົ້ນໃນຂໍ້ມູນ' ເພາະບໍ່ໄດ້ພິສູດຫຍັງ.

ຂຽນຫົວຂໍ້ປະສົບການວຽກງານດ້ວຍຕົວເລກ

ແຕ່ລະຫົວຂໍ້ໃນພາກປະສົບການວຽກງານຄວນເລີ່ມດ້ວຍຄຳກິລິຍາທີ່ເຂັ້ມແຂງ ແລະ ຈົບດ້ວຍຜົນໄດ້ຮັບທີ່ວັດແທກໄດ້: ຄວາມແມ່ນຍຳຂອງແບບຈຳລອງ (accuracy, AUC), ຜົນກະທົບຕໍ່ລາຍໄດ້ ຫຼື ຕົ້ນທຶນ, ປະລິມານຂໍ້ມູນທີ່ປະມວນຜົນ, ຄວາມໄວຂອງ pipeline ຫຼືຜົນການທົດສອບ A/B. ຕົວຢ່າງ: 'ພັດທະນາແບບຈຳລອງການຄາດຄະເນໂດຍໃຊ້ XGBoost ໃນຂໍ້ມູນ 10M+ ແຖວ ບັນລຸຄວາມແມ່ນຍຳ 89% ແລະ ຫຼຸດຄ່າໃຊ້ຈ່າຍການດຳເນີນງານ $250K ຕໍ່ປີ'. ຫຼີກລ້ຽງການລະບຸໜ້າວຽກທົ່ວໄປໂດຍບໍ່ມີຕົວເລກສະໜັບສະໜູນ.

ຈັດກຸ່ມທັກສະດ້ານເຕັກນິກໃຫ້ອ່ານງ່າຍ

ແບ່ງທັກສະອອກເປັນກຸ່ມ: ພາສາຂຽນໂປຣແກຣມ (Python, R, SQL), ຫ້ອງສະໝຸດ ML (Scikit-learn, XGBoost, PyTorch, TensorFlow), ໂຄງລ່າງຂໍ້ມູນ (Spark, Airflow, dbt, AWS/GCP) ແລະ ເຄື່ອງມືສະແດງຂໍ້ມູນ (Tableau, Power BI). ອ່ານປະກາດຮັບສະໝັກຢ່າງລະອຽດ ແລະ ຈັບຄູ່ຄຳສັບໃຫ້ກົງກັນ ເພື່ອໃຫ້ລະບົບ ATS ຈັບຄຳສຳຄັນໄດ້. ຢ່າພຽງແຕ່ຂຽນ 'ML' ຖ້າປະກາດຂຽນວ່າ 'Machine Learning' ໃຫ້ໃຊ້ຄຳເຕັມທັງສອງຄຳຖ້າເປັນໄປໄດ້.

ໃສ່ໂຄງການ Kaggle ແລະ GitHub ຖ້າປະສົບການຍັງໜ້ອຍ

ຖ້າທ່ານຍັງບໍ່ທັນມີວຽກເຮັດຫຼາຍປີ ໂຄງການສ່ວນຕົວແມ່ນວິທີພິສູດຄວາມສາມາດທີ່ດີທີ່ສຸດ. ໃສ່ລິ້ງ GitHub notebook ຫຼືອັນດັບ Kaggle competition ພ້ອມກັບບອກບັນຫາທຸລະກິດທີ່ໂຄງການແກ້ໄຂ, ຂໍ້ມູນທີ່ໃຊ້ ແລະ ຜົນໄດ້ຮັບ. ແບບຈຳລອງໜຶ່ງອັນທີ່ນຳໄປໃຊ້ຈິງ (deployed) ດີກວ່າ notebook ນັບສິບອັນທີ່ບໍ່ໄດ້ນຳໄປໃຊ້. ຈັດວາງໂຄງການໃນຮູບແບບ 'ບັນຫາ → ວິທີການ → ຜົນໄດ້ຮັບ' ເພື່ອສະແດງການຄິດແບບນັກວິທະຍາສາດຂໍ້ມູນທີ່ແທ້ຈິງ.

ຢືນຢັນການສຶກສາ, ໃບຢັ້ງຢືນ ແລະ ຄວາມເຂົ້າກັນໄດ້ກັບ ATS

ລະບຸລະດັບການສຶກສາ, ວິຊາຫຼັກ ແລະ ໃບຢັ້ງຢືນຄລາວ/ML ທີ່ກ່ຽວຂ້ອງເຊັ່ນ AWS Certified Machine Learning ຫຼື Google Data Analytics. ກ່ອນສົ່ງ ກວດສອບໃຫ້ແນ່ໃຈວ່າຊີວະປະຫວັດເປັນຮູບແບບຖັນດຽວ, ບັນທຶກເປັນ PDF, ບໍ່ມີຕາຕະລາງ, ຮູບພາບ ຫຼືກຣາຟິກທີ່ຝັງໄວ້ໃນຕົວເອກະສານ ເພາະລະບົບ ATS ຫຼາຍລະບົບອ່ານບໍ່ໄດ້ ແລະ ອາດເຮັດໃຫ້ຊີວະປະຫວັດຂອງທ່ານຖືກປະຕິເສດໂດຍອັດຕະໂນມັດ.

ຕົວຢ່າງບົດສະຫຼຸບມືອາຊີບສຳລັບນັກວິທະຍາສາດຂໍ້ມູນ

ນຳໄປໃຊ້ ແລະ ປັບແຕ່ງຕົວຢ່າງເຫຼົ່ານີ້ຕາມລະດັບປະສົບການ ແລະ ພື້ນຖານຂອງທ່ານເອງ.

ນັກສຶກສາຈົບໃໝ່ / ຈູນເນຍ

ນັກວິທະຍາສາດຂໍ້ມູນຈົບໃໝ່ທີ່ມີພື້ນຖານແໜ້ນໜາໃນ Python, pandas ແລະ scikit-learn ຈາກໂຄງການວິທະຍານິພົນ ແລະ ການຝຶກງານດ້ານການວິເຄາະຂໍ້ມູນ. ໃນລະຫວ່າງການຝຶກງານກັບບໍລິສັດ e-commerce ໄດ້ອອກແບບການທົດສອບ A/B ສຳລັບໜ້າ checkout ທີ່ເພີ່ມອັດຕາການປ່ຽນໃຈ 6%. ມີຄວາມກະຕືລືລົ້ນຮຽນຮູ້ໄວ ແລະ ຄົ້ນຄວ້າແບບຈຳລອງ ML ໃໝ່ຢູ່ສະເໝີ ຜ່ານການແຂ່ງຂັນ Kaggle.

ນັກວິທະຍາສາດຂໍ້ມູນອາວຸໂສ

ນັກວິທະຍາສາດຂໍ້ມູນອາວຸໂສທີ່ມີປະສົບການ 7+ ປີໃນການສ້າງ ແລະ ນຳໃຊ້ແບບຈຳລອງ ML ຂະໜາດໃຫຍ່ດ້ວຍ XGBoost, PyTorch ແລະ Spark ໃນອຸດສາຫະກຳການເງິນ. ນຳພາທີມ 4 ຄົນສ້າງເວທີການໃຫ້ຄະແນນຄວາມສ່ຽງທີ່ຫຼຸດການສູນເສຍຈາກໜີ້ເສຍ $4M ຕໍ່ປີ. ຊຳນານໃນການສື່ສານຜົນການວິເຄາະທີ່ສັບສົນໃຫ້ຜູ້ບໍລິຫານເຂົ້າໃຈງ່າຍ ແລະ ຝຶກສອນນັກວິທະຍາສາດຂໍ້ມູນລະດັບຈູນເນຍ.

ຜູ້ປ່ຽນສາຍອາຊີບເຂົ້າສູ່ວິທະຍາສາດຂໍ້ມູນ

ນັກວິເຄາະທຸລະກິດທີ່ມີປະສົບການ 5 ປີໃນ SQL ແລະ ການສ້າງ dashboard ດ້ວຍ Power BI ກຳລັງປ່ຽນສາຍໄປສູ່ວິທະຍາສາດຂໍ້ມູນ ຫຼັງຈາກຮຽນຈົບໃບຢັ້ງຢືນ Machine Learning Specialization ແລະ ສ້າງໂຄງການຄາດຄະເນຍອດຂາຍດ້ວຍ Python ແລະ scikit-learn ດ້ວຍຕົນເອງ. ນຳຄວາມເຂົ້າໃຈທຸລະກິດເລິກເຊິ່ງມາປະສົມກັບທັກສະ ML ໃໝ່ ເພື່ອສ້າງແບບຈຳລອງທີ່ຕອບໂຈດຄວາມຕ້ອງການແທ້ຈິງຂອງອົງກອນ.

ຄຳສຳຄັນ ATS ທີ່ນັກວິທະຍາສາດຂໍ້ມູນຄວນໃສ່

ໃຊ້ຄຳສັບດຽວກັນກັບປະກາດຮັບສະໝັກ ເພາະທັງລະບົບ ATS ແລະ ຜູ້ຈັດການການຮັບສະໝັກຈະສະແກນຫາຄຳສະເພາະເຫຼົ່ານີ້.

Python

ໃສ່ໃນທັກສະ ແລະ ໃນຫົວຂໍ້ປະສົບການທີ່ໃຊ້ຈິງ ບໍ່ແມ່ນພຽງແຕ່ໃນລາຍການທັກສະຢ່າງດຽວ.

SQL

ຈຳເປັນເກືອບທຸກຕຳແໜ່ງ ລະບຸປະສົບການ query ຂໍ້ມູນຂະໜາດໃຫຍ່ ຫຼືການສ້າງ data pipeline.

Machine Learning

ໃຊ້ຄຳເຕັມນີ້ຢ່າງໜ້ອຍໜຶ່ງເທື່ອ ນອກຈາກໃຊ້ຕົວຫຍໍ້ ML ເພື່ອໃຫ້ ATS ຈັບໄດ້ທັງສອງແບບ.

Deep Learning

ໃສ່ຖ້າມີປະສົບການກັບ neural networks, CNN ຫຼື RNN ໂດຍລະບຸ framework ທີ່ໃຊ້.

PyTorch / TensorFlow

ລະບຸ framework ສະເພາະທີ່ທ່ານໃຊ້ຈິງ ບໍ່ໃຫ້ໃສ່ທັງສອງຖ້າບໍ່ມີປະສົບການ.

A/B Testing

ບອກຈຳນວນການທົດລອງ ຫຼືຜົນໄດ້ຮັບຈາກການທົດສອບເພື່ອສະແດງປະສົບການແທ້ຈິງ.

Statistical Modeling

ໃຊ້ຮ່ວມກັບເຕັກນິກສະເພາະເຊັ່ນ regression, hypothesis testing ຫຼື Bayesian inference.

Spark / Big Data

ໃສ່ຖ້າເຄີຍປະມວນຜົນຂໍ້ມູນລະດັບ terabyte ຫຼືເຮັດວຽກກັບ distributed systems.

MLOps / Model Deployment

ສະແດງວ່າທ່ານສາມາດນຳແບບຈຳລອງອອກສູ່ການຜະລິດໄດ້ ບໍ່ແມ່ນພຽງແຕ່ສ້າງໃນ notebook.

Data Pipeline

ລະບຸເຄື່ອງມືເຊັ່ນ Airflow ຫຼື dbt ທີ່ໃຊ້ສ້າງ ຫຼືອັດຕະໂນມັດ pipeline.

ຕົວຢ່າງຫົວຂໍ້ປະສົບການ: ອ່ອນ ທຽບກັບ ເຂັ້ມແຂງ

ປ່ຽນຄຳອະທິບາຍໜ້າວຽກທົ່ວໄປໃຫ້ເປັນຜົນໄດ້ຮັບທີ່ວັດແທກໄດ້ດັ່ງຕົວຢ່າງລຸ່ມນີ້.

ວຽກງານແບບຈຳລອງການສູນເສຍລູກຄ້າ

ຮັບຜິດຊອບການສ້າງແບບຈຳລອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການສູນເສຍລູກຄ້າ

ສ້າງແບບຈຳລອງການຄາດຄະເນການສູນເສຍລູກຄ້າດ້ວຍ XGBoost ໃນຂໍ້ມູນລູກຄ້າ 15M+ ບັນລຸຄວາມແມ່ນຍຳ 92% ແລະ ປະຢັດລາຍໄດ້ $3.2M ຕໍ່ປີ

ວຽກງານໂຄງລ່າງຂໍ້ມູນ / pipeline

ເຮັດວຽກກ່ຽວກັບ data pipeline ແລະ ETL

ອອກແບບ ແລະ ອັດຕະໂນມັດ data pipeline ດ້ວຍ Airflow ປະມວນຜົນຂໍ້ມູນ 2M+ ແຖວຕໍ່ມື້ ຫຼຸດເວລາປະມວນຜົນຈາກ 6 ຊົ່ວໂມງເຫຼືອ 45 ນາທີ

ວຽກງານທົດລອງ / ການວິເຄາະຮ່ວມກັບຝ່າຍທຸລະກິດ

ຊ່ວຍທີມການຕະຫຼາດວິເຄາະຂໍ້ມູນແຄມເປນ

ອອກແບບກອບການທົດສອບ A/B ດ້ວຍການວິເຄາະ Bayesian ໃຫ້ 4 ທີມການຕະຫຼາດໃຊ້ ເພີ່ມອັດຕາການປ່ຽນໃຈເຉລີ່ຍ 18% ໃນ 6 ເດືອນ

ຄຳຖາມທີ່ຖາມເລື້ອຍໆ

ຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນຄວນມີຫຍັງແດ່?

ຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນຄວນມີທັກສະການຂຽນໂປຣແກຣມ (Python, R, SQL), frameworks ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ວິທີສະຖິຕິ, ຕົວຊີ້ວັດຜົນກະທົບທາງທຸລະກິດ, ການສຶກສາ ແລະ ໂຄງການ ຫຼື ການຕີພິມທີ່ກ່ຽວຂ້ອງ. ເນັ້ນຜົນໄດ້ຮັບທີ່ວັດແທກໄດ້ຂອງແບບຈຳລອງ ແລະ ການວິເຄາະຂອງທ່ານ.

ຕ້ອງການປະລິນຍາໂທສຳລັບຊີວະປະຫວັດວິທະຍາສາດຂໍ້ມູນບໍ?

ເຖິງແມ່ນຕຳແໜ່ງວິທະຍາສາດຂໍ້ມູນຫຼາຍແຫ່ງຕ້ອງການລະດັບປະລິນຍາ ແຕ່ບໍ່ແມ່ນບັງຄັບສະເໝີ. ປະສົບການໂຄງການທີ່ແຂງແກ່ນ, ໃບຢັ້ງຢືນທີ່ກ່ຽວຂ້ອງ ແລະ ຜົນກະທົບທາງທຸລະກິດທີ່ພິສູດໄດ້ສາມາດທົດແທນໄດ້.

ເຮັດແນວໃດເພື່ອໃຫ້ຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນເຂົ້າກັນໄດ້ກັບ ATS?

ໃຊ້ຫົວຂໍ້ພາກມາດຕະຖານ, ລະບຸເຕັກໂນໂລຊີສະເພາະຕາມຊື່, ລວມຄຳສຳຄັນຈາກລາຍລະອຽດວຽກ ແລະ ໃຊ້ຮູບແບບຖັນດຽວທີ່ສະອາດ. ຫຼີກລ້ຽງຮູບພາບ, ຕາຕະລາງ ຫຼື ຮູບແບບພິເສດທີ່ ATS ບໍ່ສາມາດວິເຄາະໄດ້.

ສາມາດສ້າງຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນຟຣີໃນ NoBsResume ໄດ້ບໍ?

ໄດ້. NoBsResume ແມ່ນຟຣີ 100% ໂດຍບໍ່ມີຄ່າໃຊ້ຈ່າຍທີ່ເຊື່ອງໄວ້. ເລືອກແມ່ແບບທີ່ເຂົ້າກັນໄດ້ກັບ ATS, ເພີ່ມປະສົບການວິທະຍາສາດຂໍ້ມູນຂອງທ່ານ ແລະ ດາວໂຫຼດເປັນ PDF ທັນທີ.

ຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນຄວນມີຄວາມຍາວທໍ່ໃດ?

ສຳລັບຜູ້ທີ່ຫາກໍຈົບໃໝ່ ຫຼືມີປະສົບການໜ້ອຍກວ່າ 3 ປີ 1 ໜ້າແມ່ນເໝາະສົມທີ່ສຸດ. ນັກວິທະຍາສາດຂໍ້ມູນລະດັບກາງເຖິງອາວຸໂສທີ່ມີໂຄງການ ແລະ ຜົນງານຫຼາຍສາມາດຂະຫຍາຍເປັນ 2 ໜ້າໄດ້ ແຕ່ບໍ່ຄວນເກີນນັ້ນ. ເນັ້ນຄຸນນະພາບຂອງແຕ່ລະຫົວຂໍ້ດີກວ່າຄວາມຍາວ.

ຄວນຂຽນຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນເປັນພາສາລາວ ຫຼືພາສາອັງກິດ?

ຕຳແໜ່ງນັກວິທະຍາສາດຂໍ້ມູນຢູ່ລາວຍັງມີໜ້ອຍ ແລະ ສ່ວນຫຼາຍເປັນຂອງອົງກອນສາກົນ, NGO ຫຼືການເຮັດວຽກທາງໄກກັບບໍລິສັດຕ່າງປະເທດ ດັ່ງນັ້ນຊີວະປະຫວັດເປັນພາສາອັງກິດຈຶ່ງເປັນມາດຕະຖານ ແລະ ໄດ້ປຽບກວ່າ. ຖ້າສະໝັກກັບບໍລິສັດລາວທ້ອງຖິ່ນລ້ວນໆ ອາດໃຊ້ພາສາລາວໄດ້ ແຕ່ຄວນມີສະບັບພາສາອັງກິດກຽມໄວ້ສະເໝີ.

ຈະຂຽນຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນແນວໃດຖ້າຍັງບໍ່ມີປະສົບການເຮັດວຽກ?

ເນັ້ນໃສ່ໂຄງການວິຊາການ, ການແຂ່ງຂັນ Kaggle, ວິທະຍານິພົນ ຫຼືການຝຶກງານແທນປະສົບການວຽກເຕັມເວລາ. ບອກບັນຫາທີ່ແກ້ໄຂ, ຂໍ້ມູນ ແລະ ເຄື່ອງມືທີ່ໃຊ້ ພ້ອມກັບຜົນໄດ້ຮັບ. ໃສ່ລິ້ງ GitHub ຫຼື portfolio online ເພື່ອໃຫ້ຜູ້ຈັດການການຮັບສະໝັກເຫັນລະຫັດຈິງຂອງທ່ານ.

ຄວນໃສ່ລິ້ງ Kaggle ຫຼື GitHub ໃນຊີວະປະຫວັດບໍ?

ຄວນໃສ່ຖ້າໂປຣໄຟລ໌ຂອງທ່ານມີໂຄງການທີ່ສະແດງທັກສະຢ່າງຈະແຈ້ງ. ໃສ່ລິ້ງໃນສ່ວນຫົວຂອງຊີວະປະຫວັດຄຽງຄູ່ກັບອີເມວ ແລະ ເລືອກສະເພາະໂຄງການທີ່ດີທີ່ສຸດ 2-3 ອັນ ແທນທີ່ຈະໃສ່ repository ທັງໝົດ. ບອກສັ້ນໆວ່າແຕ່ລະໂຄງການແກ້ໄຂບັນຫາຫຍັງ.

ຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນຕ່າງຈາກນັກວິເຄາະຂໍ້ມູນແນວໃດ?

ຊີວະປະຫວັດນັກວິເຄາະຂໍ້ມູນເນັ້ນ SQL, dashboard ແລະ ການລາຍງານທຸລະກິດ ໃນຂະນະທີ່ຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນຕ້ອງສະແດງການສ້າງແບບຈຳລອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ການວິເຄາະສະຖິຕິເລິກ ແລະ ການນຳແບບຈຳລອງໄປສູ່ການຜະລິດ. ຖ້າທ່ານກຳລັງປ່ຽນຈາກນັກວິເຄາະໄປສູ່ນັກວິທະຍາສາດຂໍ້ມູນ ໃຫ້ເນັ້ນໂຄງການ ML ທີ່ເຮັດເພີ່ມເຕີມ.

ມີແມ່ແບບຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນທີ່ດາວໂຫຼດເປັນພາສາລາວໄດ້ບໍ?

ໄດ້. NoBsResume ມີແມ່ແບບທີ່ເຂົ້າກັນໄດ້ກັບ ATS 3 ແບບ ທ່ານສາມາດແກ້ໄຂຕົວຢ່າງນີ້ໃນເຄື່ອງມືສ້າງຊີວະປະຫວັດຟຣີ ປ່ຽນເປັນຂໍ້ມູນຂອງທ່ານເອງ ແລະ ດາວໂຫຼດເປັນໄຟລ໌ PDF ໄດ້ທັນທີ ໂດຍບໍ່ຕ້ອງລົງທະບຽນ ຫຼືເສຍຄ່າໃຊ້ຈ່າຍໃດໆ.

ສ້າງຊີວະປະຫວັດຂອງທ່ານດຽວນີ້

ໃຊ້ຕົວຢ່າງນີ້ເປັນແຮງບັນດານໃຈ. ປັບແຕ່ງຕາມປະສົບການຂອງທ່ານເອງ ແລະ ດາວໂຫຼດ PDF ມືອາຊີບພາຍໃນບໍ່ເທົ່າໃດນາທີ. ຟຣີ 100%.

ເລີ່ມສ້າງຊີວະປະຫວັດ

ເບິ່ງຊີວະປະຫວັດນີ້ໃນພາສາອື່ນ

ຕົວຢ່າງຊີວະປະຫວັດນີ້ມີໃຫ້ໃນ 63 ພາສາ:

ຕົວຢ່າງຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນ

ເບິ່ງຊີວະປະຫວັດລ່ວງໜ້າ

ສະຫຼຸບວິຊາຊີບ

ປະສົບການເຮັດວຽກ

ນັກວິທະຍາສາດຂໍ້ມູນອາວຸໂສ

ນັກວິທະຍາສາດຂໍ້ມູນ

ນັກວິເຄາະຂໍ້ມູນ

ການສຶກສາ

ປະລິນຍາໂທ ສະຖິຕິ (M.S.)

ປະລິນຍາຕີ ຄະນິດສາດ (B.S.)

ຫຼັກສູດ ແລະ ໃບຢັ້ງຢືນ

Deep Learning Specialization

AWS Certified Machine Learning - Specialty

Causal Inference for Data Science

ພາສາ

ພາສາລາວ

ພາສາອັງກິດ

ພາສາໄທ

ທັກສະ

ຄຳແນະນຳຊີວະປະຫວັດ

ບອກຜົນກະທົບທາງທຸລະກິດເປັນຕົວເລກ

ບອກຕົວຊີ້ວັດປະສິດທິພາບແບບຈຳລອງ

ສະແດງ Pipeline ຄົບຖ້ວນ

ລວມການຕີພິມ ແລະ ການຄົ້ນຄວ້າ

ທັກສະຫຼັກ

ວິທີຂຽນຊີວະປະຫວັດນັກວິທະຍາສາດຂໍ້ມູນແບບເປັນຂັ້ນເປັນຕອນ

ຂຽນບົດສະຫຼຸບມືອາຊີບໃຫ້ຊັດເຈນ

ຂຽນຫົວຂໍ້ປະສົບການວຽກງານດ້ວຍຕົວເລກ

ຈັດກຸ່ມທັກສະດ້ານເຕັກນິກໃຫ້ອ່ານງ່າຍ

ໃສ່ໂຄງການ Kaggle ແລະ GitHub ຖ້າປະສົບການຍັງໜ້ອຍ

ຢືນຢັນການສຶກສາ, ໃບຢັ້ງຢືນ ແລະ ຄວາມເຂົ້າກັນໄດ້ກັບ ATS

ຕົວຢ່າງບົດສະຫຼຸບມືອາຊີບສຳລັບນັກວິທະຍາສາດຂໍ້ມູນ

ນັກສຶກສາຈົບໃໝ່ / ຈູນເນຍ

ນັກວິທະຍາສາດຂໍ້ມູນອາວຸໂສ

ຜູ້ປ່ຽນສາຍອາຊີບເຂົ້າສູ່ວິທະຍາສາດຂໍ້ມູນ

ຄຳສຳຄັນ ATS ທີ່ນັກວິທະຍາສາດຂໍ້ມູນຄວນໃສ່

Python

SQL

Machine Learning

Deep Learning

PyTorch / TensorFlow

A/B Testing

Statistical Modeling

Spark / Big Data

MLOps / Model Deployment

Data Pipeline

ຕົວຢ່າງຫົວຂໍ້ປະສົບການ: ອ່ອນ ທຽບກັບ ເຂັ້ມແຂງ

ວຽກງານແບບຈຳລອງການສູນເສຍລູກຄ້າ

ວຽກງານໂຄງລ່າງຂໍ້ມູນ / pipeline

ວຽກງານທົດລອງ / ການວິເຄາະຮ່ວມກັບຝ່າຍທຸລະກິດ

ຄຳຖາມທີ່ຖາມເລື້ອຍໆ

ສ້າງຊີວະປະຫວັດຂອງທ່ານດຽວນີ້

ເບິ່ງຊີວະປະຫວັດນີ້ໃນພາສາອື່ນ