Veri Bilimci CV Şablonları: Modellerden İş Etkisine, Koddan Karara — ATS ve İnsan Gözü Kazanan Bir Anlatı İnşa Etme Rehberi

Veri Bilimci CV'si Neden Farklı Olmalı?

Yazılım Mühendisi ve Mobil Uygulama Geliştirici: Farklar, Yetkinlikler ve Kariyer Yol Haritası" data-seo-auto-link="true">Yazılım Mühendisi mi Full Stack Geliştirici: Yaklaşım, Yetkinlik ve Kariyer Analizi" data-seo-auto-link="true">Yazılım mühendisliği veya analist rolleri için yazılmış standart bir CV, veri bilimi başvurularında genellikle yetersiz kalır. Sebebi basit: bir veri bilimcinin ürettiği değer, "kod yazdı" veya "model eğitti" fiilleriyle nemez. İşe alım ekipleri (hiring managers) ve teknik liderler, bir adayın kaotik veriyi nasıl anlaştırdığını, model performansını iş metriklerine nasıl bağladığını ve üretim ortamına (production) götürme sürecinde hangi zorlukları aştığını arar. Bu nedenle Cv şablon seçiminiz, sadece estetik bir tercih değil; yetkinliklerinizi doğru hiyerarşide sunan bir stratejik karardır.

Piyasadaki çoğu şablon ya çok "akademik" (yayın listesi odaklı) ya da çok "yazılımcı" (framework listesi odaklı) kalır. Veri bilimi ise bu ikisinin kesişim kümesidir: istatistiksel derinlik, mühendislik disiplini ve iş anlayışı. Bir CV oluştur sürecini yönetirken bu üç bacağı nasıl dengede tutacağınızı, ATS (Aday Takip Sistemi) filtrelerini nasıl geçeceğinizi ve teknik mülakat çağrısı almanızı sağlayacak anlatıyı nasıl kuracağınızı inceleyeceğiz.

ATS Filtresini Anlamak: İlk Engel, Makine Değil, Kural Motorudur

Büyük şirketlerde CV'niz bir insana ulaşmadan önce bir yazılım tarafından okunur. Bu sistemler (ATS), anahtar kelime eşleşmesi, bölüm başlıkları standartlığı ve dosya yapısı (parsing) üzerinden çalışır. Veri bilimi için kritik olan nuans şudur: "Python", "SQL", "PyTorch" yazmak yetmez. Bu araçları Hangi bağlamda, Hangi ölçekte, Hangi sonuca hizmet ettirdiğinizi belirten yapılandırılmış cümleler kurmalısınız.

ATS Dostu Yapı İçin Altı Kural

• Standart Bölüm Başlıkları Kullanın: "Technical Skills", "Work Experience", "Projects", "Education". "My Toolbox" veya "Journey" gibi yaratıcı başlıklar parsing hatalarına yol açar.
• Sütun Kullanımını Minimize Edin: İki sütunlu şablonlar görselde hoş dursa da, ATS motorları genellikle soldan sağa, yukarıdan aşağı okur. Sağ sütundaki "Beceriler" bölümü, sol sütundaki "Deneyim" metninin içine karışarak anlamsız bir blok oluşturabilir. Tek sütunlu, akıcı bir yapı en güvenlisidir.
• Dosya Formatı: .docx en yüksek parse edilebilirlik sağlar. PDF göndermek zorundaysanız, metin seçilebilen (OCR gerektirmeyen), vektör tabanlı değil, metin tabanlı bir PDF ürettiğinizden emin olun.
• Anahtar Kelime Yoğunluğu ve Bağlam: İlanlarda geçen "MLOps", "Feature Engineering", "A/B Testing", "Data Pipeline" terimlerini, beceri listesine eklemek yetmez; bu terimlerin "Deneyim" veya "Projeler" bölümünde fiil cümleleri içinde geçmesini sağlayın.
• Grafik/İkon Kaçının: Yetenek seviyenizi gösteren çubuk grafikler veya yıldız ikonları ATS için "gürültü"den ibarettir. "Python (İleri)", "SQL (Orta)" gibi metin tabanlı ifadeler hem makine hem de insan için daha sağlıklıdır.
• İletişim Bilgileri Üstte, Düz Metin Olarak: E-posta, telefon, LinkedIn, GitHub/Kaggle linkleri başlık alanında, tıklanabilir hiperlink olarak (PDF'de) veya düz metin olarak (DOCX'te) yer almalıdır.

Veri Bilimci CV'sinin Anatomi: Bölüm Bölüm İnceleme

Etkili bir veri bilimi CV'si, okuyucuyu "Ne biliyorsun?" sorusundan "Ne başardın?" ve "Nasıl düşündün?" sorularına taşır. İşte bu geçişi sağlayan bölümler:

1. Profesyonel Özet (Professional Summary): "Meraklıyım" Deyip Geçmemek

Bu alan, CV'nizin "abstract" (özet) kısmıdır. 3-4 cümlelik bu paragraf, seniorluğunuzu, alan uzmanlığınızı (NLP, CV, Tabular, Time Series, MLOps) ve en büyük etkilerinizi (ROI, latency azaltma, revenue artışı) melidir. "Veri bilimi alanında kariyer yapmak isteyen meraklı bir mühendisim" cümlesi çöp kutusuna gider. Yerine şunu yazın:

"4+ yıl deneyimli Veri Bilimci. Doğal Dil İşleme (NLP) ve MLOps odaklı. Son projede BERT tabanlı bir sınıflandırma modelini Kubernetes üzerinde CI/CD pipeline entegrasyonuyla servise alarak, müşteri destek ticket yönlendirme süresini %40 azaltan ve manuel iş yükünü haftada 200 saatten 20 saate indiren end-to-end çözüm geliştirdim. Büyük ölçekli veri hatları (Airflow, Spark) ve A/B test tasarımı deneyimi."

Bu özet: Alan (NLP), Seniorlik (4 yıl, end-to-end), Araçlar (BERT, K8s, Airflow, Spark), Metrik (%40 azalma, 200 saat -> 20 saat) ve Yöntem (A/B test) bilgisini 30 saniyede verir.

2. Teknik Yetenekler (Technical Skills): Liste Değil, Kategorili Harita

"Python, R, SQL, Tableau, TensorFlow, PyTorch, Scikit-learn, Pandas, NumPy, Docker, Kubernetes, AWS, GCP, Azure, Airflow, Kafka, Spark, Git, Jira..." şeklinde düz bir liste, derinliğinizi göstemez. Beceri alanlarınızı kategorilere ayırın. Bu, hem ATS için kelime zenginliği hem de insan okuyucu için bilişsel yükü azaltır.

• Programlama & Kütüphaneler: Python (Advanced), R (Intermediate), SQL (Advanced), Git. Kütüphaneler: Pandas, NumPy, Polars, Scikit-learn, XGBoost, LightGBM, CatBoost.
• Makine Öğrenmesi / Derin Öğrenme: Supervised/Unsupervised Learning, NLP (Transformers, BERT, Llama, spaCy), Computer Vision (CNN, YOLO, Segmentation), Time Series Forecasting (Prophet, ARIMA), Recommender Systems.
• Mühendislik & MLOps (Model Yaşam Döngüsü): Model Serving (FastAPI, Flask, TorchServe, Triton), Containerization (Docker, Kubernetes), Orchestration (Airflow, Prefect, Dagster), CI/CD (GitHub Actions, GitLab CI, Jenkins), Feature Stores (Feast), Monitoring (Prometheus, Grafana, EvidentlyAI, WhyLogs), Cloud (AWS SageMaker, GCP Vertex AI, Azure ML).
• Veri Mühendisliği & Analitiği: Big Data (Spark, Databricks, Snowflake, BigQuery), Data Modeling (Kimball, Data Vault), ETL/ELT, Data Quality (Great Expectations), Visualization (Tableau, Power BI, Metabase, Streamlit/Gradio for demos).
• Metodoloji & Soft Skills: A/B Testing & Experimentation, Causal Inference, Agile/Scrum, Stakeholder Management, Technical Writing, Mentoring.

İpucu: "Advanced/Intermediate/Beginner" etiketleri kullanın. "Biliyorum" demek yerine seviye belirtin; bu beklenti yönetimini kolaylaştırır.

3. İş Deneyimi (Work Experience): STAR Yöntemi ve "Business Impact" Dili

Bu bölümünüzün kalbidir. Her pozisyon için "Sorumluluklar" listesi yerine "Başarılar" listesi yazın. STAR (Situation, Task, Action, Result) çerçevesini kullanın ancak "Result" kısmı mutlaka sayısal (quantified) olmalıdır.

• Zayıf: "Müşteri kaybı tahmin modeli geliştirdim. Random Forest kullandım. Veriyi temizledim."
• Güçlü: "Müşteri kaybı (churn) tahmini için end-to-end ML pipeline tasarladım ve üretime aldım. 50+ özellik (feature) içeren veri setinde veri sızıntısı (leakage) riskini ortadan kaldırmak için zaman serisi uyumlu (time-series aware) cross-validation stratejisi uyguladım. Model AUC'yi 0.78'den 0.89'a çıkardı. Modeli FastAPI ve Docker ile containerize ederek Kubernetes'e deploy ettim; inference latency'sini 200ms'den 15ms'ye düşürdüm. Bu model, hedefli kampanyalarla yıllık $1.2M tahmini gelir koruması sağladı."

Fark görünüyor mu? İkincisi: Problem (churn), Teknik (time-series CV, leakage prevention), Metrik (AUC 0.78->0.89), Mühendislik (FastAPI, Docker, K8s, latency optimizasyonu), İş Etkisi ($1.2M). Bu, bir CV analiz sürecinde teknik liderin gözünü yakalayan seviyededir.

4. Projeler (Projects): Portföyünüzün Kanıtı

Deneyiminiz azsa (junior/entry-level) veya işvereninizin IP'si (fikri mülkiyet) paylaşımını kısıtlıyorsa, bu bölüm sizin için en kritik alandır. Her proje için şu şablonu kullanın:

• Proje Adı (GitHub Linki | Canlı Demo Linki - Streamlit/HuggingFace Spaces)
• Problem Tanımı: 1 cümle. "E-ticaret siteleri için görsel arama motoru."
• Veri & Yöntem: "100K ürün görseli (Fashion-MNIST benzeri), Triplet Loss ile fine-tune edilmiş ResNet50, FAISS ile vektör benzerlik araması."
• Mühendislik/Dağıtım: "Dockerize edildi, HuggingFace Spaces'e deploy edildi, CI/CD ile otomatik test."
• Sonuç/Öğrenilenler: "Top-5 accuracy %92. Büyük vektör indekslerinde bellek optimizasyonu için IVF-FLAT index kullanımını denedim."

Kaggle yarışmaları, açık kaynak katkıları (PR linki verin) ve yan projeler buraya girer. "Todo list app" koymayın; veri bilimi problemi çözen, veri hattı (pipeline) içeren projeler koyun.

5. Eğitim ve Sertifikalar: Akademik Geçmişi Ticari Dile Çevirmek

Yüksek lisans/Doktora yaptıysanız, tez konunızı bir satırla yin ve eğer endüstride uygulanabilir bir teknik geliştirdiyseniz bunu vurgulayın. Sertifikalar için; cloud sağlayıcı sertifikaları (AWS ML Specialty, GCP ML Engineer), derin öğrenme (DeepLearning.AI specialization), MLOps (Databricks, Linux Foundation) gibi tanınmış kurumlardan olanları önceliklendirin. Udemy/Coursera "tamamlama sertifikaları" değer katmaz, sadece "Eğitim" altına "Online Courses" olarak tek satırda toplayın.

Junior, Mid ve Senior Seviyelerde Farklı Beklentiler

Aynı Cv şablon iskeleti kullanılsa bile, doldurduğunuz içerik seviyenize göre radikal değişir.

Junior / Entry Level (0-2 Yıl)

• Odak: Potansiyel, öğrenme hızı, temel bilgilerin sağlamlığı, proje portföyü kalitesi.
• Deneyim Bölümü: Stajlar, final projeleri, hackathon'lar, gönüllü veri analizi projeleri (Örn: Belediye açık verisiyle trafik analizi).
• Teknik Beceriler: Geniş ama yüzeysel. "Python, SQL, Temel ML Algoritmaları, Temel Derin Öğrenme, Git, Temel Docker".
• Vurgu: "Sorunu anladım, veri setini temizledim, baseline model kurdum, metrikleri raporladım, hata analizi yaptım, iterasyon yaptım" sürecini gösteren proje notları.

Mid-Level (2-5 Yıl)

• Odak: Bağımsız proje teslimi, üretim ortamı deneyimi, stakeholder yönetimi, kod kalitesi (testing, CI/CD).
• Deneyim Bölümü: En az 1-2 end-to-end proje (veriden modele, modelden API'ye, API'den monitoring'e). A/B test deneyimi. Legacy kod refactoring'i.
• Teknik Beceriler: Derinlik alanları belirginleşir (Örn: "NLP Uzmanı", "MLOps Uzmanı", "Forecasting Uzmanı"). MLOps araçları (Airflow, MLflow, Docker, K8s) artık "biliyorum" değil "üretimde kullandım" seviyesindedir.
• Vurgu: "Modeli nasıl güncel tuttuğum (retraining pipeline)", "Veri kalitesi nasıl sağladım (data contracts)", "Maliyet nasıl optimize ettim (spot instances, model distillation)".

Senior / Lead / Staff (5+ Yıl)

• Odak: Strateji, mimari kararlar, takım liderliği/mentorluk, çapraz fonksiyonel etki, "Build vs Buy" kararları.
• Deneyim Bölümü: Platform inşası (Feature Store, Model Platform), organizasyonel ML yetkinlik olgunlaştırma, veri stratejisi tanımla. "Takımım 3 veri bilimcisinden 10'a büyüdü, CI/CD standartlaştırdık, model dağıtım süresini 2 haften 1 saate düşürdük."
• Teknik Beceriler: Genişlik + Derinlik. Sistem tasarımı (System Design), maliyet optimizasyonu, güvenlik/uyumluluk (GDPR, Model Governance).
• Vurgu: İş etkisi (Business Impact) metrikleri: Revenue, Cost Saving, Risk Reduction, Time-to-Market. Teknik detaylar "Nasıl yaptım?" değil "Neden bu mimariyi seçtim ve alternatifleri neden reddettim?" diliyle anlatılır.

Sık Yapılan Hatalar ve Nasıl Önlenir (Red Flag'ler)

Deneyimli adaylar bile bu hataları yaparak elenir. CV oluştur sürecinin son aşamasında bu kontrol listesini uygulayın:

1. "Keyword Stuffing" (Anahtar Kelime Doldurma) Tuzağı

Beceriler bölümüne kullanmadığınız 50 araç yazmak (Hadoop, Hive, Pig, Mahout, Theano, Caffe...) seniorluk göstemez; "bu kişi en son ne zaman kod yazdı?" şüphesi uyandırır. Sadece son 1-2 yılda aktif kullandığınız, mülakatta kod yazabileceğiniz araçları yazın. Eski araçları "Legacy / Previous Experience" altına toplayın veya silin.

2. Metrikssiz Başarı Anlatımı

"Model performansını iyileştirdim" anlamsızdır. "F1-score'u 0.65'ten 0.82'ye çıkardım", "False Positive oranını %15'ten %3'e düşürerek operasyonel maliyeti azalttım" dili konuşun. Metrik yoksa (örn. Keşifsel analiz), "Çıktı: Pazarlama takımına segmentasyon raporu sunuldu, 3 yeni kampanya stratejisi şekillendirildi" gibi nitel çıktıları yazın.

3. Veri Sızıntısı (Data Leakage) ve Metodoloji Hatalarını Gösteren Detaylar

"Tüm veriyi normalize edip sonra train/test ayırdım" yazarsanız, veri bilimi bilginiz sorgulanır. CV'nizde metodolojinizi kısaca da olsa doğru tanımlayın: "Train seti üzerinde fit edilen scaler ile test seti transform edildi", "Time-series split kullanıldı", "Target encoding için leave-one-out / smoothing uygulandı". Bu detaylar, sizi "kütüphane çağrıcısı" değil "bilim insanı" olarak konumlandırır.

4. GitHub Profilinin "Ölü" Olması

CV'nizde GitHub linki varsa, o profil aktif olmalı. Son commit 2 yıl öncesiyse, README dosyaları eksikse, .ipynb dosyaları çıktılarla (outputs) doluysa (hücreler çalıştırılmamışsa), bu sizin zararınıza olur. En az 3-4 "showcase" reposu (README, requirements.txt, .gitignore, basit testler, CI badge) hazır bulundurun.

5. Soft Skills'i "İletişim Güçlü" Diyerek Geçiştirmek

Veri biliminde soft skill = "Teknik olmayan paydaşlara (Product Manager, Satış Müdürü) modelin neden yanlış tahmin yaptığını, belirsizlik aralığını ve riskleri anlatabilmek". Bunu deneyim bölümünde bir madde olarak gösterin: "Aylık model performans toplantılarında satış ve operasyon ekiplerine model drift (sapma) risklerini ve yeniden eğitim ihtiyacını iş diliyle sunarak, proaktif bakım onayını sağladım."

Alan Uzmanlığına (Domain) Göre CV Nuansları

Veri bilimi "generalist" olsa da, ilanlar genellikle alan spesifikliği arar. CV'nizi hedef role göre ince ayar yapın:

NLP / LLM Engineer

• Vurgulanacaklar: Tokenization stratejileri, Embedding modelleri (Sentence-BERT, E5, BGE), Fine-tuning (LoRA, QLoRA, Full FT), RAG (Retrieval Augmented Generation) pipeline'ları (Chunking, Embedding, Vector DB - Pinecone, Weaviate, Milvus, Qdrant, Re-ranking), Prompt Engineering, Evaluation (BLEU, ROUGE, BERTScore, LLM-as-a-Judge), Serving (vLLM, TGI, TensorRT-LLM).
• Proje Örneği: "İçerik moderasyonu için çok dilli (TR/EN/DE) BERT modeli fine-tune etti, ONNX'a çevirip edge cihazlarda %95 accuracy ile çalıştırdı."

Computer Vision / MLOps Heavy

• Vurgulanacaklar: Veri artırma (Albumentations), Model sıkıştırma (Pruning, Quantization INT8/FP16, Knowledge Distillation), Edge deployment (TensorRT, ONNX Runtime, TFLite, CoreML), Veri etiketleme stratejileri (Active Learning, Semi-supervised), MLOps: Veri versiyonlama (DVC), Model Registry, Drift Detection (Evidently, WhyLogs).
• Proje Örneği: "YOLOv8 modelini INT8 quantization ile Jetson Orin üzerinde 30 FPS'in altına düşmeden çalıştıran pipeline geliştirdi."

Tabular / Classical ML / Forecasting (Finans, Perakende, Üretim)

• Vurgulanacaklar: Feature Engineering ustalığı (Target Encoding, Frequency Encoding, Interaction Features), Gradient Boosting (XGBoost, LightGBM, CatBoost - hiperformans ayarları), Zaman serisi (Hierarchical Forecasting, Probabilistic Forecasting, Conformal Prediction), A/B Test tasarımı ve analizi (Sequential Testing, CUPED), Neden-sel Çıkarım (Causal Inference - DoWhy, EconML).
• Proje Örneği: "Hiyerarşik zaman serisi modeli (LightGBM + Reconciliation) ile 10K SKU için haftalık talep tahmini, WAPE %12'ye indirildi."

MLOps / Platform Engineering

• Vurgulanacaklar: Platform düşüncesi. "Model eğittim" değil "Eğitim Platformu" kurdum. Kubeflow, MLflow, Airflow/Dagster, Terraform, Kubernetes Operators, Feature Store (Feast, Hopsworks), Data Contracts, CI/CD for ML (CT - Continuous Training), Maliyet izleme (FinOps).
• Proje Örneği: "Takımın model dağıtım sürecini manuel 3 günden, self-serve CI/CD pipeline ile 20 dakikaya düşüren internal ML platformunu tasarladı ve geliştirdi."

Portfolyo, CV ve LinkedIn: Üçlü Bütünlük

CV'niz tek başına yaşıyor sanmayın. İşe alım yöneticisi CV'nizden LinkedIn'e, oradan GitHub'a, oradan da kişisel web sitenize/portfolyo atlar. Bu üçlünün tutarlılığı kritiktir.

• LinkedIn: CV'nizin "Profesyonel Özeti" kopyası değil, hikayenizin daha insani versiyonu olmalı. "Open to Work" ayarlarını doğru yapın. Özellikler (Featured) bölümüne en iyi 2 projenizin linkini (GitHub/Demo), bir makalenizin linkini koyun.
• GitHub / GitLab: Pinned repositories (Sabitlenmiş depolar) CV'nizdeki "Projeler" bölümüyle birebir eşleşmeli. Commit geçmişi temiz olmalı (squash merge, anlamlı commit mesajları).
• Kişisel Web Sitesi / Blog (Opsiyonel ama Güçlü): Teknik yazılar (Towards Data Science, kendi blogunuz), konuşma kayıtları (meetup, konferans), CV'nizin PDF indirme linki. Bu, "Senior/Lead" seviyesi için neredeyse bir beklentidir.

Cv şablon Seçerken Estetikten Önce İşlevsellik

Piyasada binlerce şablon var. Veri bilimi için şu kriterlere göre filtreleyin:

1. Tek Sütunlu, Temiz Tipografi: Okunabilirlik (readability) önceliği. Serif fontlar (Georgia, Merriweather) ekranda uzun metinler için sans-serif (Inter, Roboto, Calibri, Source Sans Pro) kadar rahat olmayabilir. Modern, sans-serif bir font seçin.
2. Yeterli Beyaz Alan (Whitespace): Yoğun metin blokları gözü yorar. Bölümler arası 12-16pt, maddeler arası 4-6pt boşluk bırakın.
3. Yan Yana (Side-by-Side) Beceriler Alanı Yok: Yukarıda belirtildiği gibi ATS riski yaratır. Beceriler alt alta, kategorili liste halinde olsun.
4. Renk Kullanımı Minimum: Sadece başlıklar veya ayraçlar için tek bir vurgulu renk (örn: Koyu Mavi #003366 veya Yeşil #006633). Arka plan beyaz, metin koyu gri/siyah olmalı. Çok renkli şablonlar "junior" hissiyatı verir ve yazdırıldığında kötü görünür.
5. Düzenlenebilirlik: Word (.docx) veya Google Docs formatında kolayca düzenleyebileceğiniz bir yapı. LaTeX (Overleaf) bilenler için mükemmel kontrol sağlar ancak işveren bazen .docx ister; her iki formatı da üretebileceğiniz bir master dosyanız olsun.

CV analiz Sürecinde Öne Çıkma Taktikleri: Recruiter Gözünden Bakın

Bir recruiter (İK uzmanı) günde 50-100 CV tarar. Her CV'ye 6-10 saniye ayırır. Bu "tarama anında" (scan) yakalanmak için:

• İlk 1/3 Alan (Above the Fold): İsim, İletişim, Profesyonel Özet, Teknik Beceriler (Kategorili) bu alanda bitmeli. Deneyim başlığı bu alanda başlamalı.
• Bold (Kalın) Yazım Stratejisi: Madde işaretli cümlelerin içinde geçen Metrikleri, Ana teknolojileri, Rolünüzü (Lead, Owner, Contributor) kalın yazın. Göz atan kişi sadece kalın yazanları okuyup "Bu kişi production'da Docker/K8s kullanmış, AUC 0.15 artırmış, 10K SKU yönetmiş" diyebilmeli.
• İlan Anahtar Kelimelerinin Aynen Geçmesi: İlan "Feature Store" diyorsa siz "Feast" yazarsanız ATS eşleşmeyi kaçırabilir. Her ikisini de yazın: "Feature Store (Feast)". İlan "Causal Inference" diyorsa "DoWhy/EconML ile causal impact analizi" yazın.

Etkili Bir CV oluştur Süreci İçin Son Kontrol Listesi (Pre-flight Checklist)

Gönder butonuna basmadan önce bu 15 maddeyi tek tek tiklayın:

1. [ ] Dosya adı: `Ad_Soyad_Veri_Bilimci.pdf` (Türkçe karakter, boşluk, "final_v2" yok).
2. [ ] İletişim: E-posta profesyonel ([email protected]), Telefon (ülke kodu ile), LinkedIn (özel URL), GitHub.
3. [ ] Profesyonel Özet: 3-4 cümle, hedef role hitap eden, en büyük etki (metric) var.
4. [ ] Beceriler: Kategorili, seviye belirtilmiş, ilandaki anahtar kelimeler karşılanmış.
5. [ ] Deneyim: Ters kronolojik. Her rol için 4-6 madde. Hepsi STAR formatında. Metrikler (%, $, zaman, ölçek) var.
6. [ ] Projeler: En az 2, en fazla 4 güçlü proje. Linkler çalışıyor (GitHub/Demo). README'ler var.
7. [ ] Eğitim: Bölüm, Üniversite, Mezuniyet Yılı. Tez varsa 1 satır özet. Not ortalaması 3.00+ ise yazılabilir.
8. [ ] Sertifikalar: Sadece ilgili ve tanınmış olanlar (Cloud, Specialization).
9. [ ] Dil: İngilizce seviyesi (CEFR: B2, C1, TOEFL/IELTS puanı). Türkçe ana dil.
10. [ ] Yazım Denetimi: Türkçe ve İngilizce kelimelerde yazım hatası yok (Grammarly, LanguageTool, ChatGPT ile kontrol).
11. [ ] Tutarlılık: Tarihler (Ay/Yıl formatı), noktalama (madde sonları), font boyutları, heading stilleri tutarlı.
12. [ ] ATS Testi: Dosyayı bir metin editörüne (Notepad) kopyalayıp yapıştırın. Metin akıcı mı? Sütunlar karıştı mı? Karakterler bozuldu mu?
13. [ ] PDF Çıktısı: "Print to PDF" değil, "Export/Save As PDF" ile oluşturuldu. Fontlar gömülü (embedded).
14. [ ] Görsel Denge: Sayfa 1 dolu, sayfa 2 yarım kalmıyor (ya 1 sayfa sığdırın ya 2 sayfayı doldurun). Kenar boşlukları eşit (min 1.5cm - 2cm).
15. [ ] Versiyon Kontrolü: Bu CV hangi ilan için optimize edildi? Dosya metadata'sına (Properties > Details) "Subject/Keywords" alanına ilan ID'si veya rol adı yazın.

Son Söz: CV'niz Bir Üründür, Siz de Ürün Yöneticisiniz

Veri bilimi rollerine başvurmak, bir veri ürünü sunmak gibidir. Müşteriniz (İşe Alım Ekibi) bir sorunu var: "Bu işi yapacak, üretime alacak, bize değer katan birini bulmam lazım." CV'nız o ürünün "landing page"i, "API dokümantasyonu" ve "demo"sunuz bir aradadır.

En iyi Cv şablon, sizin hikayenizi en az gürültüyle, en yüksek sinyal/gürültü oranıyla iletebilen şablondur. Şablon sizi kurtarmaz; içeriğiniz (etkileriniz, derinliğiniz, mühendislik disiplininiz) kurtarır. Ancak kötü bir şablon, iyi içeriği gizler. Bu rehberdeki prensipleri — ATS uyumlu yapı, metrik odaklı anlatım, alan spesifikliği, portfolyo bütünlüğü — uyguladığınızda, CV'niz bir "geçmiş belgesi" olmaktan çıkıp "gelecek vaadi" belgesine dönüşür.

Şimdi mevcut CV'nizi açın, yukarıdaki kontrol listesini uygulayın, metriklerinizi toplayın ve hikayenizi yeniden yazın. Bir sonraki teknik mülakat daveti, bu disiplinli yazım sürecinin sonucudur. Başarılar dilerim.