[email protected]+381 63 234 5678Београд, СрбијаВозачка дозвола категорије Б
Професионални Резиме
Научник за податке са више од 5 година искуства у машинском учењу, статистици и Python-у. Развио предиктивне моделе који су повећали приходе за 3,2 милиона долара и смањили губитке од превара за 800 хиљада долара. Вешт у Python-у, R-у, SQL-у, TensorFlow-у и PyTorch-у. Објављени истраживач са радовима из области обраде природног језика (NLP).
Радно Искуство
Виши научник за податке
RetailAI Corp.
феб. 2022. – данас
Развио модел предвиђања одлива купаца који је уштедео 3,2 милиона долара годишње коришћењем ансамбл метода
Водио тим од 4 научника за податке у имплементацији система препорука у реалном времену који је повећао приход од унакрсне продаје за 28%
Оптимизовао ценовну стратегију коришћењем каузалног закључивања, што је резултирало повећањем марже од 15%
Имплементирао MLOps цевовод за аутоматизовано тренирање и праћење модела
Презентовао истраживачке налазе на интерним конференцијама за иновације
Научник за податке
HealthTech Analytics
јун 2020. – јан. 2022.
Израдио модел за откривање превара који је смањио лажне захтеве за 40%, уштедевши 800 хиљада долара годишње
Имплементирао NLP цевовод за анализу повратних информација пацијената са тачношћу класификације сентимента од 92%
Дизајнирао A/B тестове за нове функције производа који су повећали ангажовање корисника за 18%
Сарађивао са инжењерским тимовима за деплојмент модела у продукцију
Аналитичар података
Market Insights Group
авг. 2018. – мај 2020.
Аутоматизовао извештавање коришћењем Python-а и SQL-а, смањивши време израде извештаја за 60%
Израдио интерактивне контролне табле у Tableau-у за праћење KPI-јева које је користило више од 50 заинтересованих страна
Спровео анализу сегментације купаца која је побољшала циљање маркетиншких кампања за 35%
Креирао аутоматизоване ETL процесе за обраду података
Образовање
Мастер статистике
Универзитет у Београду, Математички факултет
2016 - 2018
Мастер теза о примени дубоког учења у предиктивној аналитици
Основне студије математике
Универзитет у Новом Саду, Природно-математички факултет
2012 - 2016
Специјализација у примењеној математици и статистици
Курсеви и Сертификати
Специјализација за дубоко учење
Coursera / deeplearning.ai
2021
Напредни курсеви о неуронским мрежама, CNN, RNN и трансформерима
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
Credential ID: AWS-MLS-2023-7412
Каузално закључивање за науку о подацима
Coursera / Columbia University
2022
Методе за каузално закључивање и експериментални дизајн
Ово је пример биографије. Прилагодите је својим искуствима користећи наш бесплатни алат за израду биографија.
Савети за биографију
Квантификујте пословни утицај
Немојте само рећи „направио модел“. Реците „Направио модел предвиђања одлива који штеди 3,2 милиона долара годишње“. Преведите технички рад у пословне резултате.
Наведите метрике перформанси модела
Укључите тачност, F1 резултате, AUC-ROC. „Постигао тачност од 92%“ доказује да ваши модели функционишу.
Покажите цео цевовод
Наука о подацима није само моделирање. Помените чишћење података, инжењеринг карактеристика, имплементацију и праћење.
Многе IT и дата тимове у Србији раде на пројектима за иностране клијенте, па се биографија научника за податке често прегледа и на српском и на енглеском. Ево пет конкретних корака за биографију која пролази и ATS системе и људски скрининг.
1
1. Напишите професионални сажетак у три реченице
На врху биографије укратко наведите ниво искуства, домен у коме радите (е-трговина, финансије, здравство) и главне алате. Додајте бар један конкретан пословни резултат са бројком, на пример уштеду, повећање прихода или тачност модела. Немојте писати уопштене реченице попут „мотивисан и вредан“ — послодавци у науци о подацима траже доказ да умете да претворите податке у пословну вредност, не описе карактера.
2
2. Квантификујте сваку ставку у радном искуству
Свака реченица треба да почне глаголом и да садржи метрику: тачност модела, AUC, смањење трошкова, обим података или брзину цевовода. Пример добре реченице: „Развио модел за предвиђање одлива купаца који је смањио губитак корисника за 18% и уштедео компанији 400 хиљада евра годишње.“ Овакве реченице показују и техничку вештину и пословни утицај, што ATS системи и HR тимови подједнако препознају.
3
3. Групишите технички одељак вештина по категоријама
Раздвојите вештине на групе: језике (Python, R, SQL), библиотеке за машинско учење (scikit-learn, XGBoost, PyTorch, TensorFlow), инфраструктуру и податке (Spark, Airflow, dbt, AWS/Azure) и алате за визуелизацију (Tableau, Power BI). Прилагодите редослед и терминологију тачно према огласу за посао — ако послодавац тражи „deep learning“, немојте писати само „неуронске мреже“, наведите оба израза да бисте прошли ATS филтере.
4
4. Додајте пројекте, GitHub и Kaggle профил
Ако немате пуно радног искуства, одељак са пројектима је најважнији део биографије. Наведите два до три пројекта са јасним пословним оквиром: проблем, приступ, резултат. Линк ка GitHub репозиторијуму са уредним README фајлом или Kaggle профилу са рангом вреди више од десет необјашњених notebook-ова. Један завршен и деплојован модел, макар и мали, увек делује убедљивије него гомила незавршених експеримената.
5
5. Наведите образовање, сертификате и проверите ATS форматирање
Наведите диплому (математика, статистика, рачунарство или сродна област) и релевантне сертификате попут AWS/Azure/Google Cloud Machine Learning Specialty или Coursera специјализација за дубоко учење. На крају проверите техничко форматирање: једна колона, стандардни фонт, PDF извоз, без табела, графикона или слика унутар саме биографије — ATS системи их често не читају исправно и пропуштају вас из даљег круга.
Примери професионалног сажетка за биографију научника за податке
Сажетак прилагодите свом нивоу искуства — послодавац за пет секунди треба да схвати ко сте и шта доносите тиму.
Млађи научник за податке / скорашњи дипломац
Скорашњи дипломац статистике са практичним искуством у Python-у, pandas-у и scikit-learn-у стеченим кроз праксу и три завршена пројекта на Kaggle платформи. Током стручне праксе учествовао у изради A/B теста који је помогао тиму да донесе одлуку о новој функцији апликације. Заинтересован за улогу у тиму где могу да применим статистичко знање на реалне пословне проблеме.
Виши научник за податке
Виши научник за податке са 7+ година искуства у изградњи система препорука и предиктивних модела за е-трговину. Стручњак за XGBoost, PyTorch и Spark, са искуством у вођењу тима од четворо људи и деплојовању модела у продукцију кроз MLOps цевоводе. Модели које сам развио генерисали су додатних 3,2 милиона долара прихода годишње кроз персонализацију и оптимизацију цена.
Промена каријере у науку о подацима (из аналитике података)
Аналитичар података са 5 година искуства у SQL-у, Tableau-у и извештавању, недавно прешао на машинско учење кроз завршену специјализацију за дубоко учење и три самостална пројекта предвиђања потражње. Комбинујем дубоко познавање пословних процеса са новостеченим вештинама у Python-у и scikit-learn-у, спреман да применим оба сета вештина у улози научника за податке.
ATS кључне речи за биографију научника за податке
Пре слања биографије, поредите је са тачним изразима из огласа — ATS системи и рекрутери скенирају исте кључне речи, па терминологија мора да се поклапа реч по реч.
Python
Наведите у одељку вештина и поткрепите га конкретним библиотекама (pandas, NumPy, scikit-learn) у пројектима.
SQL
Скоро сваки оглас за науку о подацима тражи SQL — наведите ниво (напредни упити, оптимизација, window функције) ако је применљиво.
Machine Learning / машинско учење
Користите оба облика израза у сажетку и опису искуства, јер различити ATS системи претражују различите варијанте.
Deep Learning
Наведите конкретне архитектуре (CNN, RNN, трансформери) уместо само генеричког термина, ако сте заиста радили с њима.
PyTorch / TensorFlow
Наведите оквир који сте стварно користили у пројекту, не оба уколико немате искуство са оба.
Apache Spark
Кључна реч за позиције које укључују велике количине података — наведите је ако сте радили са дистрибуираном обрадом.
A/B testing
Опишите бар један тест који сте дизајнирали или анализирали, са резултатом и статистичком значајношћу.
MLOps
Показује да разумете деплојмент и праћење модела, не само тренирање — све траженији захтев послодаваца.
Data pipelines / цевоводи података
Наведите алате (Airflow, dbt) и обим података којим сте руковали да реч добије тежину.
Stakeholder communication / комуникација са заинтересованим странама
Формулишите као резултат: „Презентовао налазе руководству и утицао на одлуку о...“ уместо само набрајања вештине.
Пре и после: реченице у радном искуству научника за податке
Слаба реченица описује задатак, снажна реченица доказује резултат — упоредите примере испод и примените исти образац на своје искуство.
Изградња модела за одлив купаца
Радио на моделу за предвиђање одлива купаца.
Развио и оптимизовао XGBoost модел за предвиђање одлива купаца (AUC 0,89) који је омогућио тиму за задржавање корисника да смањи одлив за 18% и уштеди 400 хиљада евра годишње.
Инфраструктура и цевоводи података
Правио ETL процесе за обраду података.
Изградио аутоматизоване ETL цевоводе у Airflow-у и dbt-у који дневно обрађују преко 10 милиона редова, смањивши време припреме података за аналитичаре са 6 сати на 40 минута.
Експериментисање и сарадња са пословним тимовима
Радио A/B тестове и презентовао резултате.
Дизајнирао и спровео 12 A/B тестова годишње у сарадњи са продукт тимом, презентовао налазе руководству и директно утицао на увођење нове функције која је повећала конверзију за 9%.
Често постављана питања
Шта би требало да садржи биографија научника за податке?
Биографија научника за податке треба да садржи професионални сажетак са мерљивим постигнућима, техничке вештине (Python, R, SQL, оквире за машинско учење), радно искуство са конкретним резултатима, образовање, релевантне сертификате и публикације. Нагласак треба да буде на пословном утицају ваших пројеката.
Да ли ми треба мастер диплома за биографију научника за податке?
Мастер диплома није обавезна, али може бити предност. Многи успешни научници за податке имају основне студије допуњене сертификатима и практичним искуством. Нагласак на пројектима, вештинама и мерљивим резултатима може надокнадити недостатак напредне дипломе.
Како учинити биографију научника за податке прилагођеном ATS системима?
Користите кључне речи из описа посла, наведите техничке вештине јасно и поименце, користите стандардне називе одељака, избегавајте сложено форматирање и графику и користите уобичајене формате датотека. Укључите специфичне алате и технологије попут Python-а, TensorFlow-а и SQL-а.
Могу ли бесплатно направити биографију научника за податке?
Да! Наш бесплатни алат за израду биографија омогућава вам стварање професионалне биографије научника за податке. Користите овај пример као инспирацију, прилагодите га својим искуствима и преузмите професионални PDF за неколико минута. 100% бесплатно.
Да ли постоји бесплатан шаблон биографије научника за податке на српском језику?
Да — овај пример можете директно отворити у нашем бесплатном алату за израду биографија, изменити све податке и извести као PDF за неколико минута. Доступна су три ATS-пријатељска шаблона, без регистрације и без скривених трошкова.
Како да направим биографију научника за податке без радног искуства?
Фокусирајте се на пројекте: Kaggle такмичења, завршени курсеви са практичним задацима и самостални пројекти са реалним подацима. Наведите GitHub линк, опишите проблем и резултат сваког пројекта бројчано, и додајте праксу или студентске пројекте као радно искуство ако постоје.
Да ли биографија за научника за податке треба да буде на српском или енглеском?
За позиције у међународним компанијама и удаљени рад биографија на енглеском је готово увек стандард, чак и ако интервју буде делимично на српском. За локалне српске компаније биографија на српском је сасвим прихватљива, а многи кандидати праве обе верзије да покрију оба тржишта.
Колико страница треба да има биографија научника за податке?
Једна страница је идеална за кандидате са мање од 5 година искуства, а две странице су прихватљиве за старије нивое са дужом историјом пројеката и публикација. Рекрутери проводе свега неколико секунди на првом прегледу, па сажетост и јасна структура вреде више од дужине.
Да ли треба да укључим GitHub или Kaggle профил у биографију?
Апсолутно — за науку о подацима то је практично обавезно, посебно за млађе кандидате. Наведите директан линк поред контакт података или у одељку пројеката, и уверите се да су репозиторијуми уредни, са README описом који објашњава проблем и резултат.
Која је разлика између биографије научника за податке и аналитичара података?
Биографија аналитичара података наглашава SQL, извештавање и контролне табле (Tableau, Power BI), док биографија научника за податке ставља акценат на статистичко моделовање, машинско учење и деплојмент модела у продукцију. Ако прелазите из аналитике у науку о подацима, истакните пројекте у машинском учењу да бисте показали ту разлику.
Направите своју биографију сада
Користите овај пример као инспирацију. Прилагодите га својим искуствима и преузмите професионални PDF за неколико минута. 100% бесплатно.
