покритикуйте резюме

[OLegg]

Ищу позицию Data Analyst/ Scientist. Запостил резюме на монстре, просмотры есть, но звонков пока нет. Что исправить/ добавить в резюме? Критика приветствуется!

OLegg
xxxxx@gmail.com | (xxx) xxx-xxxx

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Summary of Qualifications
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Extensive experience in quantitative data analysis, modeling physical processes, numerical programming with results presented at conferences and published in refereed scientific journals. A quick learner who can communicate clearly and effectively. Highly energetic and result-oriented professional with strong analytical and problem-solving skills.

Areas of expertise:
* quantitative data analysis * data mining * technical writing
* relational databases * Monte Carlo simulations * conference speaking
* scientific programming * algorithms design * staff supervision

Skills:
* Programming languages: MATLAB, Python, C++ (prior experience), Fortran
* Relational databases: MySQL, MS Access
* Operating systems: Linux, Windows, Mac OS
* Application software: MS Excel, VBA macros, Origin, DokuWiki, LaTeX, Emacs, HTML

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Experience
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Research Fellow / Lecturer
Some University, City, Canada
Jan 20xx - Apr 20xx

Processed, cleaned, and analyzed (MATLAB, Python) large experimental datasets from a world-leading experiment for dark matter detection. Fitted models using optimization methods and algorithms, such as maximum likelihood estimation and neural networks. Presented results at leading national/international conferences (see, e.g., a talk that I gave at 2013 Canadian Association of Physicists Congress: http://tinyurl.com/rest-of-url)

Taught “Applied Physics” and “Advanced Physics Laboratory” courses with ~60 students per course, supervised Markers and Teaching Assistants. Received high student evaluations with more than 80% agreeing that "overall, this instructor is an effective teacher".
______________________________________

Research Associate
University of Something, City, USA
Jan 20xx - Dec 20xx

Designed and programmed MATLAB-based data analysis tools to estimate concentration of radioactive contaminations in samples; being used since 2010 to routinely analyze samples.

Successfully validated a new analysis package to accelerate data processing; led the work to establish criteria to identify and remove bad datasets due to periods of poor detector performance; optimized and automated techniques for the discrimination of dark matter interactions from backgrounds. Wrote (with other team members) and published analysis papers.
______________________________________

Research Assistant
Some University, City, USA
May 20xx - Dec 20xx

Developed specialized algorithms (Fortran, C++) to reconstruct rare events of interest from the datasets with tens of millions of events and published the results.

Authored a computer program to readout low voltages (hundreds of channels) from the various crate power supplies and write them into a database.

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Education, Certifications
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Ph.D. in Physics, 20xx
Some University, City, USA

Certificates in SQL, Relational Design Theory, UML
Stanford online

[Физик-Лирик]

Вы настолько все законспирировали, что очень трудно даже понять, есть ли это резюме свежеиспеченного PhD или кого еще? Ясно только одно, что все события относятся к 21 веку.
Вроде что-то прослеживатся, если брать месяцы, однако тогда почему последнее место датируется Апрелем? Предположу, что Вы свежеиспечeнный.
1) Из резюме следует, что у Вас 2.5 года опыта. Вы действтельно это считате "Extensive experience"?
2) Summary следует писать по пунктам, не надо через запятую.
3) В экспертизе у Вас все свалено в одну кучу. Здесь и Монте-Карло и conference speaker. Следует отдельно по пунктам.
4) Если Вы хотите быть аналитиком, как это все согласуется с тем, что написано в экспертизе? Расшифруйте поподробнее. Quantitative data analysis - это слишком обще.
5) Вы где ищите работу? В индустрии или в академии? Если в индустрии, забудьте "детские штучки", связанные с универом. Мало кого волнует, что Вы учили 60 студентов. Позицию менеджера сразу после универа Вам все-равно не дадут.
6) Опыт надо перечислять по пунктам, не надо через запятую.
7) В описании того, что Вы делaли, слишком много "физики". Вас на поймут. Лучше уделите внимание некоторым техническим моментам, например, какие метoды использовали, алгоритмы, всесто "черного вещества". Вы же использовали машинное обучение, тогда почему нет в Summary?

[Medium-rare]

* prior experience

Не, не надо даунгрейдить свои скиллы, а то это звучит как "я в том не очень, давно это было". Лишь бы позиция была адекватная скиллам, по любому, интервью будет...

[лопарь]

Мне на днях писали какие-то русские кадровики, предлагали работу в Цюрихе, в Blackfield Capital. До подробностей дело не дошло (они провалили зарплатный ценз), но в общих чертах, им нужен анализ данных, машинное обучение и си++. Наверно, хотят анализ временных рядов и прогнозирование. Зарплата скучная: опять же, её прямо не назвали, но похоже, не больше сотни тысяч долларов в год. Но всё лучше, чем постдочить в Канаде, не так ли?

[OLegg]

Вы настолько все законспирировали, что очень трудно даже понять, есть ли это резюме свежеиспеченного PhD или кого еще? Ясно только одно, что все события относятся к 21 веку.
Вроде что-то прослеживатся, если брать месяцы, однако тогда почему последнее место датируется Апрелем? Предположу, что Вы свежеиспечeнный.
1) Из резюме следует, что у Вас 2.5 года опыта. Вы действтельно это считате "Extensive experience"?
2) Summary следует писать по пунктам, не надо через запятую.
3) В экспертизе у Вас все свалено в одну кучу. Здесь и Монте-Карло и conference speaker. Следует отдельно по пунктам.
4) Если Вы хотите быть аналитиком, как это все согласуется с тем, что написано в экспертизе? Расшифруйте поподробнее. Quantitative data analysis - это слишком обще.
5) Вы где ищите работу? В индустрии или в академии? Если в индустрии, забудьте "детские штучки", связанные с универом. Мало кого волнует, что Вы учили 60 студентов. Позицию менеджера сразу после универа Вам все-равно не дадут.
6) Опыт надо перечислять по пунктам, не надо через запятую.
7) В описании того, что Вы делaли, слишком много "физики". Вас на поймут. Лучше уделите внимание некоторым техническим моментам, например, какие метoды использовали, алгоритмы, всесто "черного вещества". Вы же использовали машинное обучение, тогда почему нет в Summary?

Спасибо за критику!

1. Вы правы, с удалением дат я погорячился Я получил PhD >5 лет назад и вместе с grad school опыт будет 8+ лет.

2. и 6. Одно предложение - один отдельный пункт или Вы что то другое имели ввиду?

4. Я подаю на Data Analyst или как их теперь тоже называют Data Scientist позиции. В основном обрабатывал данные (писАл код) в Матлабе: regression, maximum likelihood, optimization, neural networks. Я это указал в описании чего делал. Также очень много просто "копания" в данных типа, как теперь называют, data munging.

5. Ищу в индустрии. Написал про студентов потому что указал "Lecturer" в позиции а также подтверждает public speaking, supervision skills. Убрать это совсем и написать "Relevant experience"?

7. О, это отличное замечание! Кстати "машинное обучение" тоже довольно общий и размытый термин. Включает в себя кучу всего (regression, k-NN, etc).

[Физик-Лирик]

Мне на днях писали какие-то русские кадровики, предлагали работу в Цюрихе, в Blackfield Capital. До подробностей дело не дошло (они провалили зарплатный ценз), но в общих чертах, им нужен анализ данных, машинное обучение и си++. Наверно, хотят анализ временных рядов и прогнозирование. Зарплата скучная: опять же, её прямо не назвали, но похоже, не больше сотни тысяч долларов в год. Но всё лучше, чем постдочить в Канаде, не так ли?

Ну вряд ли постодоку предложат сотню тысяч в год.
Собственно работы и здесь хватает, зачем так далеко ехать. Просто над резюме подточить.

Совет автору. В большинстве случаев, резюме попадает к рекрутерам. А они выискивают по ключевым словам. В Вашем резюме их очень мало. Кроме как Монте-Карло (что к аналисту не имеет прямого отношения), оптимизация, максимум лайклихуд и нурал нетворк у Вас их больше нет. Неужели регрeссию не pрименяли? Логистическую, линейную? Деревя? Лаиклихудом занимались, напишите в Экспертизе statistical inference. Какие оптимизационны методы применяли? Линейное программирование? В Экспертизу.
Вы пишите "Fitted models .." Что конкретно "фиттили"? Резюме итак небольшое, можно и детали добавить. Не надо деталей, где Вы "талк" давали. Тут аналисты весьма далеки от физики.

[Физик-Лирик]

2. и 6. Одно предложение - один отдельный пункт или Вы что то другое имели ввиду?

Каждое предложение - отдельный пункт, т.е. надо логически разбить. Я предпочтаю писать предложеныя без глаголов. Типа "Н лет опыта в мат моделировании", "М лет опыта в применение мат методов". Можно оставить предложения.

. Я подаю на Data Analyst или как их теперь тоже называют Data Scientist позиции. В основном обрабатывал данные (писАл код) в Матлабе: regression, maximum likelihood, optimization, neural networks. Я это указал в описании чего делал. Также очень много просто "копания" в данных типа, как теперь называют, data munging.

Сейчас есть куча названий: аналист, ученый, специалист по данным. Они все оzначаюt одно и тоже, надо смотреть описание работ. В однih бол'ше укlон на вyемку данных чеreз (ETL), в другом - мат методы. Я предолагаю, что Вас больше математический уклон интересует. Специалист по машинному обучению - тоже термин сейчас. Кванты - они большее в банковской сфере.

Также очень много просто "копания" в данных типа, как теперь называют, data munging.

Тоже избитый термин сейчас.

5. Ищу в индустрии. Написал про студентов потому что указал "Lecturer" в позиции а также подтверждает public speaking, supervision skills. Убрать это совсем и написать "Relevant experience"?

Думаю не особо это надо в резюме.

7. О, это отличное замечание! Кстати "машинное обучение" тоже довольно общий и размытый термин. Включает в себя кучу всего (regression, k-NN, etc).

Ну вот, самое мясо пошло. Возьмите книжку по статистическому машинному обучению. Выписите оттуда "названия"
Потокм будет помогать рекрутеру правильно читать "knn". Мой однажды не смог прочесть. В реалиях все равно кнн не будете локальные методы использовать. Сейчас все на больших размерностях помешаны.

[Физик-Лирик]

Да, и не забудьте про несупервайзд обучение. Типа кластер анализа. Посмотрите на принципиальные компоненты и метод сингулярной декомпозиции. Потом на интерв'ю будете спрашивать, одно ли это и тоже . Eсли когда занимались survival analysis - напишите. Про ряды уже здесь говорили.
Пoсоветовал бы почитаtь математику, стоящую за всеми этими делами. Многие аналитики знaют названiя метoдов, но абсолютно не знают математики, на которых они основаны. Блеснете на интервью.

[OLegg]

7. О, это отличное замечание! Кстати "машинное обучение" тоже довольно общий и размытый термин. Включает в себя кучу всего (regression, k-NN, etc).

Ну вот, самое мясо пошло. Возьмите книжку по статистическому машинному обучению. Выписите оттуда "названия"
Потокм будет помогать рекрутеру правильно читать "knn". Мой однажды не смог прочесть. В реалиях все равно кнн не будете локальные методы использовать. Сейчас все на больших размерностях помешаны.

Какую книгу посоветуете? Такая подойдет? "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" (http://www.amazon.ca/The-Elements-Stati ... 0387848576)

Не знаю как в индустрии, но мы (физики эксперементаторы) используем довольны узкий набор методов для обработки данных. Не было необходимости в никаких "decision trees, random forests" или "unsupervised learning". Почитать про это конечно же можно, но воткнуть это в "work experience"?

[лопарь]

Да, Хасти-Тибширани - хорошая книга. И бесплатная (не на амазоне, а на сайте авторов). Кстати, они ведут на Stanford Online курс "Статистическое обучение", мне понравился.

> Не знаю как в индустрии, но мы (физики эксперементаторы) используем довольны
> узкий набор методов для обработки данных. Не было необходимости в никаких
> "decision trees, random forests" или "unsupervised learning".

Не знаю, как там у физиков-экспериментаторов, но физики-теоретики легко осваиваются в теме. Частично она им уже знакома, хотя они могут и слов таких не знать. Скажем, имитация отжига - метод, мало понятный неподготовленному типичному математику, но хорошо знакомый физику. Связь между вероятностью и энергией нам естественна (вспомните Аррениуса или Гиббса), а айтишникам - нет.

Неудивительно, что некоторые методы в машинном обучении были придуманы физиками. Тот самый Фридман (один из трёх авторов найденной вами книги) - физик.

> Не знаю как в индустрии, но мы (физики эксперементаторы) используем довольны
> узкий набор методов для обработки данных. Не было необходимости в никаких
> "decision trees, random forests" или "unsupervised learning".

Деревья, конечно, физикам не нужны, но то, что по непонятным причинам называется "обучением без учителя", как раз требуется сплошь и рядом. Кластеризация, поиск особых событий, обнаружение выбросов (outliers), метод главных компонент... В некоторых околофизических областях (связанных с биофизикой, например) могут использоваться и более интересные методы, применяемые также и в айти-индустрии в контексте машинного обучения.

Но в целом вы правы, физиков непозволительно плохо учат статистике. Особенно глупо, что их не учат распознавать их практические проблемы как стандартные задачи матстатистики. Порой в посредственных экономических вузах студенты лучше понимают суть, пользу и возможности статистики.

[Физик-Лирик]

Да, Хасти-Тибширани - хорошая книга.

Присоединяюсь. Она у меня одна из настольных книг. Там достаточно много математики, но относительно несложной. Посмотрите другие книги. На самом деле при всем многообразии методов на практике Вы будете использовать всего несколько. Для классификации - это скорее всего лес или вектор машину. В кластер-анализе - скорее всего кмеанс (иерархичекие методы ну очень меденные для больших данных). Посмотрите на принцииальные компоненты (или сингулярную декомпозицию, что практицески то же). Очень популярные методы уменьшения размерности для боlьших данных. Может еще Байес. Не думаю, что будете использовать метод ближайшего соседа (ака кнн) или другие локальные методы или методы с "ядром". Для больших данных они скорее всего провалятся. Если есчхе не знаете, выучите "свинью" (ну очень быстро учиться) и какой-нибудь стат-пакет (наверное, R или Питон). И все, будет Вам счастье в жизни.

Но в целом вы правы, физиков непозволительно плохо учат статистике. Особенно глупо, что их не учат распознавать их практические проблемы как стандартные задачи матстатистики. Порой в посредственных экономических вузах студенты лучше понимают суть, пользу и возможности статистики.

Да она им особо и не нужна, если не экспериментатор. Вся статистика учится в курсе стат. физики и молекулярной физики, когда вводится максвелловское распределение. Собственно для теоретиков этого вполне достаточно. Этого может быть недостаточным для вычислительных физиков, работающих в области моделирования "сред", наример, работающих в области моделирования методами Монте-Карло (динамика разреженных газов, полупроводники, плазма и т.п.) или марковскими цепями. Другое дело всегда возникает вопрос, а что они там на самом деле моделируют. С точки зрения математика, привыкшего думать образами диффуров, связь их с Монте-Карло неочевидна (да возможно ее и нет, т.к. эквивалентность доказана лишь для ограниченных случаев).

Открою маленький секрет. Машинное обучение и анализ данных сами по себе на практике больше искуссво чем наука. Да, имеется очень красивая теория (особенно мне нравится векор-машина с ее Гилбертовыми простраставами). В реаии же - это некий вызов пакетов уже готовых методов. Этим занимаетса достаточно много людей, большинство из которых практически не понимает, что внутри этих методов. Собственно, в этом и есть основной конек "физиков", которые легко разберутья во всем этом. Второй момент, убедить "пользователей", что идеальных результатов не бывает и все это обьяснить. А то пользователи ждут от тебя чуда, что "программа" все перелапатит и выдаст 100% результат.

[OLegg]

Версия #2 резюме на Data Analyst, Data Scientist с учетом критики. Добавил больше конкретики и деталей как тут посоветовали.

Попинайте и покритикуйте

OLegg
xxxxx@gmail.com | (xxx) xxx-xxxx

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Summary of Qualifications
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

* Over five years of experience in quantitative data analysis, modeling physical processes and numerical programming.
* A quick learner who can communicate clearly and effectively.
* Highly energetic and result-oriented with strong analytical and problem-solving skills.

Areas of expertise:
* data mining
* statistical inference
* scientific programming
* algorithms design
* relational databases
* Monte Carlo simulations
* technical writing
* conference speaking

Technical Skills:
* Programming languages: MATLAB, Python, Fortran
* Relational databases: MySQL, MS Access
* UNIX environments: Linux, Mac OS
* Application software: MS Excel, VBA macros, MS PowerPoint, Origin, DokuWiki, LaTeX, Emacs, HTML

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Experience
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Research Fellow / Lecturer
Some University, City, Canada
Jan 20xx - Apr 20xx

* Processed, cleaned, and analyzed (MATLAB, Python) large datasets with tens of millions of events from a world-leading experiment for dark matter detection.
* Fitted data models using regression and unconstrained nonlinear optimization methods to describe observed distributions. Utilized maximum likelihood analysis to test signal hypothesis against pure background model.
* Presented results at leading national/international conferences (see, e.g., a talk that I gave at 2013 Canadian Association of Physicists Congress: http://tinyurl.com/rest-of-url).
* Mentored several M.Sc. and undergraduate research students on data analysis including MATLAB programming and statistical techniques.
______________________________________

Research Associate, Super-Duper experiment
University of Something, City, USA
Jan 20xx - Dec 20xx

* Led the work to establish statistical criteria to identify and remove bad datasets due to periods of poor detector performance.
* Optimized and automated techniques to set criteria for maximizing the expected sensitivity while minimizing backgrounds. Applied constrained minimization using pattern search in MATLAB for numerical optimization.
* Investigated neural network discrimination technique for signal/background separation. Used correlation matrix and principal components analysis for dimensionality reduction.
* Successfully validated a new analysis package to accelerate data processing. Wrote scripts to compare millions of events, identify, and report failures.
* Designed and programmed data analysis tools (MATLAB, MySQL, Excel) to estimate concentration of radioactive contaminations in samples; being used since 2010 to routinely analyze materials. Developed Monte Carlo simulations of the corresponding physical processes.
* Wrote (with other team members) and published analysis papers in refereed scientific journals.
______________________________________

Research Assistant, experimental particle physics
Some University, City, USA
May 20xx - Dec 20xx

* Developed specialized algorithms (Fortran, C++) to reconstruct, observe, and measure properties of rare events from ~TB datasets; published the results.
* Applied unbinned generalized likelihood fits to extract model parameters from low-statistics samples. Used Monte Carlo technique to estimate systematic errors and confidence intervals.
* Employed Kolmogorov test to validate Monte Carlo simulations of a detector.
* Authored a computer program to readout low voltages (hundreds of channels) from the various crate power supplies and write them into SQL database.

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Education, Certifications
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Ph.D. in Physics, 20xx
Some University, City, USA

Certificates in SQL, Relational Design Theory, UML
Stanford online

[Физик-Лирик]

* Over five years of experience in quantitative data analysis, modeling physical processes and numerical programming.

Лучше 5+, modeling of physical ... Добавьте: ...analysis , machine learning, statistical analysis, MATHEMATICAL modeling of physical ...
В Summary добавьте про докторскую степень, что у Вaс солидное образование: possess a PhD in Physics; solid academic background in Physics, Mathematics, Computer Science и т.д.; добавьте про публикцаии: author and co-author of N publications in peer-reviewed journals and proceedings of national and international conferences.

В экспертизу добавьте немного физика в конец (типа моделирования физичеких процессов).
Для аналиста данных Вам нужен какой-нибудь пакет. Вы чистый Питон знаете или библиотеки для анализа типа панды, "численного пирога" (это я так прикалываюсь) т.п? Если да, то напишите. Выучите на досуге R.

В Technical Skills не вижу деталей. Сюда и вставьте регрессию, PCA, оптимизацю и т.п.

Processed, cleaned, and analyzed (MATLAB, Python) large datasets with tens of millions of events from a world-leading experiment for dark matter detection.
Напишите лучше very large datasets (вместо миллионов). "Chistili" как то странно звучит. Фраза какя-то неописателная. Что, зачем, почему чистили И анализировали?

* Fitted data models using regression and unconstrained nonlinear optimization methods to describe observed distributions. Utilized maximum likelihood analysis to test signal hypothesis against pure background model.

У меня стазу вопрос: как Вы "фитили" с помощю оптимизации? Дистрибутионс оф шхат? Короче по данному описанию не совсем ясно, чем же Вы все-таки занимались. Вы пытаетесь некие детали описать (это нормально), но пропадает общая картина.

Research Associate, Super-Duper experiment

Та же проблема. Не ясно чем Вы в целом занимались. Вы даете некие детали. Создается впечатление, что Вы на подхвате были.

Used correlation matrix and principal components analysis for dimensionality reduction.

По детски звучит. Понятное дело, Вы использавали принципиалные компоненты для уменшения размерности. Замените на: applied advanced statistical techniques to perform high-dimensional data analysis

[Физик-Лирик]

Продолжаем ...

Used correlation matrix

Вы SVD имеете в виду? Добавьте к Technical skills.

Successfully validated a new analysis package to accelerate data processing. Wrote scripts to compare millions of events, identify, and report failures.
* Designed and programmed data analysis tools (MATLAB, MySQL, Excel) to estimate concentration of radioactive contaminations in samples; being used since 2010 to routinely analyze materials. Developed Monte Carlo simulations of the corresponding physical processes.

Wrote scripts ... плохо звучит, по-детски.

* Wrote (with other team members) and published analysis papers in refereed scientific journals.

Любите Вы это слово однако. Prepared results and published papers ...

Developed specialized algorithms (Fortran, C++) to reconstruct, observe, and measure properties of rare events from ~TB datasets; published the results.

Про published resuts последним пунктом. не надо вместе.

* Employed Kolmogorov test to validate Monte Carlo simulations of a detector.

Вы имеете в виду тест Колмогорова-Смирнова? Может не стоит упомнат название, а заменить на advanced statistical tests (или что-то в таком духе). А то Вы как-то сужаете свою область знаний. Типа этот тест применяли, а что, другие не знаете?

Вообще мой принцип таков (не утверждаю, что он абсолютный) - в истории работ писать, что я делал (а не как и чем я делал), чтобы было ясно, в каких проектах участвовал. Все детали (методы, алгоритмы, языки) я пишу в разделе скилзов. Когда пишется как и чем, то как бы сужатся Ваша область (ага, здесь только на том языке или только такой метод).
Как я упоминал, расширте раздел скилзов. Напиште все методы.тесты/алгоритмы (не просто оптимизация, а какая оптимизация), какие регресии. Можете и математику добавить (типа диффуры, вычилительные методы).

[Физик-Лирик]

Выучите на досуге R.

ээээ, досуг большой нужен будет,

Учить ли R, - это вопрос вкуса. Если уже есть Python, и хочется работу прямо сейчас, я бы не заморачивалась с R. Многие щасливо живут с одним Питоном, особенно сейчас, когда появилось много новых библиотек. Тем более, что R имеет свойство сильно бесить опытных программистов на начальном этапе изучения.

Значительно лучшей инвестицией времени сейчас будет пройтись по аналитическим библиотекам в Питоне. Как минимум numpy, scipy & scikit-learn надо указать в резюме, а лучше ещё несколько fancy, например, mlpy. Рекомендую книжку Python for data analysis как абсолютный минимум. После неё:
http://machinelearningmastery.com/pytho ... ing-books/

С точки зрения статистической обработки/моделей R - гораздо более популярен. У автора нет ничего об этих библиотеках. Кстати у меня есть эта книга. Не понятно, чем R так "бесит опытных программистов", принимая во внимание тот факт, что R как бы не совсем язык программирования т.е. он, конечно, язык, но создан как бы не для программирования. Собственно никто не мешает использовать другие языки для подготовки/обработки данных, а уж потом подключать R на "финальной" стадии. Если посмотреть на обьявления по поводу работы аналистов, то там популярна тройка языков из серии "один из" (угадайте какая). Питон более популярен в разделе одиз из скриптовых языков (там он в паре). Хотя я ососбо не буду настаивать на том, что R - панацея. Безусловно, Питона на первых порах может быть вполне достаточно. Но с библиотеками, которые были упомянуты выше. Собственно одна из них как раз для rаботы с data.frame, чтoбы не раздражать тех, кто пришел из R.

[Физик-Лирик]

Я к тому, что освоить библиотеки Питона и вставить их в резюме намного быстрее и легче, чем начать учить R с нуля.

R бесит "начинающих в R, опытных в другом языке" программистов тем, что существует миллион способов сделать одно и то же. Через некоторое время это проходит, но первоначально неприятно.

Я понимаю, о чем Вы говорите. Меня это тоже раздражало вначале, потом привык. Все-таки это как бы не core language уже, a библиотеки. Мне кажется - это общая проблема open source проекта. Каждый делает то, что считает нужным. С другой стороны, есть и определенные преимусцчества. Есть возможность попробовать различные методы для решения одной и той же проблемы. Я собственно обеими руками за Питон. Хороший язык.

[OLegg]

Физик-Лирик, Снежная - спасибо за комментарии и советы!