Veri Bilimci CV Örneği ve Özgeçmiş Şablonu

En Önemli ATS Anahtar Kelimeleri

• Veri Bilimci
• Makine Öğrenmesi
• Python
• SQL
• İstatistiksel Modelleme
• Veri Madenciliği
• Derin Öğrenme
• Doğal Dil İşleme (NLP)
• Zaman Serisi Tahminleme
• A/B Testi
• Büyük Veri (Spark)
• Power BI / Tableau
• MLOps
• Müşteri Segmentasyonu
• Churn Analizi
• Üretken Yapay Zekâ (LLM)

İşe Alımcılar Neye Bakar

Türkiye'de veri bilimci arayan bankalar, sigorta şirketleri, telekom operatörleri ve e-ticaret firmaları CV'de önce iş etkisini görmek ister. Her deneyim maddesinde iş problemini, kullandığınız yöntemi ve sonucu birlikte yazın; sonucu TL, yüzde ya da zaman kazancıyla ölçün. Modeli canlıya aldıysanız bunu açıkça belirtin: hangi sistemde çalıştığı, nasıl izlendiği ve ne sıklıkla yeniden eğitildiği sizi notebook düzeyinde kalan adaylardan ayırır. Araçlarınızı programlama, büyük veri ve görselleştirme olarak gruplayın; teknik görüşmelerde SQL becerisi ayrıca sınanabilir. Kredi riski, dolandırıcılık, churn ya da talep tahmini gibi alan bilginizi özette, ilk iki cümle içinde öne çıkarın. Kişisel verilerle çalıştıysanız KVKK'ya uygun anonimleştirme deneyiminizi ekleyin. Akademik geçmişiniz varsa tez ve yayınları kısa tutun, uygulamalı sonuçları ve canlıdaki modelleri öne alın.

Deneyim Seviyesine Göre Örnek Madde İşaretleri

Giriş Seviyesi

• Kampanya yanıt modelini scikit-learn ile kurdum; hedef kitleyi daraltarak SMS maliyetini %30 düşürdüm.
• SQL ve Power BI ile şube panosu hazırladım; haftalık raporun hazırlanma süresi üç günden yarım güne indi.
• Staj projemde TÜİK verileriyle il bazında talep tahmini modeli geliştirdim; tahmin hatasını (MAPE) %12'ye indirdim.
• Yeni karşılama ekranının A/B testini analiz ettim; aktivasyondaki %6'lık artışı istatistiksel olarak doğruladım.

Orta Seviye

• Kredi kartı churn modelini canlıya aldım; hedefli kampanyayla müşteri kaybını üç ayda %18 azalttım.
• 300 mağaza ve 4.000 ürün için talep tahmini modeli kurdum; stoksuz kalma oranını %35 azalttım.
• BERTurk ile şikâyetleri 14 kategoriye ayıran model geliştirdim; yönlendirme süresi 2 günden 3 saate indi.
• Airflow ve MLflow ile altı modelin yeniden eğitimini otomatikleştirdim; haftada 12 saatlik manuel işi kaldırdım.

Kıdemli

• Gerçek zamanlı dolandırıcılık skorlama sistemini tasarladım; yakalanan sahte işlem oranını %30 artırıp yıllık 25 milyon TL'lik kaybı önledim.
• Yedi kişilik veri bilimi ekibini kurdum; 18 ayda 12 modelin kritik olay yaşanmadan canlıya alınmasını yönettim.
• Deney tasarımı standardı oluşturdum; 40 ürün yöneticisinin A/B testlerinde hatalı sonuç oranını yarıya indirdim.
• Kredi skorlama modellerinin doğrulama ve dokümantasyon sürecini kurdum; iç denetim bulgularını bir yılda sıfırladım.

CV'de Sık Yapılan Hatalar

Doğruluk oranını bağlamsız yazmak

“%95 doğrulukla model kurdum” cümlesi, dolandırıcılık gibi dengesiz veride neredeyse anlamsızdır; işlemlerin çok küçük bir kısmı sahteyse her şeye temiz diyen model de yüksek doğruluk alır. Probleme uygun metriği seçin: AUC, precision-recall, lift ya da MAPE. Ardından teknik metriği iş sonucuna bağlayın: önlenen kayıp, azalan yanlış alarm, artan dönüşüm.

Modeli canlıya taşımayı anlatmamak

Notebook'ta kalan bir model, işe alımcının gözünde henüz tamamlanmamış bir iştir. Modelin nasıl kullanıldığını yazın: gerçek zamanlı API, günlük toplu skorlama ya da bir panoya beslenen tahmin. İzleme ve yeniden eğitim düzenini de ekleyin; örneğin “MLflow ile sürüm takibi yaptım, veri kayması alarmı kurdum.” Bu ayrıntı kıdemli rollerde belirleyicidir.

İş etkisini jargonla gizlemek

“XGBoost ile hiperparametre optimizasyonu yaptım” cümlesi teknik yöneticiye bir şey söyler, ama CV'nizi ilk okuyan İK uzmanına söylemez. Maddeye iş sonucuyla başlayın, yöntemi sonra verin: “Kredi kartı churn oranını %12 azaltan modeli XGBoost ile geliştirdim.” Böylece hem anahtar kelime yerinde durur hem etkiniz ilk bakışta anlaşılır.

Herkesin yaptığı projeleri sergilemek

Titanic, Iris ya da ev fiyatı tahmini gibi kurs projeleri pek çok adayın CV'sinde aynı biçimde yer alır. Yerel ve özgün bir veri seti seçin: TÜİK istatistikleri, belediyelerin açık veri portalları ya da kendi topladığınız Türkçe metinler gibi. Sorunu, yöntemi ve sonucu README'de anlatın; projeyi bir iş kararına bağlamak etkisini artırır.

Gerçek müşteri verisini paylaşmak

Eski işyerinizdeki bir modeli GitHub'a yüklerken müşteri verisini, tablo adlarını ya da iç raporları paylaşmak hem KVKK hem gizlilik sözleşmesi açısından ciddi risk taşır ve işverene güven vermez. Projeyi anlatmak istiyorsanız sentetik ya da anonimleştirilmiş veri kullanın, şirket adını gerekirse sektörle değiştirin ve sonuçları oran olarak verin.

Kariyer Yolu

Sıkça Sorulan Sorular

Veri bilimci CV'si nasıl hazırlanır?

Kısa bir özetle başlayın: uzmanlık alanınız, deneyim süreniz ve en güçlü iş sonucunuz. Deneyim maddelerini problem, yöntem ve ölçülebilir sonuç sırasıyla yazın. Teknik becerileri programlama, makine öğrenmesi, büyük veri ve görselleştirme başlıklarıyla gruplayın. Projeler bölümünde GitHub veya Kaggle linki verin, yayınlarınız varsa ayrı başlıkta kısaca listeleyin. Deneyiminiz beş yılın altındaysa tek sayfa, daha fazlaysa iki sayfa yeterlidir.

Deneyimsiz veri bilimci CV'si nasıl yazılır?

İş deneyiminiz yoksa yerine somut kanıt koyun. Bitirme projeniz, stajınız, TÜBİTAK destekli öğrenci projeleri ve datathon dereceleri deneyim bölümünü güçlendirir. İki üç projeyi gerçek bir iş sorusu etrafında kurun; örneğin kamuya açık Türkçe ürün yorumlarıyla duygu analizi yapın. Kodu GitHub'da düzenli bir README ile paylaşın, SQL ve Python'u gerçek veride kullandığınızı gösterin. Kurs sertifikalarını kısa bir listede tutun.

İstatistik veya endüstri mühendisliği mezunuyum, veri bilimci CV'mi nasıl öne çıkarırım?

Bu bölümler veri bilimi için güçlü bir temeldir. Regresyon, deney tasarımı, optimizasyon ya da zaman serisi gibi derslerinizi beceri olarak yazın ve her birini bir projeyle destekleyin. Endüstri mühendisiyseniz üretim planlama, tedarik zinciri veya kalite projelerindeki veri çalışmalarınızı, istatistik mezunuysanız örnekleme ve hipotez testi deneyiminizi öne alın. Python ve SQL'de iki üç uygulamalı proje bu geçişi tamamlar.

Veri bilimci CV'sine tez ve akademik yayınlar yazılır mı?

Yazılır, ama başvurduğunuz işe göre ağırlığını ayarlayın. Araştırma odaklı bir pozisyonda yayınlarınızı ayrı bir başlıkta, dergi veya konferans adıyla listeleyin. Sektördeki uygulamalı rollerde ise tezinizi eğitim bölümünde tek satırla verin ve sektöre dokunan kısmını öne çıkarın: kullandığınız yöntem, veri boyutu, ulaştığınız sonuç. Liste uzunsa yalnızca ilgili olanları bırakın, tam liste için Google Scholar profilinizin linkini verin.

Veri bilimci CV'sinde hangi araçlar ve teknolojiler yazılmalı?

Python ve SQL temel kabul edilir, mutlaka yazın. Ardından ilandaki ihtiyaca göre seçin: makine öğrenmesi için scikit-learn, XGBoost, PyTorch; büyük veri için Spark; görselleştirme için Power BI veya Tableau; model yönetimi için MLflow ve Airflow. Her aracı son iki yılda gerçekten kullandıysanız ekleyin ve deneyim maddelerinde nerede kullandığınızı gösterin. Yirmi kütüphanelik bir liste uzmanlık değil dağınıklık izlenimi verir.

CV metni