作为一名资深从业者和职业顾问，曾审阅过上百份数据科学与机器学习领域的简历。坦率地说，其中大部分简历的表现并不尽如人意。
实际上，撰写一份优秀的简历并非难事，但许多人似乎未能掌握其基本要领。
一份出色的简历是获得面试机会的敲门砖，因此，在求职过程中精准掌握简历撰写技巧至关重要。
本文旨在深入剖析一份成功获得多个年薪十万美元以上数据科学与机器学习职位Offer的简历范例，并逐一提供各章节的关键建议。
简历概览
如果时间有限无法通读全文，这里提供了该简历的PDF版本（使用LaTeX工具，并通过Overleaf平台生成）以及Google Doc版本。
如需获取此模板并了解如何应用，请查看下方链接。
之所以提供两个版本，是因为LaTeX生成的PDF版本在视觉上更具美感，但它在申请人追踪系统（ATS）中可能会遇到兼容性问题。
因此，还提供了一个单独的Google Doc版本，它对ATS更为友好。
ATS本质上是一种自动化系统，旨在帮助筛选出与职位角色或描述不符的候选人。与任何系统一样，它存在缺陷，有时难以解析某些格式，例如LaTeX生成的PDF版本。
几乎所有财富500强公司（99%）都采用ATS进行招聘，而且高达75%的简历未能通过ATS筛选，从未被招聘人员看到。
因此，在无法保证简历会被人工审阅的情况下，例如通过LinkedIn一键申请或Indeed职位表格投递时，建议使用Google Doc格式以确保安全。
如果明确知道招聘人员、招聘经理或其他人会人工审阅简历，则可以向他们提供由LaTeX/Overleaf生成的PDF版本。
接下来，将逐一剖析简历的各个部分，并分享关键技巧！
此LaTeX模板基于Timmy Chan设计的模板，其源代码可在其GitHub页面查看。该模板和代码遵循知识共享署名4.0国际（CC BY 4.0）许可协议。
通用原则
以下将概述简历应遵循的最基本原则。推测可能至少遗漏了其中一点：
- 确保简历中绝对没有拼写错误和语法问题。这些是审阅者眼中的重大危险信号。
- 除非拥有十年以上工作经验，否则请将简历保持在一页。
- 各部分字体大小应保持一致，避免过度使用加粗和斜体。
- 避免花哨的格式，保持简洁。
- 不使用图片、图像或图标。
- 避免任何可能导致偏见的信息，如年龄、性别、国籍等。
- 使用项目符号，而非大段文本。
- 对于Google Doc版本，请使用易于阅读的字体，例如Times New Roman、Calibri或Georgia。
- 对于PDF版本，强烈建议使用LaTeX，因为它能生成一份整洁且美观的简历。
- 最后，如果时间允许，请根据相应的职位描述量身定制简历的每个部分。
简历头部
这一部分本应很容易正确填写，但令人惊讶的是，仍有人会在这里出错。
只需包含：
- 姓名。
- 职位头衔或自我定位（此项可选）。
- 联系方式，如电话号码和电子邮件。
- 所在城市和国家。
- 相关链接，如LinkedIn、GitHub、Medium、Kaggle等。务必确保这些链接是有效的！它们包含有关求职者的有用信息，因此需确保点击后能跳转到目标页面。
个人简介
如果简历已清晰阐述所做成就和个人特质，那么此部分并非必需。重复信息可能会占用简历上宝贵的空间。
例如，个人简历中通常不包含个人简介部分，且未曾因此受到负面影响。然而，当需要针对特定公司或职位进行量身定制，或希望更好地迎合ATS系统时，此部分会很有帮助。
需要强调的一点是，在此处使用“充满激情”、“勤奋”或“坚定”之类的词汇，很容易适得其反。
请避免这样做。
难以统计看过多少份简历中，求职者自称是勤奋、积极且充满激情的人。
这些特质是公司招聘任何人才的基本要求。
一份优秀的个人简介应在几句话内，清晰明确地阐述求职者的身份和所取得的成就。
例如，如果为自己撰写，可以这样写：
数据科学家/机器学习工程师，拥有4年以上经验，专注于时间序列预测、运筹学/优化问题及应用机器学习。在保险、供应链和物流等业务领域积累了丰富的行业专长。
言简意赅，直击重点。
技术技能
这是对所有能力的高度概括，通常不应超过4-5行，否则篇幅过长。
此部分置于简历靠前位置，能立即帮助招聘人员判断求职者是否符合职位的技术要求。
然而，通常情况下，候选人在此部分会无意识地引入许多危险信号。他们可能认为自己添加了招聘人员和招聘经理期望看到的内容，但实际效果却恰恰相反。
以下将剖析最常见的错误：
- 不要列出过多技术；这会显得可疑。例如，如果列出“Python、SQL、C++、Rust、Assembly”等，这看起来像是一堆流行词，且难以令人相信求职者对所有这些技术都掌握到合理水平。
- 在描述编程能力时，最好使用“熟练掌握”或“熟悉”等措辞。避免使用“Python 4/5”之类的任意星级评分或声称“高级”。这样能设定实际的期望，并确保技能得到准确体现。衡量的标准是，如果能用该语言轻松解决Leetcode简单难度的问题，则可视为熟练。
- 不必列出所有熟知的Python包。如果正在申请数据科学职位，招聘方会默认求职者熟悉NumPy、Pandas和Matplotlib，因此无需明确指出。相反，应列出Git、AWS、Argo、Bash和Databricks等并非所有候选人都具备的实际技术。
工作经验/项目经验
此部分最重要的是，需精确展示在每家公司所做的工作及其成果，始终使用数字和数据进行量化。理想情况下，应体现财务影响。
不必过于谦逊；应充分展示所完成的工作及其产生的积极影响，尽情展现个人技能。
例如，在范例简历中，会讨论“ARIMAX”或“XGBoost”等技术步骤或模型，旨在更好地预测或解决某个业务问题，提及模型通过某个指标实现的改进，最终将其与业务影响关联起来。
这展示了技术能力以及项目对业务影响的考量。
仔细思考，公司只关心求职者能带来的财务效益。无论使用神经网络还是线性回归，这都无关紧要。
利润就是利润。
这听起来可能有些简化，但却是事实。因此，如果能精确展示如何将机器学习等技术主题与业务成果关联起来，那么将超越大约80%的申请者。
以下是建议在工作经验部分的每个项目符号点遵循的框架：
- 阐明分析、预测或建模的具体内容。
- 说明所使用的技术、算法和统计工具。
- 列出所改进的指标。
- 阐述所创造的业务价值。
另外，不必害怕明确指出所使用的具体技术、软件包和算法。这比使用模糊的语言更好，也能让简历更好地通过ATS筛选。
一些额外但显而易见的注意事项包括：
- 只包含带薪工作经验，但研究经验也可接受。
- 从最近的工作开始，按时间倒序排列。
- 区分实习和全职职位。
- 不要使用子项目符号；它们没有必要。
如果缺乏工作经验，请用项目经验部分替代，并采用类似的措辞来描述技术和业务方面。尝试列出与申请职位最相关的项目，以展示对该特定领域的兴趣。
教育背景
如果没有任何相关工作经验，建议将教育背景部分置于工作经验之前，然后是项目经验部分。
由于具备四年以上经验，教育背景部分保持相对简洁。将其保留是因为许多数据科学和机器学习职位明确要求STEM（科学、技术、工程、数学）领域的硕士学位。
如果缺乏经验，可以充实教育背景部分，讨论在学位期间完成的任何相关工作。然而，不建议列出所有课程模块，因为这有些过度，坦率地说，很少有人会仔细阅读或关注。以下是一些额外的注意事项：
- 如果成绩优异，请列出；否则，留空。
- 列出完成的任何相关专业活动，如黑客马拉松、项目等。
- 列出在校期间获得的任何奖项和荣誉。
- 除非是“AWS从业者认证”之类的证书，或者简历尚有大量空间，否则可省略课程证书。
活动/课外经历
此部分可选，许多人会建议不添加此章节。
然而，展示一些个性并非坏事，但它并非必需，如果简历空间不足，这将是第一个可以删减的章节。
利用此部分展示YouTube频道和博客文章，这为简历和申请增色不少，但这属于特殊情况。
因此，如果有一些类似的内容希望提及，此部分非常适合。
此前曾提及，如果缺乏工作经验，应以项目经验部分替代。
那么，应该做哪些项目才能获得聘用呢？
这个问题已在之前的一篇文章中进行了解答，读者可以在下方查看：
