معاينة السيرة الذاتية

ياسر القحطاني

مهندس تعلم آلة أول

[email protected]+966 56 234 5678الرياض، المملكة العربية السعوديةرخصة قيادة سارية المفعول

الملخص المهني

مهندس تعلم آلة أول يتمتع بـ 7 سنوات من الخبرة في بناء ونشر أنظمة تعلم الآلة في الإنتاج على نطاق واسع. متخصص في NLP وأنظمة التوصية وبنى التعلم العميق، مع نماذج تخدم أكثر من 10 ملايين تنبؤ يومياً بزمن استجابة أقل من 100 مللي ثانية. نشر 3 أوراق بحثية في مؤتمرات تعلم الآلة الرائدة بما في ذلك NeurIPS وICML. شغوف بسد الفجوة بين البحث والإنتاج، مع خبرة عملية في MLOps والتدريب الموزع وتحسين الاستدلال في الوقت الفعلي.

الخبرة العملية

مهندس تعلم آلة أول

stc

يونيو 2022 - الحاضر

بنى محرك توصيات يخدم أكثر من 10 ملايين تنبؤ يومياً بتوافر 99.5% وزمن استجابة P99 أقل من 80 مللي ثانية
طور خط أنابيب تعلم آلة شاملاً من استيعاب البيانات إلى نشر النموذج باستخدام Kubeflow وMLflow، مما قلل وقت النشر من أسبوعين إلى 3 ساعات
حسّن معدل النقر بنسبة 25% من خلال تغييرات بنية النموذج المختبرة بـ A/B عبر 4 واجهات منتجات
صمم ونفذ مخزن ميزات يخدم أكثر من 500 ميزة لـ 12 نموذجاً في الإنتاج، مما قلل تكرار هندسة الميزات بنسبة 70%
أرشد 3 مهندسي تعلم آلة مبتدئين وأسس عملية مراجعة نماذج اعتمدها فريق منصة تعلم الآلة

مهندس تعلم آلة

Elm

أغسطس 2019 - مايو 2022

ضبط نماذج BERT وGPT-2 لتصنيف المستندات محققاً دقة 97% على مجموعات بيانات إنتاج تشمل 15 لغة
بنى خط أنابيب تحليل نصوص في الوقت الفعلي يعالج 500 ألف مستند يومياً باستخدام Spark وKafka بزمن استجابة شامل أقل من 200 مللي ثانية
قلل وقت تدريب النموذج بنسبة 60% من خلال التدريب الموزع على عناقيد GPU باستخدام Horovod وPyTorch DDP
نفذ نظام مراقبة نموذج وكشف انحراف يطلق إعادة تدريب تلقائية، محافظاً على دقة النموذج فوق اتفاقية مستوى الخدمة البالغة 95%

مهندس تعلم آلة

Mozn

يوليو 2017 - يوليو 2019

طور نموذج تصنيف صور بدقة 94% لوسم المحتوى، معالجاً أكثر من 3 ملايين أصل وخافضاً جهد المراجعة اليدوية بنسبة 65%
أنشأ خط أنابيب لزيادة البيانات ضاعف حجم مجموعة بيانات التدريب 5 مرات باستخدام تقنيات تشمل CutMix وMixUp والتوليد الاصطناعي
نشر ورقة بحثية حول أساليب التعلم بالنقل في ورشة عمل ICML، حصلت على أكثر من 50 استشهاداً خلال السنة الأولى
بنى لوحة معلومات تفاعلية لقابلية تفسير النموذج باستخدام SHAP وLIME، مما مكّن أصحاب المصلحة غير التقنيين من تفسير التنبؤات

التعليم

ماجستير علوم الحاسب (تعلم الآلة)

جامعة الملك سعود

2015 - 2017

تركيز على تعلم الآلة وأنظمة التعلم العميق.

بكالوريوس علوم الحاسب

جامعة الملك فهد للبترول والمعادن

2011 - 2015

تركيز على الخوارزميات والإحصاء والأنظمة الموزعة.

الدورات والشهادات

AWS Certified Machine Learning - Specialty

Amazon Web Services

2023

رقم الشهادة: AWS-MLS-2023-58104

TensorFlow Developer Certificate

Google

2021

شهادة احترافية في بناء وتدريب نماذج TensorFlow.

Deep Learning Specialization

Coursera (DeepLearning.AI)

2020

تخصص من خمس دورات يغطي CNN وRNN ونماذج التسلسل.

تدريب هندسة الذكاء الاصطناعي

أكاديمية طويق

2022

برنامج تطبيقي حول نشر نماذج تعلم الآلة وممارسات MLOps.

اللغات

العربية

التحدث: لغة أمالاستماع: لغة أمالكتابة: لغة أم

الإنجليزية

التحدث: متقدمالاستماع: متقدمالكتابة: متقدم

المهارات

PythonPyTorchTensorFlowScikit-learnKubeflowMLflowSparkSQLDockerAWS SageMakerNLPDeep Learning

هذه سيرة ذاتية نموذجية. خصصها بتجربتك الخاصة باستخدام أداة إنشاء السيرة الذاتية المجانية.

نصائح لسيرتك الذاتية

أظهر تعلم الآلة في الإنتاج وليس مجرد دفاتر الملاحظات

تريد الشركات مهندسين ينشرون النماذج وليس فقط يدربونها. أبرز خدمة النماذج ومقاييس زمن الاستجابة والمراقبة وخبرة خط أنابيب MLOps.

أدرج مقاييس أداء النموذج

الدقة وF1 وAUC-ROC وزمن الاستجابة وأرقام الإنتاجية تظهر أن نماذجك تعمل فعلاً على نطاق واسع. 'زمن استجابة P99 أقل من 80 مللي ثانية يخدم 10 ملايين تنبؤ يومياً' عبارة قوية.

اذكر دورة حياة تعلم الآلة الكاملة

جمع البيانات وهندسة الميزات وتدريب النموذج والتقييم والنشر والمراقبة. أظهر أنك تفهم خط الأنابيب الكامل وليس فقط خطوة النمذجة.

أدرج المنشورات والمصادر المفتوحة

تقدّر هندسة تعلم الآلة المساهمات البحثية. إذا كان لديك أوراق أو محاضرات مؤتمرات أو مساهمات مفتوحة المصدر مهمة، أدرجها بشكل بارز.

المهارات الرئيسية

PythonPyTorch/TensorFlowتطوير خط أنابيب تعلم الآلةنشر النماذجMLOps (Kubeflow/MLflow)NLP/الرؤية الحاسوبيةالتعلم العميقالتدريب الموزعهندسة الميزاتA/B TestingAWS SageMakerهندسة البيانات

كيف تكتب سيرة ذاتية لمهندس تعلم الآلة تجتاز ATS وتحصل على مقابلات

سيرة مهندس تعلم الآلة الفعالة تختلف عن سيرة عالم البيانات لأنها تثبت أنك تستطيع نقل نموذج من دفتر الملاحظات التجريبي إلى الإنتاج والحفاظ عليه هناك. اتبع الخطوات الخمس التالية لبناء سيرة ذاتية تعكس هذه القدرة بدقة ووضوح.

1. اكتب ملخصاً مهنياً يربط الأقدمية بالمجال والتقنيات

ابدأ بملخص من 3-4 أسطر يذكر مستوى أقدميتك، مجال تطبيقك (توصيات، كشف احتيال، NLP/LLM، رؤية حاسوبية)، أهم تقنياتك (Python، PyTorch أو TensorFlow)، ومقياس إنتاج واحد بارز، مثل 'نماذج تخدم أكثر من مليوني تنبؤ يومياً بزمن استجابة P95 أقل من 50 مللي ثانية'. إذا كنت مبتدئاً بلا خبرة عمل رسمية، استبدل المقياس الإنتاجي بمشروع منشور فعلياً: تطبيق RAG منشور، نتيجة في Kaggle، أو مستودع GitHub يعمل من طرف إلى طرف. تجنب العبارات العامة مثل 'محترف متحمس'؛ كل كلمة في الملخص يجب أن تثبت قدرة تقنية حقيقية.

2. اكتب نقاط الخبرة بمقاييس تأثير كاملة من طرف إلى طرف

كل نقطة خبرة يجب أن تربط عملاً تقنياً بنتيجة قابلة للقياس: تحسّن دقة النموذج مرتبط برقم أعمال (إيراد، تقليل احتيال، رفع تحويل)، أو زمن استجابة/تكلفة الخدمة، أو حجم خط الأنابيب المُعالَج. مثال قوي: 'خفّضت زمن استجابة الاستدلال P99 من 220 إلى 65 مللي ثانية عبر تحويل النموذج إلى ONNX وتفعيل التجميع الديناميكي، مما وفّر 40% من تكلفة الخدمة الشهرية'. ابدأ كل نقطة بفعل قوي (بنى، نشر، خفّض، حسّن) وتجنب الأفعال الوصفية مثل 'كان مسؤولاً عن'.

3. نظّم قسم المهارات حول أربع مجموعات يفهمها ATS

قسّم المهارات إلى: أطر تعلم الآلة (PyTorch، TensorFlow، Scikit-learn)، MLOps والبنية التحتية (Docker، Kubernetes، MLflow أو Kubeflow، وأي خط أنابيب MLOps بنيته من التدريب إلى النشر)، هندسة البيانات (Spark، SQL، Airflow)، ولغات البرمجة. استخدم نفس المصطلحات الواردة حرفياً في إعلان الوظيفة لأن أنظمة ATS تبحث عن تطابق نصي دقيق. لا تسرد كل مكتبة استخدمتها يوماً؛ اذكر فقط ما تتقنه فعلاً وقادر على مناقشته بعمق في المقابلة، فالعمق أهم من الطول.

4. أثبت الإنتاج بمشاريع منشورة لا بمجرد دفاتر Jupyter

مستودع GitHub يحتوي على نموذج تم نشره فعلياً (حتى لو على خدمة مجانية) يفوق قيمة قائمة دورات تدريبية طويلة. أضف رابط تطبيق RAG منشور، ترتيبك في مسابقة Kaggle، أو ورقة بحثية منشورة إن وُجدت. للباحثين، اذكر المنشورات والاستشهادات؛ للمبتدئين، ركّز على نتائج Kaggle والمستودعات القابلة لإعادة الإنتاج مع ملف README واضح. مشاريع LLM/GenAI الجانبية—مثل بناء وكيل أو خط أنابيب RAG—تُعتبر إشارة قوية جداً في 2026 حتى بدون خبرة عمل رسمية في هذا المجال.

5. أضف التعليم والشهادات وافحص التوافق مع ATS

اذكر الماجستير أو الدكتوراه إن وُجد فهو يُقدَّر في أدوار البحث، مع الشهادات التي لها وزن فعلي في السوق مثل AWS Certified Machine Learning – Specialty أو Google Cloud Professional Machine Learning Engineer. لا تعتمد على الشهادات وحدها؛ فهي تكمّل المشاريع ولا تعوّضها. أخيراً، افحص التوافق مع ATS: عمود واحد، عناوين أقسام قياسية (الخبرة، التعليم، المهارات)، ملف PDF نظيف، وكلمات مفتاحية منسوخة من إعلان الوظيفة نفسه.

نماذج ملخصات مهنية لمهندس تعلم الآلة

انسخ أقرب مثال إلى وضعك ثم خصصه بمجالك وتقنياتك ونتائجك الفعلية.

مهندس تعلم آلة مبتدئ / خريج جديد بلا خبرة عمل

خريج بكالوريوس علوم حاسب متخصص في تعلم الآلة، بنيت وحدي 3 مشاريع منشورة تشمل تطبيق RAG لتلخيص المستندات القانونية باستخدام LangChain وPinecone، ونموذج تصنيف صور حقق المركز العاشر من بين 1200 فريق في مسابقة Kaggle. متمكن من Python وPyTorch وDocker، مع فهم عملي لخطوط أنابيب MLOps من خلال مشاريع جانبية منشورة على AWS. أبحث عن دور مهندس تعلم آلة مبتدئ لتطبيق هذه المهارات على مشاكل إنتاجية حقيقية.

مهندس تعلم آلة أول (خبرة 7+ سنوات)

مهندس تعلم آلة أول بخبرة 8 سنوات في بناء ونشر أنظمة توصية وكشف احتيال تخدم أكثر من 15 مليون تنبؤ يومياً بزمن استجابة P99 أقل من 70 مللي ثانية. قدت انتقال فريق من 6 مهندسين إلى خط أنابيب MLOps موحد باستخدام Kubeflow وMLflow، ما خفّض زمن النشر من أسابيع إلى ساعات. خبرة عميقة في PyTorch والتدريب الموزع، وحالياً أقود مبادرة لدمج نماذج LLM في منتج البحث الداخلي.

متحول للمجال من هندسة البرمجيات

مهندس برمجيات بخبرة 6 سنوات في أنظمة موزعة عالية التوفر، انتقلت للتخصص في تعلم الآلة عبر تخصص Deep Learning Specialization وثلاثة مشاريع منشورة تشمل خط أنابيب تدريب وإعادة تدريب آلي على AWS SageMaker. أجمع بين صرامة هندسة البرمجيات (Git، CI/CD، اختبارات) وأساسيات PyTorch وSQL لبناء أنظمة تعلم آلة موثوقة وقابلة للنشر في الإنتاج من اليوم الأول.

كلمات مفتاحية أساسية لسيرة مهندس تعلم الآلة (ATS)

استخدم نفس المصطلحات الواردة في إعلان الوظيفة حرفياً؛ فكل من المجندين وأنظمة ATS يبحثان عنها بالضبط.

Machine Learning

اذكرها في المسمى الوظيفي والملخص المهني وقسم المهارات لضمان تطابقها مع بحث ATS الأساسي.

Python

لغة أساسية لا غنى عنها؛ اربطها بمكتبات محددة استخدمتها فعلياً بدل ذكرها بمفردها.

PyTorch

اذكرها إن كانت إطارك الأساسي، وحدد نوع النماذج التي بنيتها بها (تصنيف، NLP، رؤية حاسوبية).

AWS SageMaker

اذكرها إن نشرت نماذج على AWS SageMaker فعلياً، فهي كلمة يبحث عنها المجندون في الأسواق الخليجية بكثرة.

MLflow

اذكرها عند وصف كيفية تتبعك للتجارب ونشرك للنماذج، فهي إشارة قوية على نضج ممارسات MLOps لديك.

Docker

اربطها بحاويات نماذج فعلية نشرتها، لا كمهارة عامة فقط.

Kubernetes

اذكرها إن كنت أدرت أو نشرت أحمال عمل تعلم آلة على عناقيد k8s، مع رقم يوضح الحجم أو التوفر.

SQL

أساسي لأي دور يتضمن هندسة ميزات أو استخراج بيانات تدريب من قواعد بيانات إنتاجية.

Spark

اذكرها عند معالجة بيانات على نطاق كبير (تيرابايت) لتدريب النماذج أو خطوط أنابيب الميزات.

LLM / RAG

من أقوى الإشارات في 2026؛ اذكر مشروع ضبط دقيق أو خط أنابيب RAG فعلي بنيته، حتى لو كان جانبياً.

أمثلة: من نقطة خبرة ضعيفة إلى نقطة قوية

قارن الصياغة الضعيفة بالصياغة القوية لترى كيف يضيف الفعل والأداة والرقم مصداقية فورية.

نشر النموذج وخدمته

كنت مسؤولاً عن نشر نماذج تعلم الآلة للفريق.

نشرت خدمة استدلال باستخدام TensorFlow Serving وDocker على Kubernetes، خافضاً زمن استجابة P99 من 300 إلى 90 مللي ثانية وتكلفة الخدمة الشهرية بنسبة 35% عبر التحجيم التلقائي.

تحسين النموذج بأثر على الأعمال

حسّنت دقة نموذج كشف الاحتيال.

رفعت دقة نموذج كشف الاحتيال من 89% إلى 96% عبر هندسة ميزات جديدة وضبط دقيق لـ XGBoost، ما وفّر ما يقارب 1.2 مليون ريال سنوياً من خسائر الاحتيال المُتفادى.

بناء خط أنابيب MLOps وإعادة التدريب الآلي

أنشأت خط أنابيب لتدريب النماذج.

صممت خط أنابيب MLOps شاملاً بـ Kubeflow وMLflow يغطي التدريب وإعادة التدريب الآلي عند انحراف البيانات، ما خفّض زمن دورة النشر من أسبوعين إلى 4 ساعات ورفع موثوقية الإنتاج إلى 99.9%.

الأسئلة الشائعة

ماذا يجب أن تتضمن سيرة ذاتية لمهندس تعلم الآلة؟

يجب أن تبرز سيرة مهندس تعلم الآلة أنظمة تعلم الآلة في الإنتاج ومقاييس أداء النموذج وخبرة خط أنابيب النشر ومهارات البرمجة (Python وPyTorch/TensorFlow). أدرج مقاييس زمن الاستجابة والإنتاجية والتأثير على الأعمال من النماذج المنشورة.

ما الفرق بين سيرة عالم البيانات وسيرة مهندس تعلم الآلة؟

تركز سير مهندسي تعلم الآلة على الأنظمة في الإنتاج والنشر وMLOps والممارسات الهندسية. أما سير علماء البيانات فتركز أكثر على التحليل والتجريب والأساليب الإحصائية. مهندسو تعلم الآلة يبنون الأنظمة؛ علماء البيانات يبنون النماذج.

هل أحتاج إلى درجة دراسات عليا لهندسة تعلم الآلة؟

تفضّل العديد من أدوار مهندس تعلم الآلة درجة الماجستير أو الدكتوراه، لكنها ليست مطلوبة دائماً. خبرة المشاريع القوية والمساهمات مفتوحة المصدر والقدرة المثبتة على نشر أنظمة تعلم الآلة في الإنتاج يمكن أن تعوّض التعليم الرسمي.

هل يمكنني إنشاء سيرة ذاتية لمهندس تعلم الآلة مجاناً؟

نعم! تتيح لك أداة إنشاء السيرة الذاتية المجانية لدينا إنشاء سيرة ذاتية احترافية لمهندس تعلم الآلة. ابحث عن الوظائف على LinkedIn أو Bayt أو طاقات (Taqat)، واستخدم هذا النموذج كمصدر إلهام، وخصصه بخبرتك، وحمّل ملف PDF احترافي في دقائق.

كيف أكتب سيرة ذاتية لمهندس تعلم الآلة بدون خبرة عمل؟

إذا لم تملك خبرة عمل رسمية، استبدل قسم الخبرة بقسم 'مشاريع' بارز يضم 2-3 مشاريع منشورة فعلياً: تطبيق RAG، نموذج مُدرَّب ومنشور على خدمة سحابية، أو نتيجة موثقة في Kaggle. اذكر التقنيات المستخدمة والنتائج بأرقام (دقة، زمن استجابة). أضف مقرراً متخصصاً مثل Deep Learning Specialization لدعم الأساسيات النظرية. هذا المسار عملي وفعّال لدخول المجال دون درجة دراسات عليا.

كيف أُظهر خبرة LLM أو الذكاء الاصطناعي التوليدي في سيرتي الذاتية؟

أضف قسماً أو نقطة خبرة مخصصة تصف مشروعاً محدداً: ضبط دقيق (fine-tuning) لنموذج مفتوح المصدر، بناء خط أنابيب RAG بقاعدة بيانات متجهات مثل Pinecone أو Weaviate، أو تقييم جودة استجابات LLM بمقاييس واضحة. اذكر الأداة (LangChain، LlamaIndex، OpenAI API) والنتيجة (دقة الاسترجاع، رضا المستخدم، توفير وقت). في 2026 هذه من أكثر الإشارات التي يبحث عنها المجندون في أي سيرة تعلم آلة.

هل تُحتسب مشاريع Kaggle وGitHub بدل الخبرة العملية؟

نعم، خاصة للمبتدئين. مشروع منشور فعلياً على GitHub بمستودع نظيف وREADME واضح، أو نتيجة موثقة في مسابقة Kaggle (اذكر الترتيب من إجمالي المشاركين)، يُظهر قدرة عملية حقيقية. الأفضلية دائماً للمشاريع المنشورة أو القابلة للتشغيل الفعلي على القوائم النظرية أو الدورات فقط.

ما الشهادات التي تستحق الإدراج في سيرة مهندس تعلم الآلة؟

الأكثر وزناً في السوق: AWS Certified Machine Learning – Specialty وGoogle Cloud Professional Machine Learning Engineer، لأنهما تثبتان خبرة سحابية عملية. لكن أي شهادة تبقى داعمة وليست بديلاً عن مشاريع منشورة أو خبرة إنتاجية فعلية؛ ضعها في قسم منفصل بعد الخبرة والمشاريع لا قبلهما.

هل يجب أن تكون سيرة مهندس تعلم الآلة بالإنجليزية أم العربية؟

في السوق السعودي والخليجي، السيرة الذاتية بالإنجليزية هي المعيار الفعلي لأدوار تعلم الآلة، خاصة في الشركات التقنية والعالمية والأدوار عن بعد، بينما تُقبل العربية غالباً في جهات حكومية محلية مثل بعض برامج سدايا (SDAIA). الأكثر أماناً: أعدّ نسخة إنجليزية أساسية، ونسخة عربية إضافية إذا كانت الوظيفة أو الجهة تفضّل ذلك صراحة.

هل يوجد نموذج سيرة ذاتية لمهندس تعلم الآلة جاهز للتحميل بالعربية؟

هذا المثال نفسه قابل للتعديل الكامل داخل أداتنا المجانية: اختر أحد 3 قوالب متوافقة مع ATS، عدّل النصوص بخبرتك، وحمّل نسخة PDF عربية أو إنجليزية فوراً دون تسجيل أو دفع.

أنشئ سيرتك الذاتية الآن

استخدم هذا النموذج كمصدر إلهام. خصصه بتجربتك وحمّل ملف PDF احترافي في دقائق. مجاني 100%.

ابدأ بإنشاء سيرتك الذاتية

شاهد هذه السيرة الذاتية بلغات أخرى

نموذج السيرة الذاتية هذا متاح بـ 63 لغة: