ML-инженерснуля
Для человека с сильной школьной математикой, нулевым опытом в коде, английским B2 и 15–20 часами в неделю. За ~17 месяцев — до уровня, с которым реально проходить интервью на junior ML/AI-инженера в зарубежной компании.
- 12
- модулей
- 72
- недели
- 5
- проектов
- ~17
- месяцев
1# self-attention — модуль 7, свой трансформер2import torch3import torch.nn.functional as F4 5def attention(q, k, v, mask=None):6 d_k = q.size(-1)7 scores = q @ k.transpose(-2, -1) / d_k ** 0.58 if mask is not None:9 scores = scores.masked_fill(mask == 0, -1e9)10 weights = F.softmax(scores, dim=-1)11 return weights @ vПять вещей, с которыми выходишь
- 01
Python + инженерная база
Уверенный Python и то, что проверяют на найме: git, тесты, SQL, Docker, CI/CD.
- 02
ML и deep learning «под капотом»
Классический ML и глубокое обучение с пониманием внутренностей — вплоть до трансформера, написанного своими руками.
- 03
LLM-инженерия
RAG, fine-tuning, агенты, evals — самый нанимаемый стек 2026 года.
- 04
5 проектов в портфолио
Из них два флагманских — с живыми демо и метриками, вокруг которых строится резюме.
- 05
Готовое интервью-ядро
Алгоритмы, ML-теория, system design, behavioral — и работающая воронка откликов.
Карта курса
12 модулей · 72 недели · 5 проектов в портфолио
- 0Неделя 1
Старт и система обучения
Рабочее окружение и правила игры.
learning-репозиторий - 1Недели 2–9
Python с нуля
Писать и читать код без подсказок.
CLI-проект с API и тестами - 2Недели 10–14
Инженерная база
Терминал, git, pytest, SQL.
Репозитории в найм-пригодном виде - 3Недели 15–19
Алгоритмы и структуры данных
Алгоритмическое мышление.
60+ решённых задач - 4Недели 20–24
Математика для ML
Линал, вероятности, оптимизация — руками в NumPy.
Градиентный спуск и PCA с нуля - 5Недели 25–28
Данные: pandas и EDA
Уверенная работа с табличными данными.
EDA-проект (портфолио №1) - 6Недели 29–36
Классический ML
Полный ML-workflow и теория до уровня интервью.
Kaggle-соревнование (портфолио №2) - 7Недели 37–44
Deep learning на PyTorch
От backprop до собственного GPT.
Vision-демо (портфолио №3) + свой трансформер - 8Флагман
LLM-инженерия
Недели 45–52RAG, fine-tuning, агенты, evals.
LLM-продукт (портфолио №4) - 9Флагман
MLOps и продакшн
Недели 53–59Docker, CI/CD, serving, мониторинг, облако.
ML-сервис в облаке (портфолио №5) - 10Недели 60–63
Портфолио и публичность
Профиль, проходящий 30-секундный скрининг.
GitHub-профиль, посты, OSS PR - 11Недели 64–72
Найм
Интервью-цикл и воронка откликов.
Офферы
Что показываешь на найме
$ pytest -q
.......... 42 passed in 3.1s
$ python train.py --epochs 3
epoch 1 loss 1.284 val_acc 0.71
epoch 2 loss 0.842 val_acc 0.83
epoch 3 loss 0.611 val_acc 0.89
✓ saved model.pt
$ llm-rag-service
портфолио №4 · флагман
RAG-сервис с faithfulness 0.87 на своём eval-сете. FastAPI · Docker · CI/CD.
Честная рамка
Junior-позиции за рубежом конкурентные, и оффер не гарантирует никакой курс. Но есть три двери, и курс готовит ко всем сразу:
- 01
Стажировки и GSoC
Студенческий козырь — Google Summer of Code. Используй его.
- 02
Remote в AI-стартапах
Junior/AI-engineer роли в удалённых командах.
- 03
Релокация после диплома
Степень помогает с рабочими визами (Blue Card и аналоги).
Активный поиск после готовности обычно занимает 3–6 месяцев и 50–100+ откликов — это нормально, закладывай это в ожидания.
Частые вопросы
Нормально. Вставь буферную неделю, режь опциональные ресурсы, но не режь практику и чекпоинты: неделя без чекпоинта не пройдена, а просмотренное без кода забудется за месяц.
Начать сейчас
Первый шаг — неделя 0: рабочее окружение, аккаунты и публичный learning-репозиторий. Дальше — по карте.
Ядро курса бесплатно: CS50P, Karpathy, 3Blue1Brown, Kaggle, HF-курсы…