德克薩斯州資料科學家履歷指南（2025）

BLS統計德克薩斯州有23,420名資料科學家——在全美各州中排名第二——但對Indeed和LinkedIn上公開職缺的分析顯示，大多數求職者的履歷未提及具體的模型評估指標、生產ML框架或分析的業務影響，而這些恰恰是Capital One、USAA、Dell Technologies和ExxonMobil等德克薩斯州雇主的招募經理首先篩選的訊號 [1] [5] [6]。

核心要點

• 資料科學家履歷的獨特之處： 招募人員期望看到量化的模型成果組合（AUC-ROC改善、延遲降低、營收影響）以及具體技術棧——不僅僅是程式語言列表 [7]。
• 德克薩斯州招募人員最看重的3點： 生產級ML經驗（不僅是Jupyter notebook）、與德克薩斯州主導產業（能源、金融科技、醫療保健、國防）對齊的領域專長，以及向非技術利害關係人溝通發現的能力 [3] [4]。
• 最需避免的錯誤： 羅列所有匯入過的Python程式庫，而不展示端到端專案管理能力 [7]。
• 德克薩斯州薪資背景： 中位薪資106,540美元/年，比全國中位數低24.4%，但第90百分位達到169,310美元 [1]。

招募人員在履歷中尋找什麼？

超越基礎的技術深度。 Indeed（Austin）、AT&T（Dallas）和Phillips 66（Houston）的招募人員尋找高級統計建模的證據——具體演算法（XGBoost、LightGBM、Transformer架構）、優化的評估指標和部署框架（MLflow、SageMaker、Kubeflow）[4] [7]。

生產ML經驗。 關鍵字：ML的CI/CD、模型監控、特徵儲存、A/B測試基礎設施和資料管線編排 [5] [6]。

與德克薩斯州產業的領域對齊。 能源（上游分析、儲層建模、預測性維護）、金融科技（詐欺偵測、信用風險、演算法交易）、醫療保健（臨床NLP、理賠分析）和國防/航太（感測器融合、異常偵測）[3] [5]。

最佳履歷格式

逆時間順序格式：2年以上經驗的最佳選擇 [12]。組合格式：適合轉型求職者 [3]。功能性格式：極少適用 [11] [13]。

關鍵技能

硬技能

1. Python（NumPy、pandas、scikit-learn、PyTorch/TensorFlow） [4]
2. SQL（複雜連結、視窗函數、CTEs） [5]
3. 統計建模 [4]
4. 機器學習 [7]
5. 深度學習（CNN、RNN/LSTM、Transformer） [4]
6. MLOps與部署（Docker、Kubernetes、MLflow、SageMaker、Vertex AI） [1] [6]
7. 大資料工具（Spark/PySpark、Databricks） [5]
8. 資料視覺化（Matplotlib、Seaborn、Plotly、Tableau、Power BI） [4]
9. 雲端平台（AWS、GCP、Azure） [6]
10. 版本控制（Git、GitHub/GitLab、DVC） [7]

軟技能

1. 利害關係人溝通 [3] [6]
2. 問題界定 [4]
3. 跨部門協作 — 在德克薩斯州能源產業中通常意味著與地質科學家和鑽井工程師合作 [3]
4. 求知慾與自主學習 [4]

工作經歷要點（XYZ公式）

入門級（0–2年）

1. 透過從點擊流資料中設計23個行為特徵並訓練LightGBM分類器，將客戶流失預測誤差降低18% [7]。
2. 為12人行銷團隊建構連接BigQuery的Tableau儀表板，自動化週度KPI報告 [4]。
3. 使用pandas和模糊比對清理並標準化來自4個來源系統的230萬筆患者記錄，為Houston醫療分析新創公司實現96.5%的實體解析準確率 [5]。
4. 設計並分析6個月內的14次A/B測試，使用Python（PyMC3）的貝氏假設檢定，使用者啟用率提高9% [7]。
5. 使用spaCy和scikit-learn建構文本分類管線，將50,000多張工單分類為8種問題類型，巨集F1達91% [4]。

中級（3–7年）

1. 為德克薩斯州金融科技公司開發即時詐欺偵測模型（XGBoost集成），每日處理120萬筆交易，12個月內捕獲470萬美元詐欺活動 [5] [7]。
2. 主導6個批次ML管線從本地Hadoop遷移至AWS SageMaker，模型重訓練時間從8小時縮短至47分鐘 [6]。
3. 使用Prophet和LSTM集成為200家門市的零售連鎖建構需求預測系統，庫存分配準確率提高24% [7]。
4. 設計特徵儲存架構（Feast + Redis），為3個產品團隊的15個生產模型提供服務 [4]。
5. 透過季度模型審查指導4名初級資料科學家，建立團隊首個模型文件標準（Model Cards）[3]。

高級（8年以上）

1. 為Dallas SaaS公司5,000萬美元營收產品線制定ML策略，組建8人團隊，交付3個生產模型推動31%新營收成長 [6]。
2. 建構端到端MLOps平台（Kubeflow + MLflow + Airflow），支援40多個生產模型 [7]。
3. 發表3篇同儕審查論文（NeurIPS研討會、AAAI）[3]。
4. 管理280萬美元年度雲端運算預算（AWS），推理成本降低44% [5]。
5. 與首席資料長合作建立公司負責任AI框架 [4] [7]。

專業摘要範例

入門級

UT Austin統計學碩士，1.5年經驗。3個端到端ML專案，包括AUC-ROC達0.87的客戶流失預測模型。位於Austin，尋求統計嚴謹性與生產影響並重的職位 [1] [3]。

中級

5年金融科技和電子商務ML系統經驗。在德克薩斯州支付公司建構即時交易評分模型，日服務120萬次預測，延遲低於50毫秒，年防止470萬美元詐欺損失。持有AWS Certified Machine Learning – Specialty [1] [5]。

高級

10年以上ML團隊領導經驗。在Dallas SaaS公司組建8人團隊，生產模型貢獻31%新營收成長。擅長因果推論、貝氏最佳化和MLOps架構，3篇NeurIPS/AAAI論文 [1] [6]。

學歷與認證

多數職缺要求學士以上，偏好碩士或博士 [2] [8]。參考院校：UT Austin、Texas A&M、Rice University、SMU。

常見認證 [6] [8]：AWS Certified Machine Learning – Specialty、Google Professional Machine Learning Engineer、Databricks Certified Machine Learning Professional、TensorFlow Developer Certificate、Microsoft Certified: Azure Data Scientist Associate。

ATS關鍵字

技術技能

Machine learning、deep learning、自然語言處理（NLP）、電腦視覺、統計建模、預測分析、時間序列預測、特徵工程、A/B測試、因果推論

工具和軟體

Python、R、SQL、TensorFlow、PyTorch、scikit-learn、Spark/PySpark、Databricks、SageMaker、MLflow、Airflow、Tableau、Docker

產業術語

模型部署、模型監控、MLOps、資料管線、特徵儲存、實驗追蹤、模型治理、負責任AI

核心要點

履歷需展示技術深度、生產成熟度和業務影響。德克薩斯州僱用23,420名資料科學家，中位薪資106,540美元，第90百分位達169,310美元 [1]。根據德克薩斯州主導產業調整履歷，使用XYZ公式，包含GitHub或專案連結。使用Resume Geni建立ATS最佳化的履歷——免費開始。

常見問題

履歷應該多長？

入門到中級一頁。高級且有大量發表才可用兩頁 [11] [13]。

應該包含GitHub連結嗎？

應該。確保儲存庫整潔、有文件且相關 [6]。

德克薩斯州預期薪資？

中位年薪106,540美元，第10百分位61,230美元，第90百分位169,310美元 [1]。德克薩斯州沒有州所得稅。

需要碩士學位嗎？

強烈偏好但非普遍要求 [2] [8]。

如何為德克薩斯州能源公司調整履歷？

Houston的ExxonMobil、Chevron、ConocoPhillips、Baker Hughes等公司側重時間序列分析、地理空間資料處理、感測器異常偵測和不確定性下的最佳化。使用領域術語：「產量預測」、「儲層模擬」、「旋轉設備預測性維護」、「地震資料解釋」 [3] [5]。