Professional ML muhandisi rezyumesining model ishlab chiqish, joylashtirish quvur liniyalari va ishlab chiqarish ML tizimlarini qanday ko'rsatishini ko'ring. Ushbu namunani o'z tajribangizga moslang.
[email protected]+998 91 234 56 78Mustaqillik shoh ko'chasi 12, 100000 Toshkent, O'zbekistonB toifali haydovchilik guvohnomasi
Kasbiy Xulosa
Ishlab chiqarish ML tizimlarini katta miqyosda yaratish va joylashtirish bo'yicha 7 yillik tajribaga ega katta mashinali o'qitish muhandisi. NLP, tavsiya tizimlari va chuqur o'qitish arxitekturalariga ixtisoslashgan; modellar kuniga 10 mln+ bashoratni 100 ms dan kam kechikish bilan xizmat qiladi. NeurIPS va ICML kabi yetakchi ML konferensiyalarida 3 ta maqola nashr etgan. MLOps, taqsimlangan o'qitish va real vaqt inferens optimallashtirishda amaliy tajribaga ega holda tadqiqot va ishlab chiqarish o'rtasidagi tafovutni bartaraf etishga ishtiyoqli.
Ish Tajribasi
Katta mashinali o'qitish muhandisi
EPAM Systems
Iyun 2022 – hozirgi vaqtda
Kuniga 10 mln+ bashoratni 99,5% mavjudlik va 80 ms dan kam P99 kechikish bilan xizmat qiluvchi tavsiya tizimini yaratdi
Kubeflow va MLflow yordamida ma'lumotlarni yig'ishdan model joylashtirishgacha bo'lgan to'liq ML quvur liniyasini ishlab chiqdi va joylashtirish vaqtini 2 haftadan 3 soatga qisqartirdi
4 ta mahsulot yuzasida A/B test orqali model arxitekturasini o'zgartirib, bosish koeffitsiyentini 25% oshirdi
12 ta ishlab chiqarish modeliga 500+ xususiyatni xizmat qiluvchi xususiyat ombori (feature store) loyihalashtirdi va xususiyat muhandisligi takrorlanishini 70% kamaytirdi
3 nafar kichik ML muhandisiga ustozlik qildi va ML platforma jamoasida qabul qilingan model ko'rib chiqish jarayonini joriy qildi
Mashinali o'qitish muhandisi
Uzum
Avg 2019 – May 2022
Hujjatlarni tasniflash uchun BERT va GPT-2 modellarini sozlab, 15 tilni qamrab oluvchi ishlab chiqarish ma'lumotlar to'plamlarida 97% aniqlikka erishdi
Spark va Kafka yordamida kuniga 500 ming hujjatni 200 ms dan kam to'liq kechikish bilan qayta ishlovchi real vaqt matn tahlili quvur liniyasini yaratdi
Horovod va PyTorch DDP yordamida GPU klasterlarida taqsimlangan o'qitish orqali model o'qitish vaqtini 60% qisqartirdi
Avtomatik qayta o'qitishni ishga tushiruvchi model monitoringi va drift aniqlash tizimini joriy qilib, model aniqligini 95% SLA dan yuqorida saqladi
Mashinali o'qitish muhandisi
MasterSoft
Iyul 2017 – Iyun 2019
Kontentni teglash uchun 94% aniqlikka ega tasvirni tasniflash modelini ishlab chiqdi, 3 mln+ aktivni qayta ishladi va qo'lda ko'rib chiqish mehnatini 65% kamaytirdi
CutMix, MixUp va sintetik generatsiya kabi usullardan foydalanib o'qitish ma'lumotlar to'plamini 5 barobar oshirgan ma'lumotlarni boyitish quvur liniyasini yaratdi
ICML seminarida transfer o'qitish usullari bo'yicha tadqiqot maqolasini nashr etdi va birinchi yilda 50+ iqtibos oldi
SHAP va LIME yordamida interaktiv model tushuntirish boshqaruv panelini yaratdi va texnik bo'lmagan manfaatdor tomonlarga bashoratlarni talqin qilish imkonini berdi
Ta'lim
Informatika bo'yicha magistr (Mashinali o'qitish)
Toshkent Axborot Texnologiyalari Universiteti
2015 - 2017
Mashinali o'qitish va chuqur o'qitish tizimlariga ixtisoslashuv.
Informatika bo'yicha bakalavr
O'zbekiston Milliy universiteti
2011 - 2015
Algoritmlar, statistika va taqsimlangan tizimlarga e'tibor.
Kurslar va Sertifikatlar
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
Sertifikat ID: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
TensorFlow modellarini yaratish va o'qitish bo'yicha professional sertifikat.
PDP Academy: Sun'iy intellekt va mashinali o'qitish
PDP Academy (Toshkent)
2020
Amaliy chuqur o'qitish va ML loyihalari bo'yicha mahalliy professional kurs.
Tillar
O'zbek
Gapirish: Ona tiliTinglash: Ona tiliYozish: Ona tili
Bu namuna rezyume. Bepul rezyume yaratish vositamizdan foydalanib, o'z tajribalaringizga moslang.
Rezyume maslahatlari
Faqat noutbuk emas, ishlab chiqarish ML ni ko'rsating
Kompaniyalar modellarni shunchaki o'qitadigan emas, joylashtiradigan muhandislarni xohlaydi. Model xizmatini, kechikish ko'rsatkichlarini, monitoring va MLOps quvur liniyasi tajribasini ta'kidlang.
Model samaradorligi ko'rsatkichlarini kiriting
Aniqlik, F1, AUC-ROC, kechikish va o'tkazuvchanlik raqamlari modellaringiz haqiqatan ham katta miqyosda ishlashini ko'rsatadi. 'Kuniga 10 mln bashoratni 80 ms dan kam P99 kechikish bilan' degani kuchli.
To'liq ML hayot siklini eslatib o'ting
Ma'lumotlarni yig'ish, xususiyat muhandisligi, model o'qitish, baholash, joylashtirish, monitoring. Faqat modellash bosqichini emas, to'liq quvur liniyasini tushunishingizni ko'rsating.
Nashrlar va ochiq kodli loyihalarni sanang
ML muhandisligi tadqiqot hissalarini qadrlaydi. Maqolalar, konferensiya taqdimotlari yoki muhim ochiq kodli hissalaringiz bo'lsa, ularni ko'zga ko'rinarli tarzda kiriting.
Mashinali o'qitish muhandisi rezyumesini qanday yozish kerak
Kuchli ML muhandisi rezyumesi shunchaki modellarni o'qitish qobiliyatini emas, ularni ishlab chiqarishda joylashtirish, xizmat qilish va monitoring qilish tajribasini ko'rsatadi. Quyidagi besh qadam har bir bo'limni ATS tizimlari va ishga yollovchilar uchun optimallashtirishga yordam beradi.
1
1. Professional xulosa bilan boshlang
Xulosa darajangiz, ixtisoslashuv sohangiz (NLP, kompyuter ko'rish, tavsiya tizimlari) va texnologik stekingizni 2-3 gapda ko'rsatishi, so'ngra bitta kuchli ishlab chiqarish ko'rsatkichi bilan yakunlanishi lozim — masalan, 'kuniga 5 mln+ bashoratni 60 ms dan kam kechikish bilan xizmat qiluvchi modellarni joylashtirdi'. Agar tajribangiz bo'lmasa, ta'lim yo'nalishingiz, amaliy loyihalaringiz (joylashtirilgan model, RAG ilova) va Kaggle natijalaringizni birinchi o'ringa qo'ying. Ish e'loni tilidan foydalaning — kompaniya 'MLOps' yoki 'LLM' so'zlarini ishlatsa, xulosangizda ham shu atamalarni takrorlang.
2
2. Ish tajribasi bo'limini raqamlar bilan mustahkamlang
Har bir band harakat fe'li bilan boshlanishi va aniq natija bilan tugashi kerak: model sifati oshishi (masalan, aniqlik yoki AUC ko'rsatkichi biznes raqami bilan bog'langan holda), xizmat ko'rsatish kechikishi yoki xarajatlarining qisqarishi, yoxud quvur liniyasi ishonchliligi. Masalan: 'PyTorch va TorchServe yordamida tavsiya modelini qayta yaratib, konversiya darajasini 18% oshirdi va P99 kechikishni 120 ms dan 45 ms gacha qisqartirdi'. Har bir vazifani emas, faqat o'lchanadigan ta'sirga ega bo'lgan yutuqlarni sanang — bu ishga yollovchiga darhol qiymatingizni ko'rsatadi.
3
3. Ko'nikmalarni mantiqiy guruhlarga bo'ling
Ko'nikmalar bo'limini ML freymvorklari (PyTorch, TensorFlow, Scikit-learn), MLOps va infratuzilma (Docker, Kubernetes, MLflow, Kubeflow), ma'lumotlar muhandisligi (Spark, SQL) va dasturlash tillari kabi guruhlarga ajrating. Ish e'lonida ishlatilgan aniq atamalarni takrorlang — ATS tizimlari mos kalit so'zlarni qidiradi. Har bir kutubxonani sanab o'tirmang; buning o'rniga bir nechta texnologiyada chuqur bilim borligini ko'rsating, chunki bu haqiqiy ekspertizani aks ettiradi va ishonchliroq ko'rinadi.
4
4. Faqat noutbuk emas, ishlab chiqarilgan loyihalarni ko'rsating
Joylashtirilgan loyihalar bilan GitHub profili kurslar ro'yxatidan ko'ra kuchliroq signal beradi. RAG ilovalari, sozlangan (fine-tuned) LLM loyihalari yoki real vaqt inferens tizimlari alohida e'tiborga loyiq — bu 2026 yilda eng ko'p qidiriladigan ko'nikma. Tadqiqotga yo'naltirilgan lavozimlar uchun nashrlaringizni kiriting; kichik mutaxassislar uchun Kaggle natijalari va takrorlanadigan (reproducible) repozitoriyalar tajriba yo'qligini qoplashi mumkin.
5
5. Ta'lim, sertifikatlar va ATS tekshiruvlari bilan yakunlang
Magistr yoki PhD darajasi bo'lsa, uni aniq ko'rsating; AWS Certified Machine Learning – Specialty yoki Google Professional ML Engineer kabi sertifikatlar amaliy loyihalarni to'ldiradi, lekin ularning o'rnini bosmaydi. Oxirida rezyumeni bitta ustunli formatda, standart bo'lim sarlavhalari bilan, PDF formatida saqlang va ish e'lonidagi kalit so'zlarni qayta tekshiring — bu ATS tizimlaridan muvaffaqiyatli o'tishni ta'minlaydi.
Mashinali o'qitish muhandisi uchun tayyor professional xulosa namunalari
Quyidagi uchta namunani darajangiz va sohangizga moslab, o'z rezyumeengizga nusxalashingiz mumkin.
Tajribasiz / yangi bitiruvchi ML muhandisi
Kompyuter fanlari bo'yicha bakalavr, mashinali o'qitishga ixtisoslashgan, ikkita joylashtirilgan loyiha (Hugging Face'da RAG-asosidagi savol-javob ilovasi va Kaggle musobaqasida top 5% natija) bilan. PyTorch, Scikit-learn va Docker'da amaliy tajribaga ega. Model o'qitish, baholash va FastAPI orqali joylashtirish bo'yicha to'liq loyiha tsiklini mustaqil bajargan. Ishlab chiqarish darajasidagi ML tizimlariga hissa qo'shishga tayyor.
Katta (senior) ML muhandisi
Fintechda firibgarlikni aniqlash va real vaqt bahoing tizimlarini yaratish bo'yicha 8 yillik tajribaga ega katta ML muhandisi. Kuniga 8 mln+ tranzaksiyani 40 ms dan kam kechikish bilan baholovchi modellarni loyihalashtirgan va joylashtirgan, firibgarlik yo'qotishlarini 30% kamaytirgan. Kubeflow, MLflow va AWS SageMaker'da MLOps quvur liniyalarini boshqargan, 4 nafar muhandisga ustozlik qilgan.
Dasturiy ta'minot muhandisidan ML sohasiga o'tuvchi mutaxassis
5 yillik backend dasturlash tajribasiga ega dasturiy muhandis, hozirda mashinali o'qitish muhandisligiga o'tmoqda. Python, CI/CD va konteynerlashtirish bo'yicha mustahkam muhandislik asosini ML loyihalari — jumladan joylashtirilgan tavsiya modeli va LLM-asosidagi mijozlarga xizmat ko'rsatish boti — bilan birlashtirgan. Ishlab chiqarish tizimlarini qurish tajribasi ML modellarini ishonchli va masshtablanadigan qilib joylashtirishga imkon beradi.
ML muhandisi rezyumesi uchun ATS kalit so'zlari
Ish e'lonidagi aniq atamalarni takrorlang — rezyumeni ham ATS tizimlari, ham ishga yollovchilar shu kalit so'zlar bo'yicha skanerlaydi.
Machine Learning
Rezyume sarlavhasi va professional xulosada kamida bir marta aniq ko'rsating, chunki bu eng asosiy qidiruv so'zi.
Python
Ko'nikmalar bo'limida va ish tajribasi bandlarida qaysi kutubxonalar bilan ishlatilganini ko'rsating.
PyTorch
TensorFlow bilan birga yoki alohida — qaysi freymvork bilan haqiqiy loyihalar qilganingizni aniq yozing.
TensorFlow
Ikkalasida ham tajribangiz bo'lsa, ikkalasini ham sanang, lekin chuqurroq bilganingizni birinchi o'ringa qo'ying.
MLflow
Model versiyalash va tajribalarni kuzatish tajribangizni ish tajribasi bandida aniq misol bilan ko'rsating.
Docker
Konteynerlashtirilgan modellarni qanday joylashtirganingizni ish tajribasi bandida ko'rsating.
Kubernetes
Miqyoslash va orkestratsiya tajribangiz bo'lsa, aniq klaster hajmi yoki yuk ko'rsatkichi bilan bog'lang.
SQL
Katta ma'lumotlar to'plamlarini so'rovlash va xususiyat muhandisligi tajribangizni ta'kidlashda ishlating.
LLM/NLP
2026 yilning eng qidiriladigan ko'nikmasi — fine-tuning, RAG yoki prompt baholash tajribangizni aniq kiriting.
AWS SageMaker
Bulutli model o'qitish yoki joylashtirish tajribangiz bo'lsa, aniq loyiha kontekstida sanang.
Ish tajribasi bandlari: zaif va kuchli namunalar
Har bir bandni harakat fe'li, ishlatilgan texnologiya va o'lchanadigan natija bilan qayta yozing.
Model joylashtirish
Mashinali o'qitish modelini ishlab chiqarishga joylashtirdim.
TorchServe va Kubernetes yordamida tavsiya modelini joylashtirib, kuniga 3 mln+ so'rovni P99 kechikishi 45 ms dan past darajada xizmat qildi va bulutli xarajatlarni 20% kamaytirdi.
Model sifatini yaxshilash
Model aniqligini yaxshiladim.
Xususiyat muhandisligi va gipermeter sozlashni qayta ko'rib chiqib, firibgarlikni aniqlash modelining AUC ko'rsatkichini 0,86 dan 0,94 gacha oshirdi, bu yillik 1,2 mln dollarlik firibgarlik yo'qotishlarining oldini oldi.
MLOps quvur liniyasi va avtomatik qayta o'qitish
Modelni qayta o'qitish jarayonini avtomatlashtirdim.
Kubeflow'da drift aniqlashga asoslangan avtomatik qayta o'qitish quvur liniyasini yaratib, model degradatsiyasi haftalar emas, soatlar ichida aniqlanishini ta'minladi va qo'lda aralashuvni 90% kamaytirdi.
Ko'p beriladigan savollar
Mashinali o'qitish muhandisi rezyumesida nima bo'lishi kerak?
ML muhandisi rezyumesida ishlab chiqarish ML tizimlari, model samaradorligi ko'rsatkichlari, joylashtirish quvur liniyasi tajribasi va dasturlash ko'nikmalari (Python, PyTorch/TensorFlow) ta'kidlanishi kerak. Joylashtirilgan modellardan kechikish, o'tkazuvchanlik va biznesga ta'sir ko'rsatkichlarini kiriting.
Ma'lumotlar olimi va ML muhandisi rezyumesi o'rtasidagi farq nima?
ML muhandisi rezyumesi ishlab chiqarish tizimlari, joylashtirish, MLOps va muhandislik amaliyotlariga e'tibor beradi. Ma'lumotlar olimi rezyumesi ko'proq tahlil, eksperiment va statistik usullarga qaratiladi. ML muhandislari tizimlar quradi; ma'lumotlar olimlari modellar quradi.
ML muhandisligi uchun magistr darajasi kerakmi?
Ko'p ML muhandisi lavozimlari magistr yoki PhD darajasini afzal ko'radi, lekin bu har doim ham majburiy emas. Kuchli loyiha tajribasi, ochiq kodli hissalar va ishlab chiqarish ML tizimlarini joylashtirish qobiliyati rasmiy ta'lim o'rnini bosishi mumkin.
ML muhandisi rezyumesini bepul yaratish mumkinmi?
Ha! Bizning bepul rezyume yaratish vositamiz sizga professional ML muhandisi rezyumesini yaratish imkonini beradi. Ushbu namunadan ilhom sifatida foydalaning, o'z tajribangizga moslang va bir necha daqiqada professional PDF yuklab oling. Olijob.uz va hh.uz kabi mahalliy platformalarda e'lon qilingan ish o'rinlariga moslang.
Tajribam yo'q, ML muhandisi rezyumesini qanday yozsam bo'ladi?
Tajribangiz bo'lmasa, ta'lim va loyihalaringizga urg'u bering: joylashtirilgan model, RAG ilovasi, Kaggle musobaqasidagi natija yoki ochiq kodli hissalar. GitHub havolangizni kiriting va har bir loyihada qo'llagan freymvork (PyTorch, TensorFlow) va natijani (aniqlik, kechikish) aniq ko'rsating. Bitiruv loyihasi yoki amaliyot ham ish tajribasi sifatida sanaladi, agar u haqiqiy ma'lumotlar va o'lchanadigan natijaga ega bo'lsa.
LLM va generativ sun'iy intellekt tajribasini rezyumeda qanday ko'rsatish kerak?
2026 yilda LLM/GenAI tajribasi eng ko'p qidiriladigan ko'nikma. Katta til modellarini sozlash (fine-tuning), RAG (Retrieval-Augmented Generation) quvur liniyalarini qurish, vektor bazalari (Pinecone, FAISS) bilan ishlash va prompt baholash tajribangizni alohida band sifatida kiriting. Mumkin bo'lsa, o'lchanadigan natija bilan bog'lang — masalan, 'RAG-asosidagi yordam botini joriy qilib, mijozlar so'rovlariga javob vaqtini 40% qisqartirdi'.
Kaggle va ochiq kodli loyihalar ish tajribasi o'rnini bosadimi?
To'liq emas, lekin ular kuchli qo'shimcha hisoblanadi, ayniqsa tajribasi kam nomzodlar uchun. Joylashtirilgan loyihalar (nafaqat noutbukdagi tahlil) va yuqori Kaggle reytingi amaliy ko'nikmani isbotlaydi. Rezyumeda ularni alohida 'Loyihalar' bo'limida, texnologiya steki va natija bilan birga ko'rsating — ish tajribasi bo'limi bilan aralashtirmang, lekin ularga teng vaznda e'tibor bering.
Qaysi sertifikatlar ML muhandisi rezyumesida qadrli?
AWS Certified Machine Learning – Specialty va Google Cloud Professional ML Engineer eng tan olingan sertifikatlar hisoblanadi va bulutli MLOps bilimini tasdiqlaydi. Biroq ular joylashtirilgan loyihalar yoki ish tajribasi o'rnini bosmaydi — ishga yollovchilar avvalo natijalarga qaraydi. Sertifikatlarni ta'lim bo'limi ostida qisqacha sanab o'ting, lekin ularni asosiy yutuq sifatida emas, qo'shimcha dalil sifatida taqdim eting.
ML muhandisi CV'si ingliz tilida bo'lishi kerakmi?
Ko'pchilik xalqaro va masofaviy ML lavozimlari uchun ingliz tilidagi CV afzal ko'riladi, chunki jamoalar ko'pincha texnik hujjatlar, kod va aloqani ingliz tilida yuritadi. Mahalliy kompaniyalarga (Olijob.uz, hh.uz orqali) murojaat qilsangiz, o'zbek yoki rus tilidagi versiya ham foydali bo'ladi. Eng yaxshi strategiya — ikkala tilda variant tayyorlab, lavozim talabiga qarab tanlash.
Mashinali o'qitish muhandisi rezyumesi shablonini o'zbek tilida qayerdan yuklab olsam bo'ladi?
Ushbu sahifadagi namunani bizning bepul rezyume yaratish vositamizda to'g'ridan-to'g'ri tahrirlashingiz mumkin — o'zbek tilida, 3 ta ATS-mos shablon bilan, ro'yxatdan o'tmasdan. Ma'lumotlaringizni kiriting, tajribangizga moslang va bir necha daqiqada PDF formatida yuklab oling.
Rezyumengizni hozir yarating
Ushbu namunadan ilhom sifatida foydalaning. O'z tajribalaringizga moslang va bir necha daqiqada professional PDF yuklab oling. 100% bepul.
