mrpropper

Там чуть выше написано, что (xp,yp) + (xq,yq) = (xr, -yr)

Нормального работодателя привлекут не сертификаты или ноутбуки. Нормального работодателя в первую очередь привлечет содержимое ваших предыдущих проектов. По сети гуляет тысячи практически копий задач, часто абсолютно
бесполезных с точки зрения реального применения, героических переписываемых из одного ноутбука в другой. И толку?
Работодателя несомненно привлечет ваш опыт в решении практических задач в его предметной области. Подчеркну - "практических" и в "его" (или смежной) области. Вот это значит, что вам не придется месяцами разбираться в нюансах и отдача от вас будет достаточно быстро. Этот фактор в DS намного значимее, чем даже при разработке SW или системном администрировании. Фокус заключается в том, что именно в них - а по факту в умении транслировать язык предметной области в язык DS - заключается огромная доля "ценности" аналитика. И классный DS специалист в анализе речи может оказаться на первых порах практически беспомощным при решении задач в области - например - распознавания рентгеновских снимков. Пока не "въедет" глубоко в предметную область. Хотя по сути инструменты - очень близки.
Сертификаты - тем более бесплатные, вещь говорящая только о том, что вы потратили определенное количество часов на изучение предмета - похвально, но не впечатляюще. Тем более таких сертификатов сейчас расплодилось достаточно много.
Несколько повысить ваш рейтинг может ваши успехи на Kaggle или подобных конкурсах - но тут надо быть осторожным. Потому что есть большая разница между конкурсными решениями и реальными проектами реального бизнеса. Это как "олимпиадное программирование" и реальный опыт разработки ПО.
Кстати, интересно выглядит ваше (подтвержденное) участие в некоторых открытых проектов - как минимум это говорит, что вы умеете работать в команде. Возможно - успехи на некоторых хакатронах, если вы сумеете красиво описать, что и как вы там решали, даже если не добились там побед.
Ну вот как-то примерно так.
P.S. И да, я про Datа Analysis и Machine Learning.
"DS/ML инженер" - это совсем другая история, хотя многие (а в широких массах - большинство) этого и не понимают.

В целом, повлияло общественная эйфория от первых результатов ML:

О-о! Круто! Непонятно как работает, но давайте об этом говорить: пусть остальные думают, что мы знаем всё о ML и за это будем ещё и деньги собирать!

, сформировавшее такое поведение и менталитет всех людей.

Если учить ML даже по платным курсам - ничего хорошего не выйдет.
Всё нужно познавать самому с нуля. Сидеть и разбираться, строить графики, записывать шаги на бумажке, и т.д. Читать только то, что написано в википедии и немного знать мат.синтаксис для понимания.

Простой визуальный пример реализации ИИ - это игра в "крестики-нолики" (или "Tic-Tac-Toe"). Попробуйте сделать сами ИИ-противника игры с обучением и увидите насколько это трудно или просто (зависит от способностей конкретного человека).
После - сами себе ответите на свой же вопрос.

Если говорить просто: всегда проверяйте достоверность получаемой информации из "шума", и всегда сами оценивайте инструменты реализации (логику процесса) и конечный результат. При отсутствии хотя бы одного критерия - это просто PR и "чистый" троллинг.