Ciência de dadosRecém-formado
Ciência de dados × Recém-formado
Recém-formado com objetivo de atuar na área de Data Science. Durante o mestrado, realizei pesquisa em aprendizado de máquina e participei de estágios de longo prazo em duas startups de IA, adquirindo habilidades em construção de modelos preditivos com Python e extração/análise de grandes volumes de dados com SQL. Possuo também medalhas em competições do Kaggle, e minha principal força é a capacidade de enxergar problemas de negócio de forma matemática e implementá-los de ponta a ponta.
📌 Resumo de carreira
- ▸De setembro de 2022 a agosto de 2023: Estagiário de Ciência de Dados na startup de IA A, atuando em projeto de melhoria do mecanismo de recomendação de e-commerce, responsável pela engenharia de features e avaliação offline dos modelos.
- ▸De abril de 2023 a março de 2024: Assistente de pesquisa na startup B, originada de universidade. Desenvolvi do zero uma ferramenta de análise de sentimento em avaliações de clientes usando processamento de linguagem natural, concluindo também sua disponibilização via API.
- ▸De abril de 2021 até o presente: Mestrado em Engenharia, especialização em Sistemas Inteligentes. Atuo em pesquisa de algoritmos de detecção de anomalias em séries temporais, com apresentação de pôster em congresso internacional.
📌 Conquistas e pontos fortes
- ▸Ao reformular o modelo de recomendação no estágio, contribuí para um aumento de 14,5% na taxa de cliques (CTR) e um incremento mensal de aproximadamente 800 mil ienes em vendas.
- ▸Em competição de dados tabulares do Kaggle, desenvolvi uma técnica de ensemble com LightGBM e redes neurais, alcançando o topo 2% (Medalha de Prata).
- ▸Construí e gerenciei o ambiente de servidores do laboratório (AWS EC2/GPU), automatizando a alocação de recursos computacionais para 15 membros da equipe, melhorando a eficiência da pesquisa em 30%.
📌 Competências
- ▸Linguagens de programação: Python (Pandas, NumPy, Scikit-learn), SQL, R
- ▸Aprendizado de máquina e deep learning: PyTorch, LightGBM, XGBoost, Hugging Face Transformers
- ▸Infraestrutura de dados e MLOps: AWS (S3, EC2, SageMaker), Docker, Git/GitHub, MLflow
- ▸Idiomas e outros: Inglês (TOEIC 860 / leitura de artigos e redação de documentação técnica sem dificuldades), Certificação Estatística Nível 2
📌 Autopresentação
- ▸“Força motriz que faz a ponte entre tecnologia e negócios”: durante o estágio, enfrentei o desafio de que “o modelo era preciso, mas o custo de inferência não valia a pena”. Em colaboração com engenheiros, realizei a destilação do modelo e a otimização para o formato ONNX, reduzindo a latência em 40% enquanto mantinha 98% da precisão. Tenho forte compromisso em entregar valor de ponta a ponta, equilibrando requisitos de negócio e restrições técnicas.
💡 Dicas importantes
- 💡Em vagas de Data Science para recém-formados, avaliam-se tanto o potencial quanto a capacidade de implementação. Além dos rankings em competições como o Kaggle, prepare-se para explicar em entrevistas as hipóteses e a engenharia de features realizadas.
- 💡Independentemente de a empresa ser japonesa ou estrangeira, o domínio de SQL e do pré-processamento de dados é fundamental. Mais do que construir modelos, destacar a experiência prática na limpeza de dados sujos aumenta sua avaliação.
- 💡Pratique a comunicação dos resultados de pesquisa e estágio de forma vinculada ao impacto no negócio (vendas, redução de custos), para que recrutadores e gerentes sem perfil técnico consigam entender o valor.
- 💡Se estiver mirando empresas estrangeiras, esteja preparado para testes de codificação (como LeetCode) e entrevistas técnicas em inglês. Portanto, estude algoritmos básicos e pratique explicar seus projetos em inglês em paralelo.
🔗 🔗 Outros níveis
Última revisão: 2026-09-06 · Redação aijobs