Guía de Currículum para Científico de Datos en Pensilvania

Cómo redactar un currículum de científico de datos que genere entrevistas en el creciente mercado analítico de Pensilvania

Pensilvania emplea a 10.430 científicos de datos en una economía diversa — desde el corredor de salud y biotecnología de Filadelfia hasta el centro de robótica e inteligencia artificial de Pittsburgh — pero el salario mediano de $100.320 se sitúa un 28,8 % por debajo de la mediana nacional, lo que hace indispensable un currículum ajustado con precisión para acceder a los puestos mejor remunerados del rango salarial de $61.190 a $165.360 del estado [1].

Puntos clave

• Un currículum de científico de datos no es un currículum de analista de datos. Los reclutadores que buscan científicos de datos quieren evidencia de modelado predictivo, diseño experimental y despliegue de ML en producción, no solo consultas SQL y tableros de control. Si tu currículum se lee como el de un analista de inteligencia de negocio, se filtrará en consecuencia.
• Las 3 cosas principales que buscan los reclutadores en Pensilvania: experiencia en el ciclo de vida completo de modelos (desde ingeniería de características hasta despliegue), dominio de Python/R con marcos de producción como scikit-learn, TensorFlow o PyTorch, e impacto empresarial cuantificado vinculado a métricas de rendimiento del modelo (AUC-ROC, RMSE, lift) [5] [6].
• El error más común: enumerar todas las bibliotecas que has importado en lugar de demostrar qué construiste con ellas y qué resultado de negocio generaron.
• Ventaja específica de Pensilvania: destacar experiencia en el dominio de salud (UPMC, Independence Blue Cross), servicios financieros (Vanguard, Comcast) o manufactura y logística (U.S. Steel, Dick's Sporting Goods) otorga una ventaja concreta en un estado donde estas industrias dominan la contratación en ciencia de datos [5].

¿Qué buscan los reclutadores en un currículum de científico de datos?

La distinción entre un científico de datos y roles adyacentes — analista de datos, ingeniero de datos, ingeniero de ML — es donde la mayoría de los currículums fallan. Un analista de datos elabora informes descriptivos; un ingeniero de datos construye canalizaciones de datos; un ingeniero de ML pone modelos en producción. El científico de datos se ubica en la intersección: formula hipótesis, diseña experimentos, crea modelos predictivos y traduce resultados estadísticos en decisiones de negocio [7]. Tu currículum debe reflejar ese espectro completo.

Profundidad técnica con contexto de producción. Los reclutadores de empleadores de Pensilvania como Comcast (Filadelfia), UPMC (Pittsburgh) y Vanguard (Malvern) buscan señales específicas: experiencia con algoritmos de aprendizaje supervisado y no supervisado, marcos de pruebas A/B e inferencia causal, ingeniería de características a escala y despliegue de modelos mediante Docker, Kubernetes o servicios de ML nativos en la nube (SageMaker, Vertex AI, Azure ML) [5] [6]. Escribir "Python" no les dice nada. Escribir "Construí un modelo de abandono con gradient boosting en Python (XGBoost) desplegado vía AWS SageMaker, sirviendo 2 millones de predicciones diarias" lo dice todo.

Rigor estadístico, no solo dominio de herramientas. Los mejores currículums de ciencia de datos demuestran comprensión de las matemáticas detrás del código — pruebas de hipótesis, inferencia bayesiana, técnicas de regularización, estrategias de validación cruzada. Los sectores de salud y farmacéutico de Pensilvania (un eje importante de contratación) valoran especialmente a candidatos que articulan metodología estadística, no solo que ejecutan sklearn.fit() [3] [4].

Enfoque de impacto empresarial. Cada modelo existe para mover una métrica. Los reclutadores quieren ver que entiendes cuál métrica y en cuánto. ¿Tu motor de recomendaciones incrementó el valor promedio del pedido en un 12 %? ¿Tu modelo de detección de fraude redujo los falsos positivos en un 40 %, ahorrando al equipo de operaciones 200 horas al mes? La arquitectura del modelo importa menos que el resultado que generó [7].

Certificaciones que señalizan especialización. Aunque no son estrictamente obligatorias, credenciales como Google Professional Machine Learning Engineer, AWS Certified Machine Learning – Specialty o Cloudera Certified Associate Data Analyst demuestran competencia específica en plataformas que los empleadores de Pensilvania mencionan cada vez más en sus ofertas de empleo [6] [8]. Una maestría o doctorado en un campo cuantitativo (estadística, ciencias de la computación, matemáticas aplicadas, física) sigue siendo la señal educativa más habitual, aunque portafolios sólidos pueden compensar esta expectativa.

¿Cuál es el mejor formato de currículum para científicos de datos?

Formato cronológico inverso: es la opción más fuerte para científicos de datos con más de 2 años de experiencia en la industria. Los gerentes de contratación en empresas como SEI Investments, Aramark y las firmas de vehículos autónomos de Pittsburgh quieren rastrear tu progresión desde contribuidor individual hasta alguien que gestiona canalizaciones de modelos de principio a fin [13].

Formato combinado (híbrido): es la elección correcta si estás en transición desde el ámbito académico, un programa de doctorado o un rol adyacente (ingeniería de software, investigación cuantitativa). Encabeza con una sección de habilidades técnicas y un resumen de portafolio de proyectos, seguido de experiencia cronológica. Este formato te permite mostrar primero tus resultados en competencias de Kaggle, investigaciones publicadas o contribuciones de código abierto antes del historial laboral [11].

Formato funcional: rara vez es apropiado para científicos de datos. Los reclutadores de este campo desconfían de currículums que ocultan líneas temporales, pues genera dudas sobre si tu experiencia es teórica o de grado productivo.

Nota específica para Pensilvania: con 10.430 científicos de datos empleados en todo el estado [1], el mercado es competitivo pero no saturado. Un currículum limpio de una página funciona bien para candidatos con menos de 5 años de experiencia. Los científicos de datos sénior y quienes poseen registros de publicaciones pueden extenderse a dos páginas, siempre que la segunda contenga detalles sustanciales de proyectos o publicaciones, no relleno.

¿Qué habilidades clave debe incluir un científico de datos?

Habilidades técnicas (con contexto)

1. Python (NumPy, pandas, scikit-learn, XGBoost) — Tu lenguaje principal de modelado. Especifica las bibliotecas que usas a diario, no solo "Python" [4].
2. R (tidyverse, caret, ggplot2) — Aún prevalente en los roles de farmacéutica y bioestadística de Pensilvania, particularmente en empresas como GSK y las oficinas regionales de Merck.
3. SQL (joins complejos, funciones de ventana, CTEs) — Todo científico de datos escribe SQL. Indica que manejas consultas analíticas en tablas con millones de filas, no solo sentencias SELECT básicas [4].
4. Marcos de aprendizaje profundo (TensorFlow, PyTorch, Keras) — Señala si entrenaste modelos desde cero, ajustaste arquitecturas preentrenadas, o ambas cosas.
5. Plataformas de ML en la nube (AWS SageMaker, GCP Vertex AI, Azure ML) — Los empleadores empresariales de Pensilvania (Comcast, Vanguard, UPMC) operan sobre infraestructura en la nube. Especifica qué plataforma y qué desplegaste en ella [6].
6. Modelado estadístico e inferencia — Regresión (lineal, logística, Poisson), métodos bayesianos, análisis de supervivencia, modelos de efectos mixtos. Nombra las técnicas que has aplicado [3].
7. Diseño experimental (pruebas A/B, bandidos multi-brazo) — Especifica cálculo del tamaño de muestra, análisis de potencia y qué pruebas estadísticas usas para evaluar resultados.
8. NLP (spaCy, Hugging Face Transformers, ajuste fino de BERT/GPT) — Si aplica, indica si trabajaste con clasificación de texto, reconocimiento de entidades nombradas o modelos generativos.
9. Herramientas de big data (Spark/PySpark, Databricks, Hive) — Esenciales para roles a escala. Especifica los volúmenes de datos con los que has trabajado.
10. MLOps y despliegue de modelos (Docker, Kubernetes, MLflow, Airflow) — La habilidad que separa a los científicos de datos que crean prototipos de quienes ponen modelos en producción [7].
11. Visualización de datos (Matplotlib, Seaborn, Plotly, Tableau) — Indica si construyes visualizaciones exploratorias para tu propio análisis o tableros de control orientados a las partes interesadas.
12. Control de versiones (Git, GitHub/GitLab, DVC) — Incluye DVC (Data Version Control) si versionas conjuntos de datos y artefactos de modelos, no solo código.

Habilidades interpersonales (con ejemplos específicos del rol)

1. Comunicación interfuncional — Traducir resultados de modelos en recomendaciones de negocio para partes interesadas no técnicas (por ejemplo, explicar por qué el equilibrio entre precisión y exhaustividad del modelo importa para el presupuesto de un equipo de mercadotecnia).
2. Planteamiento de problemas — Determinar si una pregunta de negocio requiere clasificación, regresión, agrupamiento o una simple heurística antes de escribir una sola línea de código.
3. Curiosidad intelectual — Investigar proactivamente anomalías en los datos que otros descartan, lo que lleva a descubrir problemas de calidad de datos o nuevas oportunidades de características [4].
4. Definición del alcance de proyectos — Estimar plazos para recolección de datos, desarrollo de modelos, validación y despliegue, y comunicar las compensaciones cuando las partes interesadas quieren resultados más rápido.
5. Mentoría — Revisar código, enfoques de validación de modelos y diseños experimentales de miembros júnior del equipo (especialmente relevante para roles sénior).

¿Cómo debe redactar un científico de datos las viñetas de experiencia laboral?

Cada viñeta debe seguir la fórmula XYZ: Logré [X] según la medida de [Y] al hacer [Z]. La clave para científicos de datos es conectar métricas de rendimiento del modelo con resultados de negocio — una mejora de AUC-ROC no significa nada para un reclutador a menos que la vincules con ingresos, ahorro de costos o eficiencia operativa [11] [13].

Nivel inicial (0–2 años)

• Desarrollé un modelo de predicción de abandono de clientes (regresión logística + XGBoost) que alcanzó un AUC-ROC de 0,87, lo que permitió al equipo de retención enfocarse en 1.200 cuentas en riesgo y reducir el abandono trimestral en un 8 %.
• Limpié e hice ingeniería de características en un conjunto de datos transaccionales de 2,3 millones de filas con pandas y SQL, reduciendo el tiempo de preparación de datos para entrenamiento del modelo de 6 horas a 45 minutos mediante scripts automatizados de canalización.
• Diseñé y analicé una prueba A/B para un widget de recomendaciones en la página de inicio, determinando un aumento estadísticamente significativo del 4,2 % en la tasa de clics (p < 0,01, n = 85.000 usuarios) que justificó el despliegue completo en producción.
• Construí un modelo de clasificación de texto con NLP usando spaCy y scikit-learn para categorizar más de 50.000 tickets de soporte al cliente en 12 tipos de incidencia con un 91 % de precisión, reduciendo el tiempo de triaje manual en 15 horas semanales.
• Creé tableros interactivos con Plotly que visualizan la deriva de rendimiento de 6 modelos en producción, permitiendo al equipo de ingeniería de ML identificar y reentrenar modelos degradados 3 veces más rápido.

Nivel intermedio (3–7 años)

• Diseñé una canalización integral de detección de fraude usando PySpark y XGBoost en AWS SageMaker, procesando 4 millones de transacciones diarias y reduciendo las tasas de falsos positivos en un 40 %, lo que ahorró al equipo de investigación unas 200 horas-analista al mes.
• Lideré un equipo interfuncional de 3 científicos de datos y 2 ingenieros para crear un modelo de precios dinámicos que aumentó el margen bruto en $2,1 millones anuales, utilizando árboles con gradient boosting y servicio de características en tiempo real vía Redis.
• Diseñé un modelo jerárquico bayesiano para pronóstico de demanda en múltiples mercados a lo largo de 340 SKU, mejorando el MAPE del 22 % al 14 % y reduciendo los costos de inventario en $800.000 al año.
• Implementé un marco de MLOps con MLflow, Airflow y Docker que redujo el tiempo de despliegue de modelos de 3 semanas a 2 días, permitiendo al equipo lanzar 4 veces más modelos por trimestre [7].
• Desarrollé un modelo de riesgo de reingreso de pacientes para un sistema de salud de Pensilvania usando análisis de supervivencia y datos de EHR (Epic), alcanzando un estadístico C de 0,79 y permitiendo a los coordinadores de atención intervenir en más de 500 pacientes de alto riesgo al mes.

Nivel sénior (8+ años)

• Dirigí la estrategia de ciencia de datos de una línea de producto con $50 millones en ingresos, formando y gestionando un equipo de 8 científicos de datos e ingenieros de ML que desplegaron 12 modelos en producción, generando $8,4 millones en ingresos incrementales medibles.
• Establecí la primera plataforma de experimentación de la empresa (pruebas A/B + bandidos multi-brazo), estandarizando la metodología estadística en 6 equipos de producto e incrementando la velocidad de experimentación de 3 a 15 pruebas al mes.
• Diseñé un motor de personalización en tiempo real con aprendizaje profundo (PyTorch) y almacenes de características (Feast), sirviendo más de 10 millones de recomendaciones diarias con una mejora del 23 % en la tasa de conversión respecto al sistema anterior basado en reglas.
• Colaboré con el vicepresidente de operaciones para construir un sistema de mantenimiento predictivo para 1.200 activos de manufactura usando datos de sensores y LSTM, reduciendo el tiempo de inactividad no planificado en un 31 % y ahorrando $3,2 millones anuales.
• Publiqué 4 artículos revisados por pares sobre métodos de inferencia causal aplicados a datos observacionales de salud, posicionando a la organización como líder de pensamiento y atrayendo 3 contrataciones sénior de ciencia de datos de empresas competidoras.

Ejemplos de resumen profesional

Científico de datos — Nivel inicial

Científico de datos con maestría en Estadística de Penn State y 1,5 años de experiencia construyendo modelos de aprendizaje supervisado en Python (scikit-learn, XGBoost) y desplegándolos vía AWS SageMaker. Desarrollé un modelo de predicción de abandono de clientes que alcanzó un AUC-ROC de 0,87 y redujo el abandono trimestral en un 8 % para una empresa SaaS de mercado medio. Competente en SQL, diseño de pruebas A/B y comunicación de resultados de modelos a partes interesadas no técnicas. En busca de un puesto de científico de datos en el sector de salud o servicios financieros de Pensilvania [1].

Científico de datos — Nivel intermedio

Científico de datos con 5 años de experiencia construyendo sistemas de ML en producción en detección de fraude, pronóstico de demanda y motores de recomendación. Dominio de Python, PySpark, TensorFlow y despliegue nativo en la nube (AWS SageMaker, MLflow). En una empresa Fortune 500 de servicios financieros, diseñé una canalización de detección de fraude que procesa 4 millones de transacciones diarias, reduciendo los falsos positivos en un 40 % y ahorrando $2,4 millones anuales. Titular de AWS Certified Machine Learning – Specialty con trayectoria comprobada de traducir modelos estadísticos complejos en resultados de negocio medibles [3] [6].

Científico de datos — Nivel sénior

Científico de datos sénior y líder técnico con más de 10 años de experiencia creando y escalando equipos de ciencia de datos en salud, tecnología financiera y comercio electrónico. Gestioné un equipo de 8 científicos de datos e ingenieros de ML, desplegando 12 modelos en producción que generaron $8,4 millones en ingresos incrementales. Dominio profundo en inferencia causal, métodos bayesianos y aprendizaje profundo, con 4 publicaciones revisadas por pares. Experiencia en establecer plataformas de experimentación, infraestructura de MLOps y estrategia interfuncional de ciencia de datos. Con base en Pensilvania y experiencia de dominio en analítica de salud (datos EHR de Epic) y servicios financieros [1] [7].

¿Qué formación y certificaciones necesita un científico de datos?

Formación académica: el BLS informa que la mayoría de los puestos de científico de datos requieren al menos una licenciatura en un campo cuantitativo — ciencias de la computación, estadística, matemáticas o ingeniería — y muchos empleadores prefieren una maestría o doctorado [2] [8]. En Pensilvania, donde UPMC, Vanguard y las instituciones de investigación afiliadas a universidades son empleadores importantes, los títulos avanzados tienen un peso significativo. Carnegie Mellon, la Universidad de Pensilvania y Penn State producen graduados destacados en ciencia de datos que compiten por puestos locales.

Formatea tu sección de educación con título, campo de estudio, institución y año de graduación. Incluye cursos relevantes solo si te graduaste en los últimos 2 años (por ejemplo, "Cursos relevantes: aprendizaje estadístico, aprendizaje profundo, inferencia causal, análisis de datos bayesiano").

Certificaciones que vale la pena incluir:

• Google Professional Machine Learning Engineer (Google Cloud) — Valida el diseño integral de canalizaciones de ML en GCP.
• AWS Certified Machine Learning – Specialty (Amazon Web Services) — Demuestra habilidades de despliegue con SageMaker y ML en la nube.
• Microsoft Certified: Azure Data Scientist Associate (Microsoft) — Relevante para empleadores de Pensilvania que usan Azure (muchas empresas del corredor de Filadelfia).
• TensorFlow Developer Certificate (Google) — Acredita competencia en la implementación de aprendizaje profundo.
• Databricks Certified Machine Learning Professional (Databricks) — Cada vez más solicitada conforme crece la adopción de Databricks [6] [8].
• IBM Data Science Professional Certificate (IBM/Coursera) — Apropiada para candidatos de nivel inicial que buscan construir credenciales de base.

Enumera las certificaciones con el nombre completo de la credencial, la organización emisora y el año de obtención. Las certificaciones vencidas o en curso deben indicarse como tal.

¿Cuáles son los errores más comunes en un currículum de científico de datos?

1. Listar herramientas sin contexto ("Python, R, SQL, Tableau, TensorFlow"). Una lista de habilidades a secas no dice nada a un reclutador sobre tu nivel de competencia ni qué construiste. Reemplaza la lista con menciones contextuales a lo largo de tus viñetas de experiencia. "Construí un modelo de abandono con gradient boosting en Python (XGBoost)" es infinitamente más informativo que "Python" en una barra lateral de habilidades [13].

2. Describir la arquitectura del modelo sin impacto empresarial. "Entrené un clasificador random forest con 500 estimadores y max_depth=12" es un comentario de Jupyter notebook, no una viñeta de currículum. Los reclutadores quieren saber que tu random forest redujo el costo de adquisición de clientes en un 18 % — los hiperparámetros son para la entrevista técnica [11].

3. Omitir métricas de evaluación del modelo. Si tu viñeta dice "construí un modelo de predicción" sin mencionar AUC-ROC, RMSE, F1-score, precisión, exhaustividad o cualquier métrica de rendimiento, se lee como si no supieras evaluar tu propio trabajo [4].

4. Confundir análisis de datos con ciencia de datos. Si tus viñetas describen la creación de tableros de control, redacción de informes SQL y elaboración de tablas dinámicas en Excel — pero nunca mencionan modelado predictivo, inferencia estadística o despliegue de ML — tu currículum se lee como el de un analista de datos. Esta es la forma más rápida de ser filtrado en los procesos de selección para científicos de datos [7].

5. Ignorar el contexto industrial de Pensilvania. Postularte a UPMC sin mencionar experiencia en datos de salud (datos de EHR, cumplimiento de HIPAA, modelado de resultados clínicos) o a Vanguard sin hacer referencia a modelado financiero (puntuación de riesgos, optimización de portafolios, pronóstico de series temporales) es una oportunidad desperdiciada. Adapta tu lenguaje de dominio a la industria del empleador [5].

6. Enterrar u omitir tu GitHub/portafolio. La ciencia de datos es uno de los pocos campos donde los gerentes de contratación revisan rutinariamente muestras de código. Si tu GitHub, perfil de Kaggle o sitio de portafolio no está en el encabezado de tu currículum junto con tu LinkedIn, estás ocultando tu evidencia más fuerte [6].

7. Usar "Responsable de" como verbo inicial. Reemplázalo con verbos de acción que reflejen lo que realmente hacen los científicos de datos: diseñé, modelé, desplegué, validé, optimicé, experimenté, arquitecté, automaticé, cuantifiqué.

Palabras clave ATS para currículums de científico de datos

Los sistemas de seguimiento de candidatos analizan los currículums en busca de coincidencias exactas de palabras clave antes de que un humano vea tu postulación [12]. Organiza estas palabras clave de forma natural a lo largo de tu currículum, no las acumules en un pie de página oculto.

Habilidades técnicas

• Machine learning
• Deep learning
• Procesamiento de lenguaje natural (NLP)
• Visión por computadora
• Modelado estadístico
• Analítica predictiva
• Ingeniería de características
• Pruebas A/B
• Pronóstico de series temporales
• Inferencia causal

Certificaciones

• AWS Certified Machine Learning – Specialty
• Google Professional Machine Learning Engineer
• Microsoft Certified: Azure Data Scientist Associate
• TensorFlow Developer Certificate
• Databricks Certified Machine Learning Professional
• Cloudera Certified Associate Data Analyst
• IBM Data Science Professional Certificate

Herramientas y software

• Python (scikit-learn, pandas, NumPy, XGBoost)
• R (tidyverse, caret)
• TensorFlow / PyTorch / Keras
• Apache Spark / PySpark
• AWS SageMaker / GCP Vertex AI / Azure ML
• MLflow / Airflow / Kubeflow
• Tableau / Power BI

Términos de la industria

• Despliegue de modelos
• MLOps
• Diseño experimental
• Canalización de datos
• ML en producción

Verbos de acción

• Diseñé
• Modelé
• Desplegué
• Optimicé
• Validé
• Arquitecté
• Cuantifiqué

Puntos clave

Tu currículum de científico de datos debe lograr tres cosas que los currículums de roles adyacentes no logran: demostrar rigor estadístico, mostrar experiencia en el ciclo de vida completo del modelo y vincular cada modelo con un resultado de negocio cuantificado. En Pensilvania, donde 10.430 científicos de datos ganan un salario mediano de $100.320 y el rango salarial se extiende hasta $165.360 en el percentil 90 [1], la diferencia entre un currículum genérico y uno dirigido puede significar más de $60.000 adicionales en compensación anual.

Lidera con tu trabajo más sólido de ML en producción, no con tu lista más larga de herramientas. Usa lenguaje específico del dominio que se alinee con las industrias dominantes de Pensilvania: salud, servicios financieros, manufactura y tecnología. Incluye tu GitHub y enlace a portafolio en el encabezado. Cuantifica todo: métricas de rendimiento de modelos, impacto empresarial, escala de datos y tamaño de equipo.

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

Preguntas frecuentes

¿Qué extensión debe tener un currículum de científico de datos?

Una página si tienes menos de 5 años de experiencia; dos páginas si tienes más de 5 años o un historial significativo de publicaciones. Los reclutadores de Pensilvania en empresas como Comcast y UPMC revisan cientos de postulaciones por puesto — los currículums concisos y de alta densidad se leen primero [13].

¿Debo incluir competencias de Kaggle en mi currículum?

Sí, si quedaste en el 10 % superior o la competencia es directamente relevante para el puesto al que te postulas. Indica tu ranking de Kaggle y la competencia específica. "Medalla de Plata en Kaggle — Home Credit Default Risk (4 % superior de 7.198 equipos)" es una señal fuerte; "Miembro de Kaggle" no lo es [6].

¿Necesito una maestría para conseguir un empleo como científico de datos en Pensilvania?

La mayoría de las ofertas de científico de datos en Pensilvania indican maestría o doctorado como preferido, no como requisito [2] [8]. Una licenciatura combinada con un portafolio sólido, certificaciones relevantes (AWS ML Specialty, Google Professional ML Engineer) y experiencia comprobable en producción puede compensar esta brecha, aunque es recomendable abordar la diferencia de formación en tu carta de presentación.

¿Debo enumerar todos los lenguajes de programación que conozco?

No. Enumera los 3 o 4 lenguajes en los que puedes escribir código de calidad para producción y menciona otros solo en contexto. "Dominio de Python y SQL; conocimiento práctico de Scala para trabajos en Spark" es más creíble que una lista de 12 lenguajes que sugiere maestría en ninguno [4].

¿Cómo se comparan los salarios de científico de datos en Pensilvania con los promedios nacionales?

El salario mediano de científico de datos en Pensilvania de $100.320 se sitúa un 28,8 % por debajo de la mediana nacional, con un rango que va desde $61.190 en el percentil 10 hasta $165.360 en el percentil 90 [1]. Los salarios tienden a ser más altos en las áreas metropolitanas de Filadelfia y Pittsburgh, especialmente en empresas como Vanguard, Comcast y startups afiliadas a Carnegie Mellon.

¿Debo incluir un enlace a mi perfil de GitHub?

Sin duda. Colócalo en el encabezado de tu currículum junto con tu URL de LinkedIn y correo electrónico. Los gerentes de contratación de empleadores de Pensilvania revisan rutinariamente los repositorios de los candidatos para evaluar calidad de código, prácticas de documentación y complejidad de proyectos [6]. Fija tus 3 o 4 repositorios más fuertes y asegúrate de que cada uno tenga un README claro.

¿Cuál es la diferencia entre un currículum de científico de datos y uno de ingeniero de ML?

Un currículum de científico de datos enfatiza metodología estadística, diseño experimental y generación de conocimientos para el negocio. Un currículum de ingeniero de ML enfatiza diseño de sistemas, infraestructura de servicio de modelos, optimización de latencia y canalizaciones CI/CD para modelos [3] [7]. Si tu currículum se centra en configuraciones de Kubernetes y puntos de acceso de API pero nunca menciona pruebas de hipótesis o evaluación de modelos, te estás presentando como ingeniero de ML.