Profesyonel bir ML mühendisi özgeçmişinin model geliştirme, dağıtım boru hatları ve üretim ML sistemlerini nasıl öne çıkardığını görün. Bu örneği kendi deneyiminize göre uyarlayın.
[email protected]+90 533 234 5678Maslak Mah., Büyükdere Cad. No:237, 34485 Sarıyer, İstanbul, TürkiyeB Sınıfı Ehliyet
Profesyonel Özet
Ölçekli üretim ML sistemleri kurma ve dağıtma konusunda 7 yıllık deneyime sahip kıdemli makine öğrenimi mühendisi. NLP, öneri sistemleri ve derin öğrenme mimarilerinde uzmanlaşmış olup, modelleri 100 ms altı gecikme süresiyle günlük 10 milyondan fazla tahmin sunmaktadır. NeurIPS ve ICML dahil üst düzey ML konferanslarında 3 makale yayınladı. Araştırma ile üretim arasındaki boşluğu kapatmaya tutkulu; MLOps, dağıtık eğitim ve gerçek zamanlı çıkarım optimizasyonu konularında uygulamalı uzmanlığa sahip.
İş Deneyimi
Kıdemli Makine Öğrenimi Mühendisi
Trendyol
Haz 2022 – Halen
%99,5 erişilebilirlik ve 80 ms altı P99 gecikme süresiyle günlük 10 milyondan fazla tahmin sunan bir öneri motoru kurdu
Kubeflow ve MLflow kullanarak veri alımından model dağıtımına kadar uçtan uca ML boru hattı geliştirdi ve dağıtım süresini 2 haftadan 3 saate düşürdü
4 ürün yüzeyinde A/B testi yapılan model mimarisi değişiklikleriyle tıklama oranını %25 artırdı
12 üretim modeline 500'den fazla özellik sunan bir özellik deposu tasarlayıp uygulayarak özellik mühendisliği tekrarını %70 azalttı
3 genç ML mühendisine mentorluk yaptı ve ML platform ekibi genelinde benimsenen bir model inceleme süreci oluşturdu
Makine Öğrenimi Mühendisi
Getir
Ağu 2019 – May 2022
15 dili kapsayan üretim veri kümelerinde %97 doğruluk elde ederek belge sınıflandırması için BERT ve GPT-2 modellerini ince ayarladı
Spark ve Kafka kullanarak günlük 500 bin belgeyi işleyen, uçtan uca gecikmesi 200 ms altında olan gerçek zamanlı metin analizi boru hattı kurdu
Horovod ve PyTorch DDP ile GPU kümelerinde dağıtık eğitim yaparak model eğitim süresini %60 azalttı
Otomatik yeniden eğitimi tetikleyen bir model izleme ve sapma tespit sistemi uygulayarak model doğruluğunu %95 SLA üzerinde tuttu
Makine Öğrenimi Mühendisi
Peak Games
Tem 2017 – Tem 2019
İçerik etiketleme için %94 doğrulukla bir görüntü sınıflandırma modeli geliştirdi, 3 milyondan fazla varlığı işledi ve manuel inceleme çabasını %65 azalttı
CutMix, MixUp ve sentetik üretim dahil teknikler kullanarak eğitim veri kümesi boyutunu 5 kat artıran bir veri artırma boru hattı oluşturdu
Bir ICML çalıştayında transfer öğrenme yöntemleri üzerine bir araştırma makalesi yayınladı ve ilk yıl içinde 50'den fazla atıf aldı
SHAP ve LIME kullanarak teknik olmayan paydaşların tahminleri yorumlamasını sağlayan etkileşimli bir model açıklanabilirlik panosu kurdu
Eğitim
Bilgisayar Mühendisliği Yüksek Lisansı (Makine Öğrenimi)
Boğaziçi Üniversitesi
2015 - 2017
Makine öğrenimi ve derin öğrenme sistemleri üzerine yoğunlaşma.
Bilgisayar Mühendisliği Lisans Derecesi
Orta Doğu Teknik Üniversitesi
2011 - 2015
Algoritmalar, istatistik ve dağıtık sistemler odaklı.
Kurslar ve Sertifikalar
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
Sertifika Kimliği: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
TensorFlow modelleri oluşturma ve eğitme konusunda profesyonel sertifika.
Deep Learning Specialization
Coursera (DeepLearning.AI)
2020
CNN, RNN ve dizi modellerini kapsayan beş kurslu uzmanlık programı.
Bu bir örnek özgeçmiştir. Ücretsiz özgeçmiş oluşturma aracımızı kullanarak kendi deneyimlerinize göre özelleştirin.
Özgeçmiş İpuçları
Sadece Notebook Değil, Üretim ML Gösterin
Şirketler sadece model eğiten değil, model dağıtan mühendisler ister. Model sunumu, gecikme metrikleri, izleme ve MLOps boru hattı deneyimini öne çıkarın.
Model Performans Metriklerini Ekleyin
Doğruluk, F1, AUC-ROC, gecikme ve verim sayıları modellerinizin ölçekte gerçekten çalıştığını gösterir. 'Günde 10 milyon tahmin sunan 80 ms altı P99 gecikme' güçlü bir ifadedir.
Tüm ML Yaşam Döngüsünden Bahsedin
Veri toplama, özellik mühendisliği, model eğitimi, değerlendirme, dağıtım, izleme. Yalnızca modelleme adımını değil, tüm boru hattını anladığınızı gösterin.
Yayınları ve Açık Kaynağı Listeleyin
ML mühendisliği araştırma katkılarına değer verir. Makaleleriniz, konferans konuşmalarınız veya önemli açık kaynak katkılarınız varsa bunları belirgin şekilde ekleyin.
Makine Öğrenimi Mühendisi Özgeçmişi Nasıl Yazılır?
Güçlü bir ML mühendisi özgeçmişi sadece model kurma becerisini değil, bu modelleri üretime alıp ölçekte çalışır tutma yeteneğini kanıtlar. Aşağıdaki beş adım, işe alım yöneticilerinin ve ATS sistemlerinin aradığı somut detayları özgeçmişinize nasıl yerleştireceğinizi gösterir.
1
1. Kıdem, alan ve tek bir üretim metriğini özetleyin
Profesyonel özet 2-3 cümleyle kıdem seviyenizi, uzmanlaştığınız alanı (NLP, öneri sistemleri, bilgisayarlı görü) ve teknoloji yığınınızı belirtmeli; ardından tek, çarpıcı bir üretim metriği eklemelisiniz — örneğin 'p95 gecikmesi 50 ms altında günlük 2 milyon tahmin sunan modeller geliştirdi'. Deneyimsiz adaylar bunun yerine mezuniyet, staj projeleri ve Kaggle/GitHub sonuçlarına odaklanmalı; iş deneyimi eksikliğini vurgulamak yerine somut, dağıtılmış bir projeyle açılış yapmalıdır.
2
2. İş deneyimi maddelerini uçtan uca etkiyle ölçün
Her madde bir eylem fiiliyle başlamalı, kullanılan araç veya çerçeveyi adlandırmalı ve iş sonucuna bağlı bir sayı içermelidir. Model kalitesi artışını bir iş metriğine bağlayın (ör. dolandırıcılık tespitinde AUC 0,86'dan 0,93'e çıkarılarak yıllık 1,2 milyon TL kayıp önlendi), sunum gecikmesini veya maliyetini belirtin, boru hattının işlediği veri ölçeğini yazın. Örnek güçlü madde: 'Kafka ve Spark Streaming ile gerçek zamanlı dolandırıcılık tespit boru hattı kurarak karar gecikmesini 800 ms'den 120 ms'ye indirdi ve aylık 45.000 TL sunum maliyeti tasarrufu sağladı.'
3
3. Beceri bölümünü ilan diliyle eşleşecek şekilde gruplandırın
Becerileri ML çerçeveleri (PyTorch, TensorFlow, Scikit-learn), MLOps ve altyapı (Docker, Kubernetes, MLflow, Kubeflow), veri mühendisliği (Spark, SQL, Kafka) ve programlama dilleri olmak üzere gruplara ayırın. ATS taramasından geçmek için ilan metnindeki terimleri birebir kullanın — ilan 'Vertex AI' diyorsa 'GCP' yazmayın. Her kütüphaneyi sıralamak yerine 3-4 alanda gerçek derinlik sinyali verin; yüzeysel bir 20 araç listesi, 8 aracı üretimde kullandığınızı gösteren bir listeden daha az ikna edicidir.
4
4. Notebook değil, üretime alınmış kod ve projeler gösterin
İşe alım yöneticileri Jupyter notebook koleksiyonundan çok, dağıtılmış, çalışan bir sistem görmek ister. GitHub'da Docker ile konteynerleştirilmiş, bir API'nin arkasına konumlandırılmış en az bir proje bulundurun; bir RAG uygulaması veya ince ayarlı bir LLM projesi 2026'da güçlü bir sinyaldir. Araştırmaya yönelik pozisyonlar için yayınlanmış makaleler, junior adaylar için ise Kaggle sıralamaları ve yeniden üretilebilir, iyi belgelenmiş repo'lar aynı işlevi görür — 'ne bildiğinizi' değil 'ne inşa edebildiğinizi' kanıtlar.
5
5. Eğitim, sertifikalar ve son ATS kontrolleri
Yüksek lisans veya doktora derecesi araştırma ağırlıklı rollerde avantaj sağlar ama zorunlu değildir; AWS Certified Machine Learning - Specialty veya Google Cloud Professional ML Engineer gibi sertifikalar teoriyi pratiğe bağladığınızı gösterir. Göndermeden önce özgeçmişi tek sütun düzeninde, standart başlıklarla ('İş Deneyimi', 'Eğitim', 'Beceriler') ve PDF formatında hazırlayın; grafik, tablo veya çok sütunlu tasarımlardan kaçının çünkü birçok ATS bunları hatalı okur. İlan metnindeki anahtar kelimeleri özgeçmişinize doğal şekilde serpiştirin.
Örnek Profesyonel Özetler
Kıdem seviyenize ve geçmişinize göre uyarlayabileceğiniz üç örnek özet aşağıda yer almaktadır.
Junior ML mühendisi / yeni mezun
Derin öğrenme ve doğal dil işleme üzerine yoğunlaşmış Bilgisayar Mühendisliği mezunu. Lisans bitirme projesinde Türkçe metinler için %91 doğrulukla duygu analizi modeli geliştirdi ve Docker ile konteynerleştirip Hugging Face Spaces üzerinden yayınladı. Kaggle'da bir NLP yarışmasında ilk %5'e girdi. PyTorch, Scikit-learn ve temel MLOps araçlarına hakim; üretime hazır, açıklanabilir modeller kurmaya odaklı, hızlı öğrenen bir mühendis.
Kıdemli ML mühendisi
E-ticarette öneri sistemleri ve gerçek zamanlı çıkarım altyapısı kurmada 7 yıllık deneyime sahip kıdemli makine öğrenimi mühendisi. Kubeflow ve MLflow ile uçtan uca ML boru hatları tasarladı, günlük 10 milyondan fazla tahmini p99 80 ms altı gecikmeyle sunan modelleri üretime aldı. Özellik deposu mimarisiyle ekip genelinde geliştirme süresini kısalttı; dağıtık eğitim, model izleme ve A/B test tasarımında derin uzmanlık taşıyor.
Kariyer değişimi: Yazılım mühendisliğinden ML'ye
6 yıllık backend yazılım mühendisliği deneyimini makine öğrenimine taşıyan mühendis. CI/CD, konteynerleştirme ve dağıtık sistemler konusundaki üretim mühendisliği geçmişini, Coursera Derin Öğrenme Uzmanlığı ve iki bağımsız projeyle (dolandırıcılık tespiti modeli, RAG tabanlı destek asistanı) pekiştirdi. Güçlü mühendislik disiplinini ML model geliştirme ve dağıtımına uygulayarak araştırma ile üretim arasındaki köprüyü kurmaya odaklanıyor.
ATS İçin Anahtar Kelimeler
İlan metnindeki tam terimleri kullanın; hem işe alım yöneticileri hem de ATS sistemleri bu kelimeleri tarar.
Machine Learning
Özet ve beceriler bölümünde en az bir kez birebir bu ifadeyle geçmeli; ATS bu temel terimi arar.
Python
Neredeyse her ML ilanında aranan temel dil; kullandığınız kütüphanelerle birlikte belirtin.
PyTorch
TensorFlow yerine veya onunla birlikte kullanıyorsanız açıkça yazın; ilanın tercih ettiği çerçeveyi eşleştirin.
TensorFlow
Kurumsal ve mobil dağıtım ağırlıklı ilanlarda sık aranır; TensorFlow Serving deneyimini de belirtin.
MLflow
Deney takibi ve model versiyonlama deneyiminizi somutlaştırır; Kubeflow ile birlikte MLOps yetkinliğini gösterir.
Docker
Model konteynerleştirme deneyimini kanıtlar; 'üretime alma' anlatınızın teknik kanıtıdır.
Kubernetes
Ölçekte servis dağıtımı deneyimini gösterir; küçük ekiplerde bile bilgi düzeyinde bahsetmek değerlidir.
SQL
Veri çekme ve özellik mühendisliği için temel araç; büyük veri kümeleriyle çalıştığınızı gösterin.
NLP
Doğal dil işleme ve LLM/RAG projeleriniz varsa mutlaka belirtin; 2026'nın en çok aranan ML sinyallerinden biri.
AWS SageMaker
Bulut tabanlı model eğitimi ve dağıtımı deneyimini kanıtlar; Vertex AI kullanıyorsanız onu yazın.
Zayıf ve Güçlü Özgeçmiş Maddeleri
Aynı işi anlatan zayıf ve güçlü madde örnekleri; farkı eylem fiili, araç adı ve sayısal sonuç yaratır.
Model dağıtımı
Üretime model dağıttı ve API üzerinden erişilebilir hale getirdi.
FastAPI ve Docker ile konteynerleştirilmiş bir öneri modelini Kubernetes üzerinde dağıttı, p95 gecikmesini 320 ms'den 45 ms'ye düşürerek sunum maliyetini %30 azalttı.
Model iyileştirme
Dolandırıcılık tespit modelinin doğruluğunu artırdı.
XGBoost tabanlı dolandırıcılık tespit modelini özellik mühendisliği ve hiperparametre optimizasyonuyla yeniden eğiterek AUC'yi 0,86'dan 0,93'e çıkardı ve yıllık 1,2 milyon TL'lik önlenmiş kayıp sağladı.
MLOps boru hattı
Model yeniden eğitim sürecini otomatikleştirdi.
Airflow ve MLflow ile otomatik yeniden eğitim ve sapma tespit boru hattı kurarak dağıtım süresini 2 haftadan 3 saate indirdi ve model güncelliğini %99,5 SLA üzerinde tuttu.
Bir ML mühendisi özgeçmişi üretim ML sistemlerini, model performans metriklerini, dağıtım boru hattı deneyimini ve programlama becerilerini (Python, PyTorch/TensorFlow) öne çıkarmalıdır. Dağıtılan modellerden gecikme, verim ve iş etkisi metriklerini ekleyin.
Veri bilimci ile ML mühendisi özgeçmişi arasındaki fark nedir?
ML mühendisi özgeçmişleri üretim sistemlerini, dağıtımı, MLOps ve mühendislik uygulamalarını vurgular. Veri bilimci özgeçmişleri daha çok analiz, deney ve istatistiksel yöntemlere odaklanır. ML mühendisleri sistem kurar; veri bilimciler model kurar.
ML mühendisliği için yüksek lisans gerekli mi?
Birçok ML mühendisi rolü yüksek lisans veya doktora tercih eder ancak bu her zaman zorunlu değildir. Güçlü proje deneyimi, açık kaynak katkıları ve üretim ML sistemleri dağıtma yeteneğinin kanıtlanması resmi eğitimi telafi edebilir.
ML mühendisi özgeçmişini ücretsiz oluşturabilir miyim?
Evet! Ücretsiz özgeçmiş oluşturma aracımız profesyonel bir ML mühendisi özgeçmişi oluşturmanızı sağlar. Bu örneği ilham kaynağı olarak kullanın, kendi deneyiminize göre özelleştirin ve birkaç dakika içinde profesyonel bir PDF indirin. Kariyer.net, Secretcv ve LinkedIn gibi platformlarda daha fazla iş ilanı bulabilirsiniz.
Hiç iş deneyimim yokken ML mühendisi özgeçmişi nasıl hazırlanır?
Deneyim yerine somut projeleri öne çıkarın: dağıtılmış bir model (API veya web arayüzü arkasında), Kaggle yarışma sonucu, GitHub'daki iyi belgelenmiş repo'lar. Her projeyi kullanılan araç ve elde edilen sonuçla (doğruluk, gecikme) yazın. NoBsResume'daki ücretsiz oluşturucu, bu tür proje ağırlıklı özgeçmişler için hazır bölümler sunar; birkaç dakikada ATS uyumlu bir PDF indirebilirsiniz.
LLM ve GenAI deneyimi özgeçmişte nasıl gösterilir?
İnce ayar (fine-tuning), RAG (retrieval-augmented generation) boru hatları, vektör veritabanları (Pinecone, Weaviate, FAISS) ve prompt değerlendirme çalışmalarını somut projelerle belirtin. 'LLM biliyorum' demek yerine 'LangChain ile RAG tabanlı destek asistanı kurdu, yanıt doğruluğunu %78'den %91'e çıkardı' gibi ölçülebilir bir madde yazın. 2026'da bu, işe alım yöneticilerinin en çok aradığı sinyallerden biri.
Kaggle ve GitHub projeleri iş deneyimi yerine geçer mi?
Tam anlamıyla geçmez ama özellikle junior adaylar için güçlü bir kanıt işlevi görür. Dağıtılmış (canlı çalışan) bir proje, bitmemiş bir kurs listesinden çok daha değerlidir. Projeleri ayrı bir 'Projeler' bölümünde, kullanılan teknoloji ve sonuçla birlikte listeleyin; en güçlü 2-3 projeyi seçip derinlemesine anlatmak, on tane yüzeysel projeden daha etkilidir.
AWS ML Specialty veya GCP Professional ML Engineer sertifikası almaya değer mi?
Bu sertifikalar teorik bilgiyi doğrular ve özellikle bulut ağırlıklı ilanlarda CV'nizi öne çıkarır, ancak dağıtılmış bir proje veya iş deneyiminin yerini tutmaz. Zaten güçlü bir portföyünüz varsa sertifika ikinci öncelik olmalı; portföyünüz zayıfsa önce bir sertifika, ardından o bilgiyi uygulayan küçük bir proje edinmek daha güçlü bir kombinasyondur.
ML mühendisi CV'si İngilizce mi yoksa Türkçe mi olmalı?
Türkiye'deki çoğu teknoloji şirketi (Trendyol, Getir, Peak Games gibi) ve neredeyse tüm uluslararası/remote roller İngilizce CV bekler; birçok ilan iki dilde de kabul etse bile İngilizce versiyon hazırlamanız güçlü bir avantajdır. Yurt içi, Türkçe konuşulan küçük ölçekli şirketler için Türkçe CV yeterli olabilir ama ML alanında İngilizce her zaman güvenli seçimdir.
Türkçe ML mühendisi özgeçmiş şablonu nereden indirebilirim?
Bu örnek özgeçmişi NoBsResume'un ücretsiz oluşturucusunda doğrudan düzenleyebilirsiniz; 3 ATS uyumlu şablon arasından seçim yapıp kayıt olmadan anında PDF indirebilirsiniz. Kendi deneyiminize göre bölümleri değiştirin, metrikleri güncelleyin ve birkaç dakika içinde başvuruya hazır bir CV çıkarın.
Özgeçmişinizi Şimdi Oluşturun
Bu örneği ilham kaynağı olarak kullanın. Kendi deneyimlerinize göre özelleştirin ve birkaç dakika içinde profesyonel bir PDF indirin. %100 ücretsiz.
