职场 | 还在狂攒MOOC证书？用它们做简历C位可能是个错误！

大数据文摘出品

编译：大芏、笪洁琼、夏雅薇

失败的面试各有各的因果，但还是有一些共性问题可以让求职者以此为鉴，有些问题看上去不是那么致命，但是随着数据科学行业落地的日渐成熟，面试官对真正优秀数据科学家的甄别能力也在提高，线上培训课程的简单罗列或是常见项目的模式化展示已经很难打动面试官了，他们在寻找更个性的研究成果和项目经历。在这个大家都喜欢自称“数据科学家”的时代，请谨慎避开以下四个雷区。

避免这些错误不一定让你被录用。但是，如果不避免它们，您一定不会被录用。

我读过很多在SharpestMinds工作的数据科学的工作简历。

因为这个平台的目的就是建立一个巨大的反馈机制，我们能够不断地从发布信息的公司那里得到反馈——不仅知道他们是否想要面试或雇佣候选人，还可以知道他们为什么选择面试或雇佣候选人。

数百家公司决策过程可以让我们了解了优秀的简历是什么样子的，更重要的是，它们不像什么固定类型的。

注意:每个公司都在寻找不同的东西。让你被谷歌看中的原因，在其他公司不一定适用(甚至可能毫无意义)。因此，建立“完美”的通用数据科学简历是不太可行的。

但话说回来，我们已经看到了一些明显的错误，会导致你基本上不会被任何公司接纳:

1.在简历中列出你参加的公开课Udacity或Coursera

有许多大型深度学习和数据科学的在线开放课程，如Udacity、Coursera和deeplearning.ai。但是如果求职者把这方面的经历展现出来，许多公司都会持怀疑态度。

避免以下的一些情况:

• 在你的作品集中大量罗列通过在线课程完成的一些项目。
• 把你的MOOC放在显眼的位置，或者作为你简历上与数据科学相关的首要相关经历。

为什么它对你的工作申请起负面作用

在招聘过程中会有一些特定的偏见。公司希望能够说他们只雇佣“非常特别的人”，或者“最优秀的前1%的申请者”，等等。由于现在有这么多的人拥有MOOC认证，所以很容易被归类为线上大学的毕业生，这让你听起来不那么特别。

招聘人员现在已经对许多MOOCs很熟悉了，他们可以很容易识别出某些项目就是标准的在线学历或MOOC的项目的一部分，比如交通标志分类任务，这个项目很不错也很有趣，但它太多简历都在讲这个项目。要想听起来与别的工作申请者不同，你需要关注那些没有被很好探索过的问题。

我想在这里明确一点:Udacity（优达）、Coursera和deeplearning.ai都是非常不错的项目。它们也与可雇佣性和技术能力密切相关。但是把它们放在你的数据科学经验列表的最前面——而没有其他项目或经验——会给那些正在寻找“the one”的招聘人员敲响警钟。

该怎么弥补此类问题？

一旦你完成你的课程或在线学历，就自己动手做一些独立的项目，参加Kaggle竞赛，或者在数据科学文献中复现相关论文的结果。

别小看这件事，因为：1）让你看起来更独特，2）你可以在面试中展示和讨论一些更复杂的话题3）表明你有很强的自学能力。

例外

这条规则的一个例外是你在MOOC完成一些独特的课程项目。所谓独特性，就是你可以自由选择您想要用的数据集，并在很大程度上独立解决端到端的问题。因为这实际上和你一个人做一个小项目并没有什么不同，这会是一个亮点。

2.在简历中突出一些琐碎的项目

在你个人项目中突出一些简单概念验证的数据库工作会让你的工作申请很容易被拒绝。

如果你不是很确定哪些算琐碎的工作，以下列出的这些对你的伤害大于帮助:

• Titanic dataset上的遗留分类。
• MNIST dataset上手写的数字分类
• 使用iris dataset对花卉的分类

为什么它对你的工作申请起负面作用

简历篇幅有限。求职者和招聘人员都知道这一点。因此，如果像MNIST这样的“训练轮数据集”占据了一些宝贵的空间，它会让招聘人员对你在数据科学领域中能走多远产生疑问。

该怎么弥补此类问题？

如果你的简历中有这类项目——且如果你没有其他更具挑战性和实质性的项目来取代它们——这表明你需要花一些时间来构建你的代表作品。

当然，如果你有其他更有趣的项目来展示，一定要把它们替换掉。

例外

可以使用像MNIST或Titanic数据集构建复杂的工程。如果你正在研究新的GAN网络，或者复现有趣的胶囊网络，这样就可以把它展现在简历里面。

但请记住，大多数招聘人员都是不懂技术的，而且他们通常只通过关键字来来查找，所以你必须非常清楚，你的MNIST项目不仅仅是简单的数字分类任务。

3. 缺乏版本控制/开发运维/数据库技能

没有数据科学家所要求的基础技能是致命的。

这里有一些必备的条件:

• 版本控制(例如GitHub/GitLab)
• 开发运维(如AWS/Floydhub/Digital Ocean/Flask)
• 数据库(比如mySQL / mongoDB)

为什么它对你的工作申请起负面作用

让人们对数据科学感到兴奋的往往是算法。可以用神经网络或决策树来解决问题是很有趣的。

因此，大多数人投入很多时间去提高算法能力。但是问题在于，设计模型并不等同于深度学习或数据科学。

数据科学中那些不那么有趣的部分(设置服务器、清理数据)几乎占据了你作为数据科学家的大部分日常工作，所以残酷的现实是，仅仅擅长Python/sklearn/TensorFlow/Keras/PyTorch是不够的。

不具备这些基本的技能，很容易被招聘者拒绝掉。招聘官都有这个“变态”心理，他们更感兴趣能听到一个说“不”的理由，而不是一个说“可能”的理由。

不会GitHub ?不会mongo ?不好意思,谢谢你来面试。

该怎么弥补此类问题？

如果你有这些技能，但你的简历上没有列出，那就把它们列出来。如果您没有任何版本控制、devops和数据库工具的经验，您需要获得一些。不仅因为它在简历上看起来不错，还因为它是作为数据科学家必备的技巧。

例外

如果你要申请更高级的职位，列出这些技能就不那么重要了，因为大家都会假设你的数据科学工具经验很多。

4.没有从你完成的项目中学到任何东西

在你的简历上写一个项目，如果你被面试，很有可能会被问到这个问题。

如果面试官问你在某项工作中学到了什么，“没有学到什么”不是一个可以被接受的答案。

为什么它对你的工作申请起负面作用

既然你花了很多时间在一个项目上，与你从中学到的东西有关的问题会告诉面试官你有多喜欢深入地思考你的问题，以及你的沟通技巧。

即便是搭建一个相当简单的数据库，你也应该在这个过程中有所得。所以做完一个项目说不出任何建设性思考的人，对于招聘者来说是负面信号。

该怎么弥补此类问题？

如果你的简历上列出了一个项目，并且得到了面试机会，那么你要提前准备好一些见解，将会对你的面试非常有用。

例外

没有例外。如果你的简历中包含项目，那么你真的应该认真思考你从中学到了什么。

注意:拼写错误

这个并不是专门针对数据科学的，但是当我们发现打字错误与面试表现之间的关系时，我们确实感到震惊。一直以来，那些简历上有打字错误的人，无论是以拼写错误的形式，还是是错误的格式，表现都比那些简历没有错误的差一些.

拼写错误是一个很好的例子，它是一个完全无意识的错误，无论你的经验水平如何，你都不应该犯这种错误。它会客观上降低申请的通过率。

为什么它对你的工作申请起负面作用

很显然对简历细节的关注与对项目和技术开发细节的关注是相关的。

该怎么弥补此类问题？

把你的简历拿给母语为英语的朋友审阅，尤其是细节部分。有必要的话，告诉他们，如果你被录用了，就奖励他们50美金，可以更好激励他们去发现任何不合适的小问题。

相关报道：

https://towardsdatascience.com/the-4-fastest-ways-not-to-get-hired-as-a-data-scientist-565b42bd011e

【今日机器学习概念】

Have a Great Definition