.png)
Data Science-də ilk işiniz: sizi diplom yox, portfolio işə götürür
Beş layihə ideyası — və onları elə qurmağın yolu ki, işəgötürən CV-nizi yığının içindən çıxarsın.
Data Science üzrə işə qəbul edən bir menecerin masasında hər açıq vakansiya üçün orta hesabla yüzlərlə CV olur. Onların böyük əksəriyyətində eyni şeylər yazılıb: eyni kursların sertifikatları, eyni proqram adları, eyni cümlələr. Bir-birindən fərqlənmirlər.
Fərqlənən azlıq isə bir şeyə görə fərqlənir: onlar nəyisə qurublar və qurduqlarını göstərə bilirlər. Bu yazı həmin “göstərə bilmək” hissəsi haqqındadır.
Bir cümlə ilə Sertifikat sizin nəyi oxuduğunuzu göstərir. Portfolio isə nəyi bacardığınızı. İşəgötürən ikincisini alır. |
Niyə sertifikat artıq kifayət etmir
Onlayn təhsil ucuzlaşdı və yayıldı — bu, gözəl bir şeydir. Amma bir yan təsiri var: sertifikat almaq asanlaşdığı üçün sertifikatın dəyəri azaldı. Bir vaxtlar “maşın öyrənməsi kursunu bitirmişəm” cümləsi bir üstünlük idi; bu gün minimal tələbdir.
İşəgötürənin əsl sualı isə heç vaxt dəyişməyib və çox sadədir:
İŞƏGÖTÜRƏNİN BEYNİNDƏKİ SUAL “Bu adamı işə götürsəm, pul qazandıran və ya pul qazandıran bir qərarı asanlaşdıran nəsə çıxara biləcəkmi — yoxsa mən ona altı ay öyrədəcəyəm?” |
Portfolio bu suala cavab verməyin ən qısa yoludur. Çünki portfolio bir vədə deyil — artıq baş vermiş bir işin sübutudur.
Yaxşı layihəni zəif layihədən ayıran dörd şey
Layihə ideyalarına keçməzdən əvvəl bir şeyi aydınlaşdıraq, çünki çox adam səhv yerə enerji xərcləyir. Layihənizin güclü olub-olmadığını bu dörd meyar müəyyən edir:
- Real və səliqəsiz data. Dərslik üçün hazırlanmış, təmizlənmiş datasetlər heç nə sübut etmir. Real dünyada data həmişə natamam, ziddiyyətli və çirklidir — sizin dəyəriniz məhz oradan başlayır.
- Aydın bir sual. “Bu datanı analiz etdim” zəif bir cümlədir. “Bakıda hansı rayonlarda kirayə qiymətləri gəlirlə müqayisədə ən sürətlə artıb?” güclü bir cümlədir.
- Nəticə, prosesi deyil. Modelin dəqiqliyi 91% olması yaxşıdır. Amma “bu model ayda təxminən 40 saat əl işini aradan qaldırır” cümləsi qat-qat güclüdür.
- İzah edilə bilməsi. Layihənizi texniki olmayan bir adama iki dəqiqəyə izah edə bilmirsinizsə, müsahibədə də izah edə bilməyəcəksiniz.
QISA TEST Layihənizin adını eşidən bir marketinq işçisi “hə, başa düşdüm, faydalıdır” deyirsə — layihə hazırdır. “Nə?” deyirsə — problem layihədə deyil, onu təqdim etməyinizdədir. |
Beş layihə: hər biri fərqli bir bacarığı sübut edir
Bu beşlik təsadüfi seçilməyib. Onlar birlikdə bir data scientist-in gündəlik işinin demək olar ki, bütün spektrini əhatə edir — datanı təmizləməkdən tutmuş nəticəni rəhbərliyə təqdim etməyə qədər. Sadədən mürəkkəbə doğru düzülüb.
Portfolionuz bir kolleksiya deyil — bir yol xəritəsidir.
Layihə 1 — Səliqəsiz datanın təmizlənməsi
Sübut etdiyi bacarıq: səbir, diqqət və real dünya ilə işləmək qabiliyyəti.
Bir data scientist-in vaxtının böyük hissəsi model qurmağa yox, datanı işlək hala salmağa gedir. Bu, işin ən az cazibədar, amma ən çox qiymətləndirilən hissəsidir.
Nə etməli: Açıq mənbədən (dövlət statistika portalları, beynəlxalq təşkilatların açıq dataları, və ya öz sahənizdən topladığınız məlumat) qarışıq bir data götürün. Boş xanalar, təkrarlanan sətirlər, uyğunsuz tarix formatları, eyni şeyin beş fərqli yazılışı — hamısını sistemli şəkildə həll edin.
Fərq yaradan detal: “Əvvəl” və “sonra” şəklini yan-yana qoyun. Bu bir şəkil bütün izahdan güclüdür.
Layihə 2 — Araşdırma və vizuallaşdırma (EDA)
Sübut etdiyi bacarıq: rəqəmlərin içindən hekayə çıxarmaq.
Burada model qurmursunuz. Sadəcə datanı dindirirsiniz: burada nə baş verir? Nə gözlənilməzdir? Nə maraqlıdır?
Nə etməli: Sizi şəxsən maraqlandıran bir mövzu seçin — yerli nəqliyyat, mənzil qiymətləri, idman statistikası, musiqi dinləmə vərdişləri. Beş-altı yaxşı qrafik və hər birinin altında bir cümləlik nəticə.
Fərq yaradan detal: Şəxsi maraq seçin. Müsahibədə həvəslə danışdığınız layihə, məcburiyyətdən etdiyinizdən həmişə yaxşı səslənir.
Layihə 3 — Proqnoz modeli
Sübut etdiyi bacarıq: klassik maşın öyrənməsi və nəticəni düzgün qiymətləndirmək.
Bu, insanların “data science” deyəndə təsəvvür etdiyi hissədir. Ancaq diqqət: burada məqsəd ən mürəkkəb modeli qurmaq deyil. Məqsəd sadə modeli qurub, onun nə vaxt işlədiyini və nə vaxt işləmədiyini dürüstcə göstərməkdir.
Nə etməli: Konkret bir suala cavab verin: hansı müştərilər gedəcək? Bu ay tələb nə qədər olacaq? Bu müraciət təsdiqlənəcəkmi?
Fərq yaradan detal: Modelinizin zəif tərəflərini özünüz yazın. Təcrübəli işəgötürən bunu zəiflik yox, yetkinlik kimi oxuyur.
Layihə 4 — İnteraktiv dashboard
Sübut etdiyi bacarıq: texniki nəticəni qeyri-texniki adama çatdırmaq.
Şirkətlərdə ən çox rast gəlinən problem gücsüz modellər deyil — heç kimin istifadə etmədiyi yaxşı modellərdir. Nəticəni adamların baxa biləcəyi bir ekrana çevirə bilmək nadir və bahalı bacarıqdır.
Nə etməli: 3-cü layihənin nəticəsini götürün və onu filtrlərlə, seçimlərlə interaktiv bir səhifəyə çevirin. İstifadəçi özü oynaya bilsin.
Fərq yaradan detal: Dashboard-un canlı linki olsun. “Kodu bax burdadır” ilə “buyurun, özünüz sınayın” arasında böyük fərq var.
Layihə 5 — LLM əsaslı bir məhsul
Sübut etdiyi bacarıq: müasirlik və müstəqil öyrənmə qabiliyyəti.
2026-cı ildə portfolioda süni intellektə əsaslanan bir layihənin olmaması diqqət çəkir — və yaxşı mənada yox. Bu layihə sizin sahənin son iki ilini izlədiyinizi göstərir.
Nə etməli: Sadə saxlayın və faydalı edin. Məsələn: uzun sənədlərdən sual-cavab edən bir köməkçi, müştəri rəylərini avtomatik kateqoriyalara ayıran bir alət, və ya gündəlik xəbərləri qısaldan bir bot.
Fərq yaradan detal: Bu layihə sizin bütün portfolionuzun “baş layihəsi” olsun — ən çox vaxt buna ayrılsın.
Ən çox təkrarlanan beş səhv
| Səhv | Niyə zərərlidir | Əvəzinə |
|---|---|---|
| Hamının işlədiyi məşhur tədris datasetləri | İşəgötürən bunu yüzüncü dəfə görür | Öz topladığınız və ya yerli data |
| İzahsız kod faylı | Baxan adam nə etdiyinizi başa düşmür | Qısa, aydın izahat faylı (README) |
| On yarımçıq layihə | Səthilik təəssüratı yaradır | İki-üç bitmiş, cilalanmış layihə |
| Yalnız model dəqiqliyi haqqında danışmaq | Biznes dəyəri görünmür | Nəticəni vaxt, pul və ya qərar dilində yazmaq |
| Heç yerdə paylaşmamaq | Mövcud olmayan portfolio | Açıq link, LinkedIn paylaşımı, CV-də yer |
Portfolionu necə təqdim etməli
Layihələri qurmaq işin yarısıdır. İkinci yarısı onları elə yerləşdirməkdir ki, tapılsın və başa düşülsün.
- Hər layihənin bir səhifəlik izahı olsun. Problem nə idi, nə etdiniz, nə çıxdı — üç abzas kifayətdir.
- Nəticəni yuxarıya qoyun. Baxan adam ilk beş saniyədə nəyə baxdığını anlamalıdır.
- Şəkil qoyun. Bir qrafik, bir ekran görüntüsü. Yazı oxunmur, şəkil baxılır.
- Hər layihə üçün 60 saniyəlik izah hazırlayın. Müsahibədə mütləq soruşulacaq. Əvvəlcədən məşq edin.
- CV-də linki görünən yerə qoyun. Adınızın altında, telefon nömrəsinin yanında.
Nə qədər vaxt lazımdır
Real cavab: gündə iki saat ayırsanız, təxminən üç-dörd ay. Bu, sizi sıfırdan işə hazır vəziyyətə gətirməz — amma müsahibəyə çağırılan namizədlə çağırılmayan namizəd arasındakı fərqi yaradar.
| Mərhələ | Təxmini müddət | Nəticə |
|---|---|---|
| Layihə 1 və 2 | 4–6 həftə | Əsas bacarıqların sübutu |
| Layihə 3 | 3–4 həftə | Maşın öyrənməsi təcrübəsi |
| Layihə 4 | 2–3 həftə | Təqdimat bacarığı |
| Layihə 5 | 4–6 həftə | Müasir AI təcrübəsi |
| Cilalama və yerləşdirmə | 2 həftə | İşəgötürənin görə biləcəyi portfolio |
Yekun
Data Science-də ilk işə düzəlmək bir sınaqdan keçmək deyil — bir sübut təqdim etməkdir. Portfolio isə həmin sübutdur.
Sertifikat sizin bir şeyi oxuduğunuzu göstərir. Portfolio isə həmin şeyi real bir problemə tətbiq etdiyinizi. İkinci arasındakı fərq, müsahibəyə çağırılmaqla çağırılmamaq arasındakı fərqdir.
Bu gün başlaya biləcəyiniz ən kiçik addım: sizi maraqlandıran bir sual seçin və ona aid datanı tapın. Qalanı ondan sonra gəlir.
