Guía de Currículum para Científico de Datos en Illinois

Cómo Redactar un Currículum de Científico de Datos que Consiga Empleo en Illinois

Con 7.390 científicos de datos empleados en Illinois y un salario medio de $113.490 al año, el estado se posiciona entre los principales empleadores para este rol — sin embargo, la diferencia entre un currículum de científico de datos y uno de analista de datos es donde la mayoría de los postulantes pierden la entrevista [1].

Puntos Clave

• Un currículum de científico de datos no es un currículum de analista de datos. Los reclutadores que buscan científicos de datos esperan ver modelado estadístico, despliegue de pipelines de ML y diseño experimental — no solo consultas SQL y creación de dashboards.
• El contexto específico de Illinois importa. La mediana salarial del estado de $113.490 se sitúa aproximadamente un 19,5 % por debajo de la mediana nacional, pero la concentración de empresas fintech, salud y bienes de consumo en Chicago genera una fuerte demanda de experiencia de ML específica por dominio [1].
• Las 3 cosas que más buscan los reclutadores: experiencia en despliegue de modelos en producción, impacto de negocio cuantificado en dólares o porcentaje de mejora, y dominio de Python/R más al menos un framework de deep learning.
• El error más común: listar cada herramienta que has tocado en lugar de mostrar qué construiste, cómo rindió y por qué importó para el negocio.

¿Qué Buscan los Reclutadores en un Currículum de Científico de Datos?

Un analista de datos construye dashboards. Un ingeniero de datos construye pipelines. Un científico de datos construye modelos que generan predicciones, y el currículum necesita reflejar esa distinción de inmediato. Los reclutadores en empleadores de Illinois como Discover Financial Services, Caterpillar, Abbott Laboratories y las decenas de startups con sede en Chicago a lo largo del corredor tecnológico de Magnificent Mile filtran por un perfil de habilidades específico [5][6].

Los fundamentos estadísticos y de ML van primero. Los gerentes de contratación quieren evidencia de que entiendes las matemáticas detrás de los modelos — no solo que puedes llamar a sklearn.fit(). Menciona técnicas específicas: gradient boosting (XGBoost, LightGBM), regresión regularizada (Lasso, Ridge, Elastic Net), inferencia bayesiana, análisis de supervivencia o métodos de inferencia causal como diferencia en diferencias y emparejamiento por puntaje de propensión. La técnica debe coincidir con el dominio: análisis de supervivencia para salud en Abbott, modelado de riesgo crediticio para Discover, pronóstico de demanda para Grubhub [7].

El despliegue en producción separa a los candidatos senior de los competidores de Kaggle. Los empleadores de Illinois esperan cada vez más que los científicos de datos lleven los modelos más allá de los notebooks. Palabras clave como MLflow, Kubeflow, SageMaker, Docker y CI/CD para pipelines de ML indican que puedes enviar a producción, no solo prototipar [5]. Si has desplegado un modelo que sirve predicciones en tiempo real a través de una API REST, dilo explícitamente.

La experiencia de dominio es el multiplicador. Un currículum de científico de datos dirigido al sector fintech de Chicago debería hacer referencia a modelado de puntaje FICO, detección de fraude en transacciones o predicción de incumplimiento crediticio. Para roles de salud en empresas como Tempus AI (con sede en Chicago), menciona modelado de supervivencia, ingeniería de características a partir de registros electrónicos de salud (EHR) o manejo de datos conforme a HIPAA [6].

Certificaciones que tienen peso incluyen AWS Certified Machine Learning – Specialty, Google Professional Machine Learning Engineer y TensorFlow Developer Certificate. El IBM Data Science Professional Certificate señala competencia fundamental para quienes cambian de carrera. Illinois no tiene licenciatura estatal específica para ciencia de datos, pero los roles en industrias reguladas (finanzas, salud) pueden requerir familiaridad con cumplimiento SOX o gobernanza de datos HIPAA [8].

Palabras clave que los reclutadores buscan en los sistemas ATS incluyen: machine learning, deep learning, NLP, computer vision, pruebas A/B, ingeniería de características, despliegue de modelos, Python, R, TensorFlow, PyTorch, SQL, Spark y plataformas en la nube (AWS, GCP, Azure) [12]. Si faltan estos términos, tu currículum nunca llega a una persona.

¿Cuál Es el Mejor Formato de Currículum para Científicos de Datos?

El formato cronológico inverso funciona mejor para científicos de datos con más de 2 años de experiencia progresiva, lo que describe a la mayoría de los 7.390 científicos de datos empleados en Illinois [1]. Los gerentes de contratación en empresas como Morningstar, Groupon y la sede corporativa de McDonald's (todas con sede en Chicago) quieren rastrear tu trayectoria de colaborador individual a responsable de modelos y luego a líder de equipo.

El formato combinado es adecuado para quienes cambian de carrera — particularmente común en Illinois, donde graduados de doctorado de la Universidad de Chicago, Northwestern y UIUC hacen la transición de la investigación académica a la ciencia de datos industrial. Empieza con una sección de habilidades que mapee tus métodos de investigación (por ejemplo, simulación de Monte Carlo, modelos jerárquicos bayesianos) a aplicaciones de la industria, seguida de experiencia cronológica [13].

El formato funcional es arriesgado. Los gerentes de contratación en ciencia de datos desconfían de currículums que ocultan cronologías porque no pueden evaluar si tu experiencia con TensorFlow es de 2019 o de 2024 — y el campo evoluciona lo suficientemente rápido como para que la distinción importe.

Extensión: una página para 0–4 años de experiencia. Dos páginas para 5+ años, pero solo si la segunda página contiene descripciones sustanciales de proyectos o publicaciones — no relleno. Incluye un enlace a GitHub o portafolio en tu encabezado; el 72 % de las ofertas de ciencia de datos en Indeed y LinkedIn mencionan la revisión de portafolio como parte del proceso de contratación [5][6].

¿Qué Habilidades Clave Debe Incluir un Científico de Datos?

Habilidades Técnicas

1. Python (NumPy, pandas, scikit-learn) — El lenguaje universal. Lista librerías específicas, no solo «Python». Dominio significa que puedes escribir código de calidad para producción con manejo adecuado de errores, no solo prototipos en Jupyter notebooks [4].

2. R (tidyverse, caret, Shiny) — Aún dominante en bioestadística y roles cercanos al ámbito académico. El corredor farmacéutico y de salud de Illinois (Abbott, Baxter, AbbVie) a menudo prefiere R para el análisis de ensayos clínicos.

3. SQL (joins complejos, funciones de ventana, CTEs) — Todo científico de datos escribe SQL a diario. Especifica tu experiencia con dialectos: PostgreSQL, BigQuery, Snowflake o Redshift [4].

4. TensorFlow / PyTorch — Frameworks de deep learning. Especifica cuál y qué arquitecturas has implementado: transformers, CNNs, LSTMs o GANs.

5. Spark (PySpark / Spark MLlib) — Esencial para roles que procesan datasets que superan la memoria de una sola máquina. Requisito común en empleadores de Illinois que manejan datos de transacciones a gran escala como Discover y Allstate [5].

6. Plataformas de ML en la Nube (SageMaker, Vertex AI, Azure ML) — Entrenamiento de modelos, ajuste de hiperparámetros y despliegue de endpoints. Especifica qué plataforma y a qué escala (por ejemplo, «entrené modelos con datasets de más de 50 millones de filas usando entrenamiento distribuido en SageMaker»).

7. Diseño de Experimentos y Pruebas A/B — Formulación de hipótesis, análisis de potencia, pruebas de significación y multi-armed bandits. Esto separa a los científicos de datos de los ingenieros de ML [7].

8. Ingeniería de Características y Feature Stores — Construir y gestionar características a escala usando herramientas como Feast o Tecton. Menciona ingeniería de características específica del dominio (por ejemplo, agregaciones de transacciones rodantes para detección de fraude).

9. MLOps (MLflow, Kubeflow, Airflow) — Versionado de modelos, seguimiento de experimentos, orquestación de pipelines y monitoreo de drift.

10. NLP / Ajuste de LLMs — Tokenización, embeddings, arquitecturas transformer, pipelines RAG e ingeniería de prompts. Requisito en rápido crecimiento en las ofertas de empleo de Illinois [6].

Habilidades Interpersonales (con Contexto de Ciencia de Datos)

• Comunicación con Partes Interesadas — Traducir los resultados del modelo en recomendaciones de negocio para ejecutivos no técnicos. Ejemplo: presentar los resultados de un modelo de abandono a un VP de Marketing con segmentos de retención accionables.
• Pensamiento Experimental — Diseñar pruebas rigurosas antes de construir modelos. Saber cuándo una regresión logística simple supera a una red neuronal para el problema de negocio.
• Colaboración Interdisciplinaria — Trabajar con ingenieros de datos en requisitos de pipelines, gerentes de producto en priorización de funcionalidades y equipos legales en restricciones de privacidad de datos [3].
• Curiosidad Intelectual — Explorar proactivamente nuevas técnicas (por ejemplo, leer artículos en arXiv, probar nuevas arquitecturas) sin esperar indicaciones.
• Definición del Alcance del Proyecto — Estimar plazos, identificar brechas de datos temprano y comunicar compensaciones entre complejidad del modelo y velocidad de despliegue.

¿Cómo Debe Redactar los Puntos de Experiencia Laboral un Científico de Datos?

Cada punto debe seguir la fórmula XYZ: Logré [X] medido por [Y] al hacer [Z]. Puntos genéricos como «Construí modelos de machine learning» no le dicen nada al reclutador. Aquí tienes 15 ejemplos específicos por nivel calibrados para empleadores e industrias de Illinois [11].

Nivel Inicial (0–2 Años)

• Aumenté la tasa de clics en campañas de email en un 18 % al construir un modelo de segmentación de clientes con clustering K-means sobre más de 2 millones de características comportamentales de usuarios en Python (scikit-learn), desplegado a través de una API Flask interna.
• Reduje la tasa de falsos positivos en detección de fraude transaccional en un 22 % al diseñar 35 características de series temporales a partir de logs de transacciones sin procesar y entrenar un clasificador LightGBM, ahorrando un estimado de $1,2 millones anuales en costos de revisión manual.
• Aceleré el análisis exploratorio de datos de 3 días a 4 horas al construir plantillas reutilizables de perfilado con pandas y controles automatizados de calidad de datos para un almacén de Snowflake de 50 tablas.
• Mejoré la precisión del pronóstico de demanda (MAPE reducido del 14 % al 9 %) para más de 500 SKUs al implementar un modelo de series temporales Prophet con regresores de festivos y promociones para una empresa de bienes de consumo con sede en Chicago.
• Diseñé y analicé 12 pruebas A/B por trimestre para el equipo de producto, aplicando pruebas de significación bayesianas para determinar niveles de precios óptimos — lo que resultó en un 7 % de incremento promedio de ingresos por experimento [7].

Nivel Intermedio (3–7 Años)

• Construí y desplegué un motor de recomendaciones en tiempo real que atendía a 3 millones de usuarios activos diarios, aumentando la duración promedio de sesión en un 24 % mediante una arquitectura de red neuronal de dos torres en TensorFlow, alojada en endpoints de AWS SageMaker.
• Lideré el desarrollo de un modelo de calificación de riesgo crediticio que redujo las tasas de impago de préstamos en un 15 % en un portafolio de $2.000 millones, utilizando árboles de gradiente boosting con explicabilidad basada en SHAP para satisfacer los requisitos regulatorios de la OCC en una fintech con sede en Chicago [5].
• Reduje el abandono de clientes en un 11 % ($4,3 millones en ingresos anuales retenidos) al construir un modelo de análisis de supervivencia que identificaba cuentas en riesgo 60 días antes de la cancelación, integrado en Salesforce a través de un pipeline automatizado con Airflow.
• Diseñé un feature store (Feast en GCP) que servía más de 200 características a 8 modelos en producción, reduciendo la duplicación en ingeniería de características en un 60 % y acortando el tiempo de desarrollo de nuevos modelos de 6 semanas a 3 semanas.
• Mentoricé a 3 científicos de datos junior a través del ciclo de vida completo de desarrollo de modelos, desde la formulación del problema hasta el monitoreo en producción, estableciendo estándares de revisión de código del equipo y protocolos de seguimiento de experimentos con MLflow [6].

Nivel Senior (8+ Años)

• Dirigí un equipo de ciencia de datos de 12 personas en las oficinas de Chicago y Champaign, entregando $28 millones en ahorro anual de costos a través de modelos de mantenimiento predictivo, pronóstico de demanda y precios dinámicos para un fabricante Fortune 500.
• Definí e implementé la estrategia de plataforma de ML de la empresa, migrando 15 modelos en producción de despliegues ad hoc en Jupyter a un pipeline estandarizado en Kubeflow sobre GKE — reduciendo el tiempo de reentrenamiento de modelos en un 70 % y eliminando 3 incidentes de producción por trimestre.
• Establecí el primer centro de excelencia en pruebas A/B de la organización, creando plantillas estandarizadas de diseño de experimentos, calculadoras de potencia y métricas de protección que aumentaron la velocidad de experimentación de 5 a 25 pruebas por trimestre en 4 equipos de producto [7].
• Colaboré con el Director de Riesgos para construir un sistema empresarial de detección de fraude que procesaba más de 50 millones de transacciones diarias, logrando un 96,3 % de precisión con un 89 % de recall — una mejora del 31 % sobre la solución del proveedor que reemplazó, ahorrando $18 millones anuales.
• Aseguré $3,5 millones en presupuesto de I+D al presentar una hoja de ruta de IA plurianual ante la alta dirección, priorizando iniciativas de análisis de contratos basado en NLP e inspección de calidad por visión computarizada con un ROI proyectado de 4,2x en 18 meses.

Ejemplos de Resumen Profesional

Científico de Datos Nivel Inicial

Científico de datos con un M.S. en Estadística de la Universidad de Illinois en Urbana-Champaign y 1,5 años de experiencia construyendo modelos de clasificación y regresión en Python (scikit-learn, XGBoost) y desplegándolos a través de APIs Flask en AWS. Completó 3 proyectos de ML de principio a fin durante una pasantía en Discover Financial, incluyendo un modelo de detección de anomalías en transacciones que identificó $800.000 en actividad sospechosa durante un piloto de 6 meses. Dominio de SQL (Snowflake, PostgreSQL), diseño de pruebas A/B y comunicación de resultados de modelos a partes interesadas no técnicas [3].

Científico de Datos Nivel Intermedio

Científico de datos con 5 años de experiencia construyendo y desplegando sistemas de ML en producción en fintech y comercio electrónico, especializado en sistemas de recomendación, NLP e inferencia causal. En una empresa SaaS con sede en Chicago, construyó un pipeline de predicción de abandono (XGBoost + SHAP) que retuvo $4,3 millones en ingresos anuales y un motor de recomendación de productos en tiempo real que atendía a más de 3 millones de usuarios diarios en SageMaker. Certificado AWS Certified Machine Learning – Specialty con sólidas habilidades de MLOps (MLflow, Airflow, Docker) y un historial comprobado de traducir resultados complejos de modelos en casos de negocio ejecutivos [4].

Científico de Datos Senior

Científico de datos senior y líder técnico con más de 10 años de experiencia dirigiendo la estrategia de ML para empresas Fortune 500 en los sectores de manufactura y servicios financieros de Illinois. Dirigió un equipo de ciencia de datos de 12 personas que entregó $28 millones en ahorro anual de costos a través de modelos de mantenimiento predictivo y precios dinámicos. Diseñó plataformas empresariales de ML (Kubeflow, Vertex AI) que soportan más de 15 modelos en producción y estableció centros de excelencia en pruebas A/B que aumentaron la velocidad de experimentación en 5x. Investigador publicado (NeurIPS, KDD) con profunda experiencia en inferencia causal, optimización bayesiana e ingeniería de características a escala [6].

¿Qué Formación y Certificaciones Necesitan los Científicos de Datos?

Requisitos de título: la mayoría de los puestos de científico de datos en Illinois requieren un título de maestría en un campo cuantitativo — estadística, ciencias de la computación, matemáticas, física o una disciplina relacionada. Los doctores tienen ventaja para roles orientados a investigación en organizaciones como Argonne National Laboratory, el Toyota Technological Institute en Chicago o Tempus AI [8]. Un título de licenciatura puede ser suficiente cuando se combina con proyectos sólidos en portafolio y más de 3 años de experiencia relevante.

Línea académica específica de Illinois: el M.S. en Statistics and Computer Science de UIUC, el M.S. en Analytics de Northwestern y el M.S. en Computational Analysis and Public Policy de la Universidad de Chicago son bien reconocidos por los empleadores de Illinois y aparecen frecuentemente en las ofertas de empleo como credenciales preferidas [6].

Certificaciones que vale la pena incluir:

• AWS Certified Machine Learning – Specialty (Amazon Web Services) — La certificación de ML más solicitada en las ofertas de empleo de Illinois [5].
• Google Professional Machine Learning Engineer (Google Cloud) — Valida habilidades integrales de pipelines de ML en GCP.
• TensorFlow Developer Certificate (Google) — Demuestra habilidad práctica en implementación de deep learning.
• IBM Data Science Professional Certificate (IBM a través de Coursera) — La mejor opción para quienes cambian de carrera y buscan establecer credibilidad fundamental.
• Databricks Certified Machine Learning Professional (Databricks) — Cada vez más relevante a medida que crecen los flujos de trabajo de ML basados en Spark.

Formato en tu currículum: lista el nombre de la certificación, la organización emisora y el año de obtención. Coloca las certificaciones en una sección dedicada debajo de educación, o en tu encabezado si el puesto las requiere específicamente.

¿Cuáles Son los Errores Más Comunes en un Currículum de Científico de Datos?

1. Listar herramientas sin contexto. Escribir «Python, R, SQL, TensorFlow, PyTorch, Spark, Hadoop, Tableau, Excel» como un bloque de texto no le dice nada al reclutador sobre tu profundidad. En su lugar, especifica dominio y aplicación: «Python (scikit-learn, pandas, NumPy) — 4 años construyendo modelos de clasificación en producción» [13].

2. Confundir ciencia de datos con análisis de datos. Si tus puntos describen la creación de dashboards en Tableau y la escritura de consultas SQL para extraer informes, has escrito un currículum de analista de datos. Los puntos de un científico de datos deben hacer referencia a modelado, experimentación o predicción — las actividades que definen el rol [7].

3. Omitir métricas de rendimiento del modelo. «Construí un modelo de predicción de abandono» es incompleto. Los reclutadores necesitan ver AUC-ROC, precisión/recall, RMSE, MAPE u otra métrica que definió el éxito. Sin métricas de rendimiento, no hay forma de evaluar tu trabajo.

4. No traducir al impacto de negocio. Una mejora del 12 % en el puntaje F1 no significa nada para un gerente de contratación no técnico. Siempre conecta el rendimiento del modelo con resultados de negocio: ingresos retenidos, costos ahorrados, tiempo reducido o decisiones automatizadas. Los empleadores de Illinois en finanzas y bienes de consumo son especialmente orientados a métricas [5].

5. Ignorar MLOps y despliegue. Listar solo habilidades de modelado indica que entregas notebooks a los ingenieros y te desentiendes. Incluso los candidatos de nivel inicial deberían mencionar contenedorización (Docker), seguimiento de experimentos (MLflow) o despliegue de APIs (FastAPI, Flask) [6].

6. Formato de CV académico para roles de industria. Illinois tiene una gran línea de transición academia-industria desde UIUC, UChicago y Northwestern. Si estás haciendo esa transición, condensa tus publicaciones a los 2–3 artículos más relevantes y reemplaza la experiencia como asistente de enseñanza con puntos basados en proyectos que demuestren habilidades de ML aplicado.

7. Señales de desajuste salarial. La mediana de $113.490 para científicos de datos en Illinois abarca un rango amplio desde $65.420 en el percentil 10 hasta $172.220 en el percentil 90 [1]. Si tu currículum parece de nivel inicial pero apuntas a compensaciones senior, la desconexión te costará entrevistas. Calibra la complejidad y el alcance de tus puntos al nivel que estés buscando.

Palabras Clave ATS para Currículums de Científico de Datos

Los sistemas de seguimiento de candidatos analizan los currículums buscando coincidencias exactas de palabras clave antes de que un ser humano vea tu solicitud [12]. Organiza estas palabras de forma natural en tu currículum — no las acumules en un bloque de texto oculto.

Habilidades Técnicas

Machine learning, deep learning, procesamiento del lenguaje natural (NLP), computer vision, modelado estadístico, analítica predictiva, pruebas A/B, ingeniería de características, pronóstico de series temporales, inferencia causal

Certificaciones

AWS Certified Machine Learning – Specialty, Google Professional Machine Learning Engineer, TensorFlow Developer Certificate, Databricks Certified Machine Learning Professional, IBM Data Science Professional Certificate, Microsoft Certified: Azure Data Scientist Associate, SAS Certified AI & Machine Learning Professional

Herramientas y Software

Python, R, SQL, TensorFlow, PyTorch, scikit-learn, XGBoost, Spark (PySpark), MLflow, Kubeflow, SageMaker, Vertex AI, Snowflake, Databricks

Términos de la Industria

Despliegue de modelos, MLOps, diseño de experimentos, monitoreo de modelos, pipeline de datos, feature store, explicabilidad de modelos (SHAP/LIME)

Verbos de Acción

Diseñé, desplegué, optimicé, modelé, predije, clasifiqué, segmenté, automaticé, arquitecté, validé

Conclusiones Clave

Tu currículum de científico de datos debe demostrar tres cosas: que puedes construir modelos, que puedes desplegarlos y que puedes medir su impacto en el negocio. Para Illinois específicamente, adapta tu experiencia de dominio a los sectores más fuertes del estado — fintech (Discover, Morningstar), salud (Abbott, Tempus AI) y manufactura (Caterpillar, John Deere) [1]. Cuantifica todo: métricas de rendimiento del modelo, resultados de negocio en dólares o porcentajes, y la escala de datos con la que has trabajado. Usa la fórmula XYZ para cada punto. Incluye un enlace a GitHub o portafolio. Y haz coincidir tus palabras clave ATS con la redacción exacta de la descripción del puesto [12].

Crea tu currículum de científico de datos optimizado para ATS con Resume Geni — es gratis para empezar.

Preguntas Frecuentes

¿Qué tan largo debe ser un currículum de científico de datos?

Una página para candidatos con menos de 4 años de experiencia; dos páginas para científicos de datos senior con 5+ años. La segunda página debe contener detalles sustanciales de proyectos o publicaciones, no relleno. Los reclutadores en empresas tecnológicas de Illinois informan que dedican un promedio de 6–7 segundos a la revisión inicial del currículum, así que coloca tu trabajo más sólido al inicio [11].

¿Debo incluir competencias de Kaggle en mi currículum?

Sí, pero solo si quedaste en el 10 % superior o la competencia es directamente relevante para el puesto objetivo. Un puesto entre los 50 primeros en una competencia de detección de fraude patrocinada por Discover tiene más peso que una clasificación intermedia en un desafío no relacionado de clasificación de imágenes. Lista el nombre de la competencia, la clasificación y la técnica que impulsó tu resultado [5].

¿Necesito un título de maestría para obtener un empleo de científico de datos en Illinois?

La mayoría de las ofertas de científico de datos en Illinois listan el título de maestría como preferido, no requerido [8]. Un título de licenciatura combinado con más de 3 años de experiencia aplicada en ML y un portafolio sólido puede sustituirlo. Sin embargo, la mediana salarial de $113.490 en Illinois se inclina hacia candidatos con títulos avanzados, y los roles orientados a investigación en Argonne o empresas afiliadas a UChicago típicamente requieren un doctorado [1].

¿Debo listar todos los lenguajes de programación que conozco?

No. Lista los lenguajes en los que puedes escribir código de calidad para producción y discutir compensaciones en una entrevista. Afirmar dominio en Python, R, Julia, Scala, Java, C++ y JavaScript transmite amplitud sin profundidad. La mayoría de los roles de ciencia de datos en Illinois requieren dominio sólido de Python y SQL; agrega R o Scala solo si la descripción del puesto lo solicita [4].

¿Cómo demuestro impacto de negocio si mi trabajo fue interno?

Usa métricas relativas en lugar de números absolutos. «Reduje la latencia de inferencia del modelo en un 40 %» o «mejoré la precisión de predicción en 12 puntos porcentuales» comunica impacto sin revelar datos confidenciales. También puedes describir la escala («procesé más de 50 millones de transacciones diarias») sin revelar cifras de ingresos [13].

¿Cuál es el rango salarial para científicos de datos en Illinois?

Los científicos de datos en Illinois ganan entre $65.420 (percentil 10) y $172.220 (percentil 90), con una mediana de $113.490 al año [1]. El amplio rango refleja la brecha entre roles de nivel inicial y puestos senior en grandes empleadores de Chicago. Los roles que requieren experiencia en deep learning o MLOps tienden a ubicarse en el cuartil superior.

¿Debo incluir un enlace a portafolio o GitHub en mi currículum?

Sin duda. Colócalo en el encabezado de tu currículum junto con tu URL de LinkedIn. Asegúrate de que tus repositorios destacados muestren código limpio y bien documentado — no Jupyter notebooks abandonados. Los reclutadores en empresas tecnológicas de Illinois revisan frecuentemente la actividad de GitHub como indicador de estándares de código y consistencia [6].