標題用「建立」而非「寫」，是因為有些經歷是需要時間來準備的，像是修一門課至少要半年，如果課程有先修需求就要更久。打一場 Kaggle 機器學習比賽可能要三到六個月，也不是每一次參賽都能夠拿到足以寫在履歷上的成績。有意識地提前建立履歷才能在找工作的時候拿到最多面試。
目標
做過機器學習的人都知道，目標 (metrics) 對於模型是最重要的，模型使用正確的 loss function 最佳化正確的目標才能最好地解決問題。本文所謂機器學習工程師是要用機器學習方法解決公司在商業上遇到的問題，不是要提出新的機器學習方法發表論文。
公司找機器學習工程師的目標是什麼？就是找一個有足夠的專業能力與溝通能力完成任務、好相處的人來完成任務。初階機器學習工程師需要用機器學習解一個 (至少大致上) 定義好的任務，要對機器學習有一定程度的理解、會寫程式。依此我們就可以知道怎樣的經歷在履歷上會被注意到。
亮眼的經歷
越相關且越少人有的經歷越能夠讓你從眾多履歷中脫穎而出，我這邊列出幾個我看到的時候眼睛會為之一亮的經歷。
相關職缺實習
實習跟正職是否相關每個職缺差異很大，有聽過進去做模型的，當然就非常相關。但也有聽過大公司找機器學習實習生，進去是幫模型標答案，這個經歷對未來找正職就毫無幫助。是否相關還是回到我們的目標：這個經歷跟機器學習工程師的日常核心工作相關嗎？
機器學習論文
能夠在指導下寫出一篇機器學習論文表示你有辦法基於現有模型，在給定的問題上將之客製化得到更好的成效。論文有發表、發在 tier 1 conference 上面表示你有能力將問題解得更好。就像工作中我們需要解自己公司獨有的問題，至少要會用現成的模型，最好是能在其他成本 (時間、機器、人力等) 可接受下客製化模型得到更好的成效。
機器學習競賽
這邊機器學習競賽指得是在有獎金的比賽進行中參加所得到的成績，機器學習競賽是相當好的訓練，透過比賽可以學到課堂上的理論怎麼運用到更貼近實際的資料上面。但參加比賽時必須真的思考並嘗試改善模型或特徵來拿到更好的成效，在比賽結束以後把第一名的程式碼抓下來改兩行重新上傳學不到任何東西也不會對履歷有任何加分。
相關的經歷
以下這些經歷太多人有了，或是跟核心工作內容相關性較小，所以只有小加分。但還是有加分，所以還是要將這些經歷寫上履歷。
相關科系與課程
相關科系一般指電機、資工、資管，研究所有各種不同名稱，會看核心課程跟碩士論文題目。很老實地說，找第一份工作或是實習時絕對會看學歷，不看學歷只有兩種情況：工作很多年，有其他工作經驗可以證明能力，或是有超越學歷的亮眼經歷 (Kaggle 一人隊伍拿金牌、發表過 top conference paper 等等)，相較之下，學歷反而是最好拿的。沒有學歷的話盡量多修一些課程會有幫助。
程式設計競賽
ACM ICPC、Meta hacker cup 等演算法程式競賽。演算法好對於軟體工程師來說很加分，機器學習工程師也是一種軟體工程師，程式能力好當然有加分，但核心能力還是在機器學習。
無關的經歷
練習用的個人專案
現在網路上隨便找一個資料，做一個模型，跑一個分數出來太容易了，手寫辨識做到 99% 在某些公開資料集上非常容易，基本上就是 Github 找一個範例抓下來照著教學跑一遍就好了。尤其現在還有 ChatGPT，這個只要會一點程式、甚至不用會任何機器學習都做得到。大家都做得到的事情對於履歷沒有任何幫助。
結語
以上是我個人看法，每家公司每個職位甚至每位用人主管看得面向都不太一樣，重點在於越相關且越少人有的經歷越加分。就算未來 AI 更厲害、更多工作可以交給 AI 做，這點依然不會改變。
好的履歷可以幫助你拿到面試，但面試通過與否還是要看表達能力與臨場表現。徵才方一定是想盡一切辦法讓面試表現跟工作表現正相關，但礙於面試時間限制，面試沒辦法考到工作需要的每一個面向。
現實如此，所以「面試」也是一個需要練習的專業技能。要找到好工作就是這麼複雜，從履歷到面試到薪資談判都需要花時間研究。履歷是過去一段時間的成績單，以終為始，如果希望未來能有亮眼的履歷，現在就可以往那個方向努力了。