Guia de Currículo para Cientista de Dados na Pensilvânia

Como escrever um currículo de cientista de dados que gere entrevistas no crescente mercado analítico da Pensilvânia

A Pensilvânia emprega 10.430 cientistas de dados em sua economia diversificada — do corredor de saúde e biotecnologia da Filadélfia ao polo de robótica e inteligência artificial de Pittsburgh — porém o salário mediano de $100.320 fica 28,8% abaixo da mediana nacional, tornando essencial um currículo direcionado com precisão para conquistar vagas no topo da faixa salarial do estado, que vai de $61.190 a $165.360 [1].

Pontos-chave

• Um currículo de cientista de dados não é um currículo de analista de dados. Recrutadores que buscam cientistas de dados procuram evidências de modelagem preditiva, desenho experimental e implantação de ML em produção — não apenas consultas SQL e painéis. Se o seu currículo parece o de um analista de BI, será filtrado dessa forma.
• As 3 coisas que recrutadores da Pensilvânia mais procuram: experiência no ciclo de vida completo de modelos (da engenharia de features até a implantação), domínio de Python/R com frameworks de produção como scikit-learn, TensorFlow ou PyTorch, e impacto de negócio quantificado vinculado a métricas de desempenho do modelo (AUC-ROC, RMSE, lift) [5] [6].
• O erro mais comum: listar todas as bibliotecas que você já importou em vez de demonstrar o que construiu com elas e qual resultado de negócio gerou.
• Vantagem específica da Pensilvânia: destacar expertise no domínio de saúde (UPMC, Independence Blue Cross), serviços financeiros (Vanguard, Comcast) ou manufatura e logística (U.S. Steel, Dick's Sporting Goods) oferece uma vantagem concreta em um estado onde essas indústrias dominam a contratação em ciência de dados [5].

O que os recrutadores procuram em um currículo de cientista de dados?

A distinção entre cientista de dados e funções adjacentes — analista de dados, engenheiro de dados, engenheiro de ML — é onde a maioria dos currículos falha. Um analista de dados elabora relatórios descritivos; um engenheiro de dados constrói pipelines; um engenheiro de ML coloca modelos em produção. O cientista de dados se posiciona na interseção: formula hipóteses, desenha experimentos, constrói modelos preditivos e traduz resultados estatísticos em decisões de negócio [7]. Seu currículo precisa refletir esse espectro completo.

Profundidade técnica com contexto de produção. Recrutadores de empregadores da Pensilvânia como Comcast (Filadélfia), UPMC (Pittsburgh) e Vanguard (Malvern) buscam sinais específicos: experiência com algoritmos de aprendizado supervisionado e não supervisionado, frameworks de testes A/B e inferência causal, engenharia de features em escala e implantação de modelos via Docker, Kubernetes ou serviços nativos de ML na nuvem (SageMaker, Vertex AI, Azure ML) [5] [6]. Escrever "Python" não diz nada. Escrever "Construí modelo de churn com gradient boosting em Python (XGBoost) implantado via AWS SageMaker, servindo 2 milhões de predições diárias" diz tudo.

Rigor estatístico, não apenas domínio de ferramentas. Os melhores currículos de ciência de dados demonstram compreensão da matemática por trás do código — testes de hipóteses, inferência bayesiana, técnicas de regularização, estratégias de validação cruzada. Os setores de saúde e farmacêutico da Pensilvânia (um eixo importante de contratação) valorizam especialmente candidatos que articulam metodologia estatística, não apenas executam sklearn.fit() [3] [4].

Enquadramento de impacto no negócio. Todo modelo existe para mover uma métrica. Recrutadores querem ver que você entende qual métrica e em quanto. Seu motor de recomendações aumentou o valor médio do pedido em 12%? Seu modelo de detecção de fraude reduziu falsos positivos em 40%, economizando 200 horas por mês para a equipe de operações? A arquitetura do modelo importa menos que o resultado gerado [7].

Certificações que sinalizam especialização. Embora não sejam estritamente obrigatórias, credenciais como Google Professional Machine Learning Engineer, AWS Certified Machine Learning – Specialty ou Cloudera Certified Associate Data Analyst demonstram competência específica em plataformas que empregadores da Pensilvânia listam cada vez mais em suas vagas [6] [8]. Mestrado ou doutorado em campo quantitativo (estatística, ciência da computação, matemática aplicada, física) continua sendo o sinal educacional mais comum, embora portfólios sólidos possam compensar essa expectativa.

Qual é o melhor formato de currículo para cientistas de dados?

Formato cronológico inverso: funciona melhor para cientistas de dados com mais de 2 anos de experiência na indústria. Gestores de contratação em empresas como SEI Investments, Aramark e as firmas de veículos autônomos de Pittsburgh querem acompanhar sua progressão de contribuidor individual a alguém que gerencia pipelines de modelos de ponta a ponta [13].

Formato combinado (híbrido): é a escolha certa se você está em transição da academia, de um programa de doutorado ou de uma função adjacente (engenharia de software, pesquisa quantitativa). Comece com uma seção de habilidades técnicas e um resumo de portfólio de projetos, seguido de experiência cronológica. Esse formato permite destacar primeiro seus resultados em competições Kaggle, pesquisas publicadas ou contribuições de código aberto antes do histórico profissional [11].

Formato funcional: raramente é apropriado para cientistas de dados. Recrutadores da área desconfiam de currículos que obscurecem linhas do tempo — levanta dúvidas sobre se sua experiência é teórica ou de nível produtivo.

Observação específica da Pensilvânia: com 10.430 cientistas de dados empregados em todo o estado [1], o mercado é competitivo, mas não saturado. Um currículo limpo de uma página funciona para candidatos com menos de 5 anos de experiência. Cientistas de dados seniores e com histórico de publicações podem se estender a duas páginas, desde que a segunda contenha detalhes substanciais de projetos ou publicações — não preenchimento.

Quais habilidades-chave um cientista de dados deve incluir?

Habilidades técnicas (com contexto)

1. Python (NumPy, pandas, scikit-learn, XGBoost) — Sua linguagem principal de modelagem. Especifique as bibliotecas que você usa diariamente, não apenas "Python" [4].
2. R (tidyverse, caret, ggplot2) — Ainda prevalente em funções de farmacêutica e bioestatística na Pensilvânia, especialmente em empresas como GSK e nos escritórios regionais da Merck.
3. SQL (joins complexos, funções de janela, CTEs) — Todo cientista de dados escreve SQL. Especifique que você lida com consultas analíticas em tabelas com milhões de linhas, não apenas instruções SELECT básicas [4].
4. Frameworks de deep learning (TensorFlow, PyTorch, Keras) — Indique se treinou modelos do zero, fez ajuste fino de arquiteturas pré-treinadas ou ambos.
5. Plataformas de ML na nuvem (AWS SageMaker, GCP Vertex AI, Azure ML) — Empregadores corporativos da Pensilvânia (Comcast, Vanguard, UPMC) operam em infraestrutura de nuvem. Especifique qual plataforma e o que implantou nela [6].
6. Modelagem estatística e inferência — Regressão (linear, logística, Poisson), métodos bayesianos, análise de sobrevivência, modelos de efeitos mistos. Nomeie as técnicas que aplicou [3].
7. Desenho experimental (testes A/B, bandits multi-braço) — Especifique cálculo de tamanho amostral, análise de poder estatístico e quais testes usa para avaliar resultados.
8. NLP (spaCy, Hugging Face Transformers, ajuste fino de BERT/GPT) — Se aplicável, indique se trabalhou com classificação de texto, reconhecimento de entidades nomeadas ou modelos generativos.
9. Ferramentas de big data (Spark/PySpark, Databricks, Hive) — Essenciais para funções em escala. Especifique os volumes de dados com os quais trabalhou.
10. MLOps e implantação de modelos (Docker, Kubernetes, MLflow, Airflow) — A habilidade que separa cientistas de dados que criam protótipos dos que colocam modelos em produção [7].
11. Visualização de dados (Matplotlib, Seaborn, Plotly, Tableau) — Especifique se constrói visualizações exploratórias para sua própria análise ou painéis voltados para as partes interessadas.
12. Controle de versão (Git, GitHub/GitLab, DVC) — Inclua DVC (Data Version Control) se versiona conjuntos de dados e artefatos de modelos, não apenas código.

Habilidades interpessoais (com exemplos específicos da função)

1. Comunicação multifuncional — Traduzir resultados de modelos em recomendações de negócio para partes interessadas não técnicas (por exemplo, explicar por que o equilíbrio entre precisão e recall do modelo importa para o orçamento de uma equipe de marketing).
2. Enquadramento de problemas — Determinar se uma questão de negócio requer classificação, regressão, clustering ou uma simples heurística antes de escrever uma única linha de código.
3. Curiosidade intelectual — Investigar proativamente anomalias nos dados que outros ignoram, levando à descoberta de problemas de qualidade de dados ou novas oportunidades de features [4].
4. Definição de escopo de projetos — Estimar prazos para coleta de dados, desenvolvimento de modelos, validação e implantação — e comunicar as compensações quando as partes interessadas querem resultados mais rápido.
5. Mentoria — Revisar código, abordagens de validação de modelos e desenhos experimentais de membros juniores da equipe (especialmente relevante para funções seniores).

Como um cientista de dados deve escrever os tópicos de experiência profissional?

Cada tópico deve seguir a fórmula XYZ: Realizei [X] conforme medido por [Y] ao fazer [Z]. O ponto-chave para cientistas de dados é conectar métricas de desempenho do modelo a resultados de negócio — uma melhoria de AUC-ROC não significa nada para um recrutador a menos que você a vincule a receita, redução de custos ou eficiência operacional [11] [13].

Nível inicial (0–2 anos)

• Desenvolvi um modelo de previsão de churn de clientes (regressão logística + XGBoost) alcançando AUC-ROC de 0,87, permitindo à equipe de retenção focar em 1.200 contas em risco e reduzir o churn trimestral em 8%.
• Limpei e realizei engenharia de features em um conjunto de dados transacionais de 2,3 milhões de linhas usando pandas e SQL, reduzindo o tempo de preparação de dados de treinamento de 6 horas para 45 minutos por meio de scripts automatizados de pipeline.
• Desenhei e analisei um teste A/B para um widget de recomendações na página inicial, determinando um aumento estatisticamente significativo de 4,2% na taxa de cliques (p < 0,01, n = 85.000 usuários) que justificou a implantação completa em produção.
• Construí um modelo de classificação de texto com NLP usando spaCy e scikit-learn para categorizar mais de 50.000 tickets de suporte ao cliente em 12 tipos de incidente com 91% de acurácia, reduzindo o tempo de triagem manual em 15 horas por semana.
• Criei painéis interativos com Plotly visualizando a degradação de desempenho de 6 modelos em produção, permitindo à equipe de engenharia de ML identificar e retreinar modelos degradados 3 vezes mais rápido.

Nível intermediário (3–7 anos)

• Projetei um pipeline completo de detecção de fraude usando PySpark e XGBoost no AWS SageMaker, processando 4 milhões de transações diárias e reduzindo taxas de falsos positivos em 40% — economizando para a equipe de investigação cerca de 200 horas-analista por mês.
• Liderei uma equipe multifuncional de 3 cientistas de dados e 2 engenheiros para construir um modelo de precificação dinâmica que aumentou a margem bruta em $2,1 milhões anuais, utilizando árvores com gradient boosting e servimento de features em tempo real via Redis.
• Projetei um modelo hierárquico bayesiano para previsão de demanda em múltiplos mercados ao longo de 340 SKUs, melhorando o MAPE de 22% para 14% e reduzindo custos de estoque em $800.000 por ano.
• Implementei um framework de MLOps usando MLflow, Airflow e Docker que reduziu o tempo de implantação de modelos de 3 semanas para 2 dias, permitindo à equipe lançar 4 vezes mais modelos por trimestre [7].
• Desenvolvi um modelo de risco de readmissão de pacientes para um sistema de saúde da Pensilvânia usando análise de sobrevivência e dados de EHR (Epic), alcançando um C-statistic de 0,79 e permitindo aos coordenadores de cuidados intervir em mais de 500 pacientes de alto risco por mês.

Nível sênior (8+ anos)

• Dirigi a estratégia de ciência de dados de uma linha de produto com $50 milhões em receita, formando e gerenciando uma equipe de 8 cientistas de dados e engenheiros de ML que implantaram 12 modelos em produção, gerando $8,4 milhões em receita incremental mensurável.
• Estabeleci a primeira plataforma de experimentação da empresa (testes A/B + bandits multi-braço), padronizando a metodologia estatística em 6 equipes de produto e aumentando a velocidade de experimentação de 3 para 15 testes por mês.
• Projetei um motor de personalização em tempo real usando deep learning (PyTorch) e feature stores (Feast), servindo mais de 10 milhões de recomendações diárias com melhoria de 23% na taxa de conversão em relação ao sistema anterior baseado em regras.
• Colaborei com o vice-presidente de operações para construir um sistema de manutenção preditiva para 1.200 ativos de manufatura usando dados de sensores e LSTMs, reduzindo o tempo de inatividade não planejado em 31% e economizando $3,2 milhões por ano.
• Publiquei 4 artigos revisados por pares sobre métodos de inferência causal aplicados a dados observacionais de saúde, posicionando a organização como referência e atraindo 3 contratações seniores de ciência de dados de empresas concorrentes.

Exemplos de resumo profissional

Cientista de dados — Nível inicial

Cientista de dados com mestrado em Estatística pela Penn State e 1,5 ano de experiência construindo modelos de aprendizado supervisionado em Python (scikit-learn, XGBoost) e implantando-os via AWS SageMaker. Construí um modelo de previsão de churn de clientes alcançando AUC-ROC de 0,87 que reduziu o churn trimestral em 8% para uma empresa SaaS de médio porte. Proficiente em SQL, desenho de testes A/B e comunicação de resultados de modelos para partes interessadas não técnicas. Buscando uma vaga de cientista de dados no setor de saúde ou serviços financeiros da Pensilvânia [1].

Cientista de dados — Nível intermediário

Cientista de dados com 5 anos de experiência construindo sistemas de ML em produção em detecção de fraude, previsão de demanda e motores de recomendação. Domínio de Python, PySpark, TensorFlow e implantação nativa na nuvem (AWS SageMaker, MLflow). Em uma empresa Fortune 500 de serviços financeiros, projetei um pipeline de detecção de fraude processando 4 milhões de transações diárias, reduzindo falsos positivos em 40% e economizando $2,4 milhões por ano. Titular de AWS Certified Machine Learning – Specialty com histórico comprovado de traduzir modelos estatísticos complexos em resultados de negócio mensuráveis [3] [6].

Cientista de dados — Nível sênior

Cientista de dados sênior e líder técnico com mais de 10 anos de experiência criando e escalando equipes de ciência de dados em saúde, fintech e e-commerce. Gerenciei uma equipe de 8 cientistas de dados e engenheiros de ML, implantando 12 modelos em produção que geraram $8,4 milhões em receita incremental. Expertise aprofundada em inferência causal, métodos bayesianos e deep learning, com 4 publicações revisadas por pares. Experiência em estabelecer plataformas de experimentação, infraestrutura de MLOps e estratégia multifuncional de ciência de dados. Com base na Pensilvânia e expertise de domínio em análise de saúde (dados EHR do Epic) e serviços financeiros [1] [7].

Qual formação e quais certificações um cientista de dados precisa?

Formação acadêmica: o BLS informa que a maioria das posições de cientista de dados exige pelo menos bacharelado em campo quantitativo — ciência da computação, estatística, matemática ou engenharia — e muitos empregadores preferem mestrado ou doutorado [2] [8]. Na Pensilvânia, onde UPMC, Vanguard e instituições de pesquisa afiliadas a universidades são empregadores importantes, diplomas avançados têm peso significativo. Carnegie Mellon, Universidade da Pensilvânia e Penn State formam graduados fortes em ciência de dados que competem por vagas locais.

Formate sua seção de educação com grau, área de estudo, instituição e ano de conclusão. Inclua disciplinas relevantes apenas se concluiu o curso nos últimos 2 anos (por exemplo, "Disciplinas relevantes: aprendizado estatístico, deep learning, inferência causal, análise bayesiana de dados").

Certificações que valem a pena incluir:

• Google Professional Machine Learning Engineer (Google Cloud) — Valida o projeto completo de pipelines de ML no GCP.
• AWS Certified Machine Learning – Specialty (Amazon Web Services) — Demonstra habilidades de implantação com SageMaker e ML na nuvem.
• Microsoft Certified: Azure Data Scientist Associate (Microsoft) — Relevante para empregadores da Pensilvânia que usam Azure (muitas empresas do corredor da Filadélfia).
• TensorFlow Developer Certificate (Google) — Comprova competência na implementação de deep learning.
• Databricks Certified Machine Learning Professional (Databricks) — Cada vez mais solicitada conforme a adoção do Databricks cresce [6] [8].
• IBM Data Science Professional Certificate (IBM/Coursera) — Apropriada para candidatos de nível inicial que buscam construir credenciais de base.

Liste certificações com o nome completo da credencial, organização emissora e ano de obtenção. Certificações expiradas ou em andamento devem ser sinalizadas.

Quais são os erros mais comuns em um currículo de cientista de dados?

1. Listar ferramentas sem contexto ("Python, R, SQL, Tableau, TensorFlow"). Uma lista de habilidades sem contexto não diz nada ao recrutador sobre seu nível de proficiência ou o que você construiu. Substitua a lista por menções contextuais ao longo dos tópicos de experiência. "Construí um modelo de churn com gradient boosting em Python (XGBoost)" é infinitamente mais informativo do que "Python" em uma barra lateral de habilidades [13].

2. Descrever a arquitetura do modelo sem impacto no negócio. "Treinei um classificador random forest com 500 estimadores e max_depth=12" é um comentário de Jupyter notebook, não um tópico de currículo. Recrutadores querem saber que seu random forest reduziu o custo de aquisição de clientes em 18% — os hiperparâmetros ficam para a entrevista técnica [11].

3. Omitir métricas de avaliação do modelo. Se seu tópico diz "construí um modelo de previsão" sem mencionar AUC-ROC, RMSE, F1-score, precisão, recall ou qualquer métrica de desempenho, parece que você não sabe avaliar seu próprio trabalho [4].

4. Confundir análise de dados com ciência de dados. Se seus tópicos descrevem criação de painéis, redação de relatórios SQL e elaboração de tabelas dinâmicas no Excel — mas nunca mencionam modelagem preditiva, inferência estatística ou implantação de ML — seu currículo se lê como o de um analista de dados. Essa é a forma mais rápida de ser filtrado em processos seletivos para cientistas de dados [7].

5. Ignorar o contexto industrial da Pensilvânia. Candidatar-se à UPMC sem mencionar experiência com dados de saúde (dados de EHR, conformidade com HIPAA, modelagem de desfechos clínicos) ou à Vanguard sem fazer referência a modelagem financeira (scoring de risco, otimização de portfólio, previsão de séries temporais) é uma oportunidade desperdiçada. Adapte a linguagem de domínio à indústria do empregador [5].

6. Enterrar ou omitir seu GitHub/portfólio. Ciência de dados é um dos poucos campos onde gestores de contratação rotineiramente revisam amostras de código. Se seu GitHub, perfil do Kaggle ou site de portfólio não está no cabeçalho do currículo junto com seu LinkedIn, você está escondendo sua evidência mais forte [6].

7. Usar "Responsável por" como verbo inicial. Substitua por verbos de ação que reflitam o que cientistas de dados realmente fazem: projetei, modelei, implantei, validei, otimizei, experimentei, arquitetei, automatizei, quantifiquei.

Palavras-chave ATS para currículos de cientista de dados

Sistemas de rastreamento de candidatos analisam currículos em busca de correspondências exatas de palavras-chave antes que um humano veja sua candidatura [12]. Organize essas palavras-chave naturalmente ao longo do currículo — não as acumule em um rodapé oculto.

Habilidades técnicas

• Machine learning
• Deep learning
• Processamento de linguagem natural (NLP)
• Visão computacional
• Modelagem estatística
• Análise preditiva
• Engenharia de features
• Testes A/B
• Previsão de séries temporais
• Inferência causal

Certificações

• 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

Ferramentas e 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

Termos da indústria

• Implantação de modelos
• MLOps
• Desenho experimental
• Pipeline de dados
• ML em produção

Verbos de ação

• Projetei
• Modelei
• Implantei
• Otimizei
• Validei
• Arquitetei
• Quantifiquei

Pontos-chave

Seu currículo de cientista de dados precisa fazer três coisas que currículos de funções adjacentes não fazem: demonstrar rigor estatístico, mostrar experiência no ciclo de vida completo do modelo e vincular cada modelo a um resultado de negócio quantificado. Na Pensilvânia, onde 10.430 cientistas de dados ganham um salário mediano de $100.320 e a faixa salarial se estende a $165.360 no percentil 90 [1], a diferença entre um currículo genérico e um direcionado pode representar mais de $60.000 em compensação anual.

Lidere com seu trabalho mais forte de ML em produção, não com sua lista mais longa de ferramentas. Use linguagem específica do domínio que se alinhe às indústrias dominantes da Pensilvânia — saúde, serviços financeiros, manufatura e tecnologia. Inclua seu GitHub e link de portfólio no cabeçalho. Quantifique tudo: métricas de desempenho de modelos, impacto no negócio, escala de dados e tamanho de equipe.

Construa seu currículo de cientista de dados otimizado para ATS com o Resume Geni — é grátis para começar.

Perguntas frequentes

Qual deve ser a extensão de um currículo de cientista de dados?

Uma página se você tem menos de 5 anos de experiência; duas páginas se tem mais de 5 anos ou um histórico significativo de publicações. Recrutadores da Pensilvânia em empresas como Comcast e UPMC revisam centenas de candidaturas por vaga — currículos concisos e de alta densidade são lidos primeiro [13].

Devo incluir competições do Kaggle no meu currículo?

Sim, se ficou entre os 10% melhores ou a competição é diretamente relevante para a vaga à qual está se candidatando. Indique sua classificação no Kaggle e a competição específica. "Medalha de Prata no Kaggle — Home Credit Default Risk (4% superior de 7.198 equipes)" é um sinal forte; "Membro do Kaggle" não é [6].

Preciso de mestrado para conseguir um emprego como cientista de dados na Pensilvânia?

A maioria das vagas de cientista de dados na Pensilvânia lista mestrado ou doutorado como preferido, não obrigatório [2] [8]. Um bacharelado combinado com um portfólio sólido, certificações relevantes (AWS ML Specialty, Google Professional ML Engineer) e experiência comprovável em produção pode compensar — porém é recomendável abordar a lacuna de formação na carta de apresentação.

Devo listar todas as linguagens de programação que conheço?

Não. Liste as 3 ou 4 linguagens em que consegue escrever código de qualidade para produção e mencione outras apenas em contexto. "Proficiente em Python e SQL; conhecimento prático de Scala para jobs em Spark" é mais crível do que uma lista de 12 linguagens que sugere domínio de nenhuma [4].

Como os salários de cientista de dados na Pensilvânia se comparam às médias nacionais?

O salário mediano de cientista de dados na Pensilvânia de $100.320 fica 28,8% abaixo da mediana nacional, com uma faixa que vai de $61.190 no percentil 10 a $165.360 no percentil 90 [1]. Os salários tendem a ser maiores nas áreas metropolitanas da Filadélfia e Pittsburgh, especialmente em empresas como Vanguard, Comcast e startups afiliadas à Carnegie Mellon.

Devo incluir um link para meu perfil do GitHub?

Com certeza. Coloque-o no cabeçalho do currículo junto com sua URL do LinkedIn e e-mail. Gestores de contratação de empregadores da Pensilvânia revisam rotineiramente os repositórios dos candidatos para avaliar qualidade de código, práticas de documentação e complexidade de projetos [6]. Fixe seus 3 ou 4 repositórios mais fortes e garanta que cada um tenha um README claro.

Qual é a diferença entre um currículo de cientista de dados e um de engenheiro de ML?

Um currículo de cientista de dados enfatiza metodologia estatística, desenho experimental e geração de conhecimentos para o negócio. Um currículo de engenheiro de ML enfatiza design de sistemas, infraestrutura de servimento de modelos, otimização de latência e pipelines de CI/CD para modelos [3] [7]. Se seu currículo foca em configurações de Kubernetes e endpoints de API, mas nunca menciona testes de hipóteses ou avaliação de modelos, você está se apresentando como engenheiro de ML.