Джун глазами синьора: 5 ошибок в резюме, которые снижают ваши шансы попасть в ML

Взгляд с другой стороны стола

Привет! Я Максим Катрушенко, главный специалист по анализу данных и машинному обучению ^[1] в ПГК Диджитал. И я тот самый человек, который просматривал десятки резюме каждый день во время поиска  стажёра или джуна на позицию в нашу компанию. Из 56 кандидатов до оффера дошло два человека. И знаете, что? Большинство отсеялось именно на этапе первичного просмотра резюме — не потому что кандидаты слабые, а потому что не могут правильно себя презентовать.

Важный момент: на позицию джуна мы не искали готового специалиста — иначе искали бы мидла. Нам был нужен человек, который:

• может показать, что он делал своими руками, а не просто “изучал теорию”;

• понимает, почему выбрал конкретный подход к решению задачи;

• осознаёт, что ML — это на 80% работа с данными и только на 20% — модели.

Сила резюме начинающего специалиста — в умении показать свой потенциал через конкретные действия, даже если опыта ^[2] пока немного. Прошли курс? Покажите проект после него. Написали модель? Объясните ход мыслей.

Давайте разберём типичные ошибки ^[3] на реальных примерах. Имена изменены, ситуации — настоящие.

Ошибка №1: Общие фразы вместо конкретики

Реальный фрагмент из резюме:

> “Инженер-физик, практический склад ума. Во время обучения на первом курсе магистратуры ИТМО освоила необходимые для анализа данных библиотеки Python, использую эти знания в своей научной деятельности.”

> “Общительный, коммуникабельный кандидат, умеющий легко найти общий язык с человеком, любящий генерировать новые идеи, брать на себя инициативу.”

В чём проблема:

“Практический склад ума” — слишком абстрактно, это не даёт представления о ваших навыках. “Необходимые библиотеки” — какие именно? NumPy для базовых операций или PyTorch для deep learning? Разница огромная.

Второй фрагмент больше подходит для позиции в продажах или PR. В ML/DS коммуникабельность – это не киллер-фича, хотя, конечно, умение находить общий язык ценится (как и в любой другой сфере). Например, если по подходу в общении вы не подойдёте, вас отсеют на этапе техсобеса или на этапе общения с командой.

Как улучшить:

Вместо: “Освоил необходимые библиотеки Python”

Лучше: “2 года использую pandas/numpy для обработки экспериментальных данных (датасеты 100K+ записей). Автоматизировал анализ спектральных данных: сократил время обработки с 3 часов до 15 минут”

Вместо: “Общительный и коммуникабельный”

Лучше: “Рассказ коллегам про применение ML в спектральном анализе — помог 5 сотрудникам автоматизировать их исследования”

Каждое утверждение подкрепляйте примером или результатом. Это сразу делает резюме более убедительным.

Ошибка №2: Список технологий без контекста

Реальный фрагмент из резюме:

> “Hard Skills: Python (NumPy, pandas, Matplotlib, seaborn, scikit-learn, xgboost, catboost, lightgbm) · Высшая математика ^[4] · SQL (подзапросы, обычные запросы) · Git · Frontend (HTML, CSS)”

> “Python, numpy, pandas, sklearn, pytorch, mapplotlib . Знаком со случайными лесами и градиентным бустингом.”

В чём проблема:

Во-первых, “mapplotlib ” написано с ошибкой — это вызывает сомнения в реальном опыте использования. Во-вторых, фраза “знаком с градиентным бустингом” слишком расплывчатая. На каком уровне? Теория или практика? Понимаете отличия XGBoost от CatBoost? HTML/CSS для ML-позиции выглядят лишними и размывают фокус — вы хотите быть дата-сайентистом или веб-разработчиком?

Как улучшить:

Структурируйте навыки по уровню владения и опыту:

Основной стек (использую постоянно):

• Python: pandas для обработки данных, numpy для векторизации

• ML: sklearn — полный пайплайн от EDA до валидации

  – Пример: прогноз оттока клиентов, сравнил RandomForest и XGBoost, выбрал RF из-за лучшей интерпретируемости (ROC-AUC 0.81)

• SQL: написание запросов для отбора данных

Есть опыт работы:

• PyTorch: реализовал классификацию изображений (transfer learning) на хакатоне

• Визуализация: matplotlib/seaborn для отображения данных в лабораторной работе.

Лучше реально знать несколько инструментов, чем рассказывать о знании десятков.

Ошибка №3: Отсутствие портфолио или пустой GitHub

Реальные фрагменты:

> “Мой гитхаб: https://github.com/repo_example_link ^[5]”

[При проверке: 2 репозитория, оба форки без изменений]

> “Разрабатывал REST приложение с сервером на Flask: Kanban доску”

[Ссылка на код не приложена]

В чём проблема:

Код для DS — это как портфолио для дизайнера. Без примеров работ сложно оценить ваш уровень и стиль мышления ^[6]. Давать ссылку на пустой GitHub — это создавать негативное впечатление ^[7]. Лучше не давать ссылку вообще, чем показывать пустой профиль.

Как улучшить:

Создайте хотя бы один качественный проект с хорошим оформлением:

«Прогноз оттока клиентов телеком-оператора»

Задача – Снизить отток клиентов на 15% через таргетированные удерживающие предложения

Данные:

– 7043 клиента, 21 признак

– Дисбаланс классов 73:27

– Подробный EDA в notebooks/exploration.ipynb

Результаты

– Baseline (LogisticRegression): ROC-AUC 0.71

– Финальная модель (RandomForest + SMOTE): ROC-AUC 0.85

– Выявлены топ-5 факторов оттока

Структура проекта

project/

├── data/          # Примеры данных

├── notebooks/     # Исследование и эксперименты

├── src/           # Основной код

└── README.md ^[8]      # Документация

Если нельзя показать реальные данные из-за NDA, используйте открытые датасеты для демонстрации навыков.

Ошибка №4: Фокус на образовании, а не на практике

Реальные фрагменты:

> “Студент 4 курса Московского физико-технического института направления прикладные математика и физика.”

> “Закончил курсы: «Основы разработки на C++: белый пояс», «SQL for Data Science», «Поколение Python», «Основы статистики 1, 2»”

В чём проблема:

Хорошее образование — это прекрасно, но работодателя больше интересует, как вы применяете полученные знания. Список базовых курсов без проектов не показывает ваши реальные навыки.

Как улучшить:

Свяжите образование с практическими результатами:

Вместо: “Студент МФТИ, прошёл курсы по Python и статистике”

Лучше:

> “МФТИ, прикладная математика (4 курс)

> Курсовая работа: Оптимизация инвестиционного портфеля — применил методы регуляризации, улучшил коэффициент Шарпа с 0.8 до 1.2

> Проект после курса по статистике: Анализ A/B теста для интернет-магазина, выявил рост конверсии на 12% (p-value < 0.05)”

Ошибка №5: Универсальное резюме на все вакансии

Реальные фрагменты:

> “Программист-стажер / Data Scientist / Data Analyst / Data Engineer”

> “Готов к любым задачам в области анализа данных, разработки и исследований”

В чём проблема:

Такой подход показывает, что вы либо не понимаете разницу между позициями, либо рассылаете одно резюме везде. Data Engineer и Data Analyst требуют разных навыков и решают разные задачи.

Как улучшить:

Адаптируйте резюме под конкретную вакансию:

Для ML Engineer в продуктовой команде:

> Ищу позицию Junior ML Engineer

> Интересуюсь задачами внедрения моделей в production

> Есть опыт: развернул модель рекомендаций на FastAPI + Docker

> Изучаю: MLOps, мониторинг моделей, A/B тестирование

Для Data Analyst в e-commerce:

> Junior Data Analyst с фокусом на продуктовую аналитику

> Опыт анализа воронок и когортного анализа

> Навыки: SQL для построения витрин, Python для автоматизации отчётов

> Понимаю продуктовые метрики: retention, LTV, CAC

Стремитесь персонализировать ваше резюме под вакансию, а не рассылать однотипный шаблон.

Чек-лист успешного резюме джуна в ML/DS

1. Конкретные достижения с цифрами — “ускорил обработку в 10 раз”, “точность модели 0.85”

2. Хотя бы один завершённый пет-проект — от постановки задачи до выводов

3. Чистый, документированный код на GitHub с понятным README

4. Фокус на применении знаний — не просто “знаю sklearn”, а “использовал для решения задачи X”

5. Понимание бизнес-контекста — зачем нужна модель и какую проблему она решает

6. Читаемая структура — ключевая информация в начале, без лишней воды

7. Адаптация под компанию — покажите, что изучили вакансию и понимаете специфику

Заключение: что действительно важно

Лучшие джуны — это не те, кто знает больше всех, а те, кто честно оценивает свой уровень и показывает желание развиваться.

Из 56 резюме, которые я недавно просматривал, оффер получил кандидат, который:

• Показал один, но качественный проект с документацией

• Честно указал, что не знает, но готов изучить

• Адаптировал резюме под нашу специфику

• Не пытался выглядеть опытнее, чем есть на самом деле

Мы все когда-то начинали свой путь в IT. Мы понимаем, как волнительно отправлять первое резюме и как тяжело получать десятки отказов. Но те, кто работает над собой и учится на ошибках — обязательно находят свое место.

---

P.S.

Сколько звезд на небе, столько уже написано советов по составлению резюме. Пусть эта статья окажется счастливой звездой в карьерном пути дочитавшего её джуна.

Отдельно хочу порекомендовать книгу Максима Ильяхова «Пиши, сокращай». Она будет полезна тем, кто хочет избавиться от «воды» в тексте и чётко формулировать мысли.

Помните: правильно составленное резюме — это ваш первый шаг к успешной карьере. Инвестируйте время в его создание, и оно обязательно окупится.