CV Data scientist:
Guide Expert & IA 2026

Non. Sélectionne 1 à 2 projets maximum, pertinents pour le poste (NLP, recommandation, séries temporelles). Pour chacun, indique la métrique (AUC, F1), ton approche (features, validation), et ce que tu ferais pour industrialiser. Le recruteur préfère un projet bien expliqué avec lien propre plutôt qu’une liste de compétitions.

Vise 1 page si tu as moins de 7 ans d’expérience, 2 pages si tu es senior avec plusieurs missions majeures et publications. Dans tous les cas, garde un haut de page très dense (accroche + compétences + 2-3 impacts). La lisibilité et les chiffres priment sur la quantité de texte.

Oui, si tu donnes le contexte : type de validation (cross-validation, holdout), baseline, et limites (données, biais, dérive). Un modèle non déployé peut être pertinent, surtout pour un stage ou un poste junior, à condition de montrer que tu sais évaluer correctement et éviter le data leakage.

Évite les jauges “80%”. Prouve par des éléments concrets : bibliothèques utilisées (pandas, scikit-learn), types de tâches (ETL, optimisation), et livrables (package, API, pipelines). Tu peux ajouter “tests unitaires”, “profiling”, “fenêtres SQL”, ou “modélisation dbt”, qui signalent un niveau opérationnel.

En général : En-tête (titre du poste), Accroche, Expérience, Compétences, Formation, Projets (si junior), Langues et Certifications (si pertinentes). Utilise des intitulés standards, évite les tableaux, et intègre les mots-clés exacts de l’offre. Un PDF simple, une seule colonne, améliore l’extraction.

C’est recommandé en France, surtout si le marché est concurrentiel, mais ce n’est pas obligatoire. Si tu en mets une, choisis une photo professionnelle (fond neutre, cadrage visage, tenue sobre). Si tu n’en mets pas, compense par un en-tête très clair : titre, spécialité, liens (LinkedIn, GitHub) et localisation.