ML-инженер собирает модели машинного обучения и доводит их до прода — туда, где они каждый день обрабатывают заявки на кредит, советуют товары и отлавливают мошеннические платежи. Профессия дефицитная и хорошо оплачиваемая: средний оффер по рынку в 2026 году держится около 226 000 ₽, junior стартует с 70–130 тысяч, senior уходит за 400. Порог входа высокий: нужны Python и математика. Но дорога понятная и проходимая за год-полтора.
КурсыСравнение 481 курса по PythonЦены, школы, длительность, рассрочка
Эта статья — пошаговый разбор входа в профессию: что учить и в каком порядке, сколько это стоит, какой стек собрать к первому собеседованию и где искать junior-вакансии. Цифры по зарплатам и срокам сверены с вакансиями hh.ru, разборами Хабр Карьеры и зарплатными обзорами за июнь 2026. Если вы только присматриваетесь к нише, начните с обзорной статьи о том, кто такой ML-инженер и чем он отличается от дата-сайентиста — там разложены роли. А подобрать программу под свой уровень можно в каталоге курсов для ML-инженеров с ценами и рассрочкой.
КурсыСравнение 53 курсов для ML-инженеровЦены, школы, длительность, рассрочка
Кто такой ML-инженер коротко
ML-инженер берёт прототип модели — иногда свой, иногда от дата-сайентиста, и превращает его в стабильный сервис: оборачивает в API, тащит данные из боевых баз, настраивает дообучение и следит, чтобы предсказания не деградировали под нагрузкой. Если упростить, дата-сайентист отвечает на вопрос «какая модель решит задачу», а ML-инженер — на вопрос «как заставить эту модель работать в продакшене 24/7». Отсюда и акцент в обучении: не только наука о данных, но и инженерия. Полный разбор задач, специализаций и смежных ролей — в обзоре профессии.
Короткий ответ — как стать ML-инженером в 2026
Путь укладывается в семь шагов. Подробности каждого — ниже по тексту, здесь общая карта.
- Выучить Python до уверенного уровня: синтаксис, структуры данных, ООП.
- Подтянуть прикладную математику: линейную алгебру, теорию вероятностей, статистику.
- Освоить классический ML на Scikit-learn и научиться выбирать метрики под задачу.
- Перейти к глубокому обучению на PyTorch: нейросети, CNN, трансформеры.
- Собрать два-три сквозных проекта от данных до работающего прототипа.
- Освоить инженерный минимум: SQL, Git, Docker, деплой модели в виде сервиса.
- Оформить портфолио на GitHub и выйти на собеседования.
Что нужно, чтобы стать ML-инженером
Короткий ответ на самый частый вопрос — вот входные требования, дальше каждое раскрываем по времени и деньгам.
- Входной уровень. Профильное образование не обязательно. Нужны базовая логика и готовность каждый день разбираться с математикой и кодом.
- Ключевые навыки. Python, библиотеки анализа данных (NumPy, Pandas), классический ML, основы deep learning, SQL и Git.
- Софт и инструменты. Scikit-learn, PyTorch, Docker, среда экспериментов вроде MLflow, аккаунт на Kaggle для практики.
- Бюджет. От нуля на самообучении до 90–150 тысяч ₽ за годовой курс с проверкой проектов.
- Срок. С нуля при 1,5–2 часах в день — 12–16 месяцев до junior-оффера. С опытом в программировании или аналитике — 6–9 месяцев.
- Личные качества. Усидчивость, любовь к разбору ошибок и спокойное отношение к тому, что модель будет не работать чаще, чем работать.
Дальше раскладываем каждый пункт по времени, деньгам и местам, где это берут.
Roadmap ML-инженера на 12 месяцев
Раздел для тех, кто стартует с нуля или из смежной IT-роли и планирует выйти на первую работу за год. Допущение простое: вы готовы вкладывать 1,5–2 часа в будни и побольше по выходным. Если у вас уже есть крепкий Python или математический бэкграунд, первый квартал можно пройти быстрее и сдвинуть всё расписание влево.
Месяцы 1–3: Python, данные и математика
Фундамент. Сначала Python до состояния, когда вы пишете функции и классы не подглядывая: синтаксис, списки и словари, ООП. Параллельно идут NumPy и Pandas для работы с массивами и таблицами, базовый SQL для выгрузки данных и Git для версионирования. К этому добавляйте математику порциями под практику: линейная алгебра (векторы, матрицы), теория вероятностей и описательная статистика. Не пытайтесь выучить всю вышку, берите ровно те разделы, которые встречаются в ML.
Месяцы 4–6: классический ML и первый проект
Подключаете Scikit-learn и проходите классические алгоритмы: линейные модели, деревья решений, ансамбли и бустинги (CatBoost, XGBoost, LightGBM). Ключевая тема квартала — метрики. Учитесь выбирать ROC-AUC, precision, recall и F1 под конкретную задачу, а для регрессии — MAE, RMSE и MAPE. К концу этого этапа соберите первый сквозной проект: данные, очистка, признаки, обучение, оценка качества. Лучшая площадка для тренировки — Kaggle с открытыми датасетами.
Подсказка по практике. Один доведённый до конца проект ценнее десяти ноутбуков с обучением модели «в стол». Работодатель смотрит, умеете ли вы пройти весь цикл, а не только вызвать
model.fit().
Месяцы 7–9: глубокое обучение и специализация
Переходите на PyTorch и нейросети: полносвязные сети, свёрточные (CNN) для изображений, рекуррентные и трансформеры для текста и последовательностей. Здесь же определяйтесь с направлением — компьютерное зрение, обработка языка или табличные данные в продакшене. За квартал стоит собрать два-три более сложных проекта, которые станут ядром портфолио. Это самый насыщенный этап: теории много, и именно тут отсеиваются те, кто пропустил математику в первом квартале.
Месяцы 10–12: MLOps, портфолио и отклики
Финальный рывок добавляет к науке инженерию. Освойте Docker, заверните одну из своих моделей в сервис на FastAPI и разверните его, чтобы он отдавал предсказания по HTTP. Подключите отслеживание экспериментов (MLflow) и приведите код в порядок: чистый репозиторий, README, понятная структура. Параллельно оформляйте GitHub-портфолио, обновляйте резюме под вакансии junior ML и начинайте откликаться. Собеседования сами по себе тренажёр, так что не ждите идеальной готовности.
Про окупаемость входа. Реалистичный горизонт «с нуля до стабильного junior-оффера» — 12–18 месяцев. Первые полгода в профессии часто уходят на то, чтобы дорасти до middle-задач, и уже там доход выходит на медианные по рынку цифры.
Нужно ли профильное образование и что сдавать
Прямой школьной специальности «ML-инженер» не существует — в профессию приходят либо через профильный вуз, либо из соседней IT-роли, либо с курсов. Поэтому единого набора ЕГЭ «на ML-инженера» нет. Ниже честная картина по всем трём путям.
Через вуз после 11 класса
Ближе всего к профессии направления 01.03.02 «Прикладная математика и информатика», 09.03.01 «Информатика и вычислительная техника» и 02.03.01 «Математика и компьютерные науки». Типичный набор ЕГЭ на них — русский язык и профильная математика как обязательные плюс информатика или физика третьим предметом. Конкретный третий предмет варьируется от вуза к вузу, поэтому набор всегда проверяйте на сайте приёмной комиссии. Бакалавриат занимает 4 года и даёт сильную математическую базу, но сам по себе ML-инженером не делает — практический стек всё равно добираете отдельно.
После 9 класса через колледж
Прямого колледжа «на ML-инженера» нет. Можно зайти на смежную 09.02.07 «Информационные системы и программирование» — поступление по конкурсу аттестатов без профильных ЕГЭ, срок около 3 лет 10 месяцев. Это база по программированию, с которой потом проще учить машинное обучение, а не готовая профессия.
Без ЕГЭ — курсы и переподготовка
Для взрослых это основной путь. Онлайн-курсы и программы переподготовки экзаменов не требуют: берут с любым образованием, учат сразу прикладному стеку и проверяют проекты. Срок — от нескольких месяцев до полутора лет в зависимости от стартового уровня. Подобрать программу под бюджет и темп можно в подборке курсов по машинному обучению.
| Путь | Что нужно | Срок | Что на выходе |
|---|---|---|---|
| После 11 — вуз | Русский + профматематика + информатика/физика | 4 года | Диплом, сильная теория |
| После 9 — колледж | Конкурс аттестатов, без ЕГЭ | ≈3 г 10 мес | База по программированию |
| Без ЕГЭ — курсы | Любое образование, мотивация | от 6 мес | Стек и портфолио |
В каких индустриях работают ML-инженеры
Спрос на машинное обучение есть почти везде, где много данных. Это расширяет выбор первой работы: джуну необязательно метить сразу в big tech.
| Индустрия | Типовые задачи | Чего ждут от джуна |
|---|---|---|
| Финтех и банки | Скоринг, антифрод, прогноз оттока | Classic ML, метрики, аккуратность с данными |
| E-commerce и ритейл | Рекомендации, спрос, ценообразование | Работа с табличными данными, A/B-логика |
| Big tech (Яндекс, Сбер, VK) | Поиск, реклама, голосовые сервисы | Сильная база, алгоритмы, готовность к нагрузке |
| Промышленность и AI-стартапы | Компьютерное зрение, предиктивное обслуживание | Deep learning, один доведённый pet-проект |
| Медицина и биотех | Анализ снимков, обработка данных пациентов | Внимательность к качеству и валидации |
Джуну проще всего стартовать там, где задачи на табличных данных: в финтехе и ритейле. Порог входа в компьютерное зрение и языковые модели выше, туда логичнее целиться со второго-третьего проекта.
Плюсы и минусы профессии
Прежде чем вкладывать год в обучение, полезно увидеть обе стороны без прикрас.
Плюсы:
- Высокий доход. Медиана по рынку около 226 тысяч ₽, у senior — за 400.
- Дефицит специалистов. Вакансий middle и senior стабильно больше, чем сильных кандидатов.
- Интересные задачи. Каждый проект — новая предметная область и данные.
- Гибкий формат. Много удалённых вакансий и возможностей для релокации.
- Растущий рынок. Машинное обучение проникает в новые отрасли, спрос идёт вверх.
Минусы:
- Высокий порог входа. Без математики и Python в профессию не зайти.
- Долгий старт. Путь до первого оффера занимает 12–18 месяцев, и это нормальный срок для входа с нуля.
- Мало junior-вакансий. Рынок чаще ищет middle, и джуну нужно реальное портфолио.
- Стек быстро меняется. Учиться придётся постоянно, а не один раз.
- Ответственность за прод. Сломавшаяся в бою модель — это уже не учебная задача.
Профессия подходит тем, кому интересно копаться в данных и кто спокойно переносит долгие отрезки без видимого результата. Если хочется быстрый вход и мгновенную отдачу, стоит присмотреться к ролям с меньшим математическим порогом.
Что должен уметь ML-инженер
Программирование и работа с данными
Ядро — уверенный Python и библиотеки NumPy, Pandas, Scikit-learn. Сюда же SQL для выгрузки данных из боевых баз и Git для командной работы. На junior-собеседовании ждут чистого кода и понимания, что вы делаете, а не магических однострочников.
Математика и классический ML
Линейная алгебра, теория вероятностей и статистика — без них модели остаются чёрным ящиком. На прикладном уровне нужно понимать алгоритмы (деревья, ансамбли, бустинги), уметь бороться с переобучением и осознанно выбирать метрику под задачу. В скоринге или медицинской диагностике цена ошибки первого и второго рода разная, и это решение принимает инженер.
Deep learning и инженерия (MLOps)
Дальше идут нейросети на PyTorch и понимание архитектур — CNN, RNN, трансформеры. Но именно инженерная часть отличает ML-инженера от исследователя: контейнеризация в Docker, оформление модели как сервиса, базовый CI/CD и отслеживание экспериментов. Эти навыки пересекаются с работой дата-инженера, и их полезно знать хотя бы на уровне «могу развернуть свою модель сам».
КурсыСравнение 129 курсов по машинному обучениюЦены, школы, длительность, рассрочка
Какой софт и инструменты учить
Список выглядит длинным, но осваивается он по слоям — ровно в порядке roadmap. Гнаться за всем сразу не нужно.
| Инструмент | Зачем | Когда учить |
|---|---|---|
| Python | Основной язык ML | Месяцы 1–2 |
| NumPy, Pandas | Массивы и таблицы данных | Месяцы 2–3 |
| SQL, Git | Данные и версионирование | Месяцы 2–3 |
| Scikit-learn | Классические модели и метрики | Месяцы 4–6 |
| PyTorch | Нейросети и deep learning | Месяцы 7–9 |
| Docker, FastAPI | Деплой модели в прод | Месяцы 10–12 |
| MLflow, Kaggle | Эксперименты и практика | Сквозь весь путь |
Стратегически опорная связка — Python плюс PyTorch плюс Docker. Это минимальный набор, по которому видно, что вы умеете не только обучить модель, но и отдать её в работу. Если Python пока в новинку, имеет смысл сначала закрыть его отдельно — например, по плану из материала как стать Python-разработчиком, а потом наслаивать ML.
Четыре формата обучения
Способ входа выбирают по стартовому уровню, бюджету и тому, сколько времени готовы вкладывать самостоятельно.
| Формат | Цена | Срок | Кому подходит |
|---|---|---|---|
| Самоучка | 0–15 000 ₽ | от 12 мес | Дисциплинированным с математикой в анамнезе |
| Онлайн-курс | 90–150 тыс ₽ | 6–14 мес | Тем, кому нужны структура и проверка проектов |
| Колледж | бюджет/платно | ≈4 года | После 9 класса, как база по программированию |
| Вуз | бюджет/платно | 4 года | Тем, кто хочет глубокую теорию и науку |
Для большинства взрослых рабочий вариант — онлайн-курс с практикой плюс самостоятельные проекты. Курс даёт каркас и обратную связь, а собственные проекты на Kaggle и GitHub превращают знания в портфолио. Сравнить программы по цене, длительности и наличию стажировок удобно в каталоге курсов.
Портфолио ML-инженера: что ждут работодатели
Для junior портфолио важнее диплома. Важны завершённость и инженерная аккуратность, а число проектов вторично.
- Два-три сквозных проекта от анализа данных до развёрнутого прототипа, а не голые ноутбуки.
- Чистый репозиторий на GitHub: README, понятная структура, воспроизводимый запуск.
- Хотя бы один проект с деплоем модели в виде сервиса — это сразу выделяет среди новичков.
- По каждому проекту — внятный рассказ: какая была гипотеза, какую метрику выбрали и почему, на чём споткнулись.
- Разнообразие задач: табличные данные плюс одно направление вглубь (зрение или текст).
Частая ошибка — складывать в портфолио учебные задания с курса один в один. Рекрутер видел их сотни раз. Сильнее работает проект на данных, которые вы взяли и подготовили сами.
Где искать первую работу
Площадки по убыванию отдачи для джуна:
- hh.ru — основной поток вакансий junior ML и ML-инженер, фильтр по уровню работает.
- Telegram-каналы с IT-вакансиями и ods.ai — там часто оседают позиции, которых нет на job-бордах.
- Стажировки в крупных компаниях (Яндекс, Сбер, VK, Т-Банк) — реальный шанс зайти джуном.
- Kaggle и соревнования — не работа напрямую, но видимость и строчка в резюме.
- Карьерные центры школ — выпускникам курсов помогают с первыми откликами.
По опыту рынка путь от первых откликов до оффера у джуна — это десятки заявок и несколько технических собеседований. Это нормальный сценарий. Каждое собеседование заодно показывает, какую тему стоит подтянуть.
Сколько зарабатывает ML-инженер
В машинном обучении доход растёт быстро и заметно зависит от грейда. Общая вилка по рынку в 2026 году — от 70 тысяч у джуна до 400–500 тысяч ₽ у senior, медиана около 226 тысяч.
По грейдам это выглядит так: junior (до 2 лет опыта) — 70–130 тысяч ₽, middle — 200–250 тысяч, нередко до 350, senior — 350–500 тысяч и выше в сильных командах. В Москве и финтехе цифры выше, в регионах ниже, но удалёнка сглаживает разрыв.
Карьерная лестница короткая и быстрая: из junior в middle обычно вырастают за 1,5–2 года активной работы, дальше — senior, ML-lead или уход в research. Доход на каждой ступени ощутимо прибавляет, и это одна из причин, почему высокий порог входа окупается.
10 ошибок новичков
- Прыгать сразу в нейросети. Кажется, что вот оно, самое интересное. Без Python и классического ML фундамент проседает, и deep learning превращается в копирование чужого кода. Идите по слоям.
- Учить всю математику подряд. Из страха «вдруг пригодится» новички уходят в матан на полгода. В ML нужны конкретные разделы, берите их под практику.
- Выбирать метрику наугад. Accuracy на несбалансированных данных врёт. Не разобравшись в precision, recall и стоимости ошибок, вы строите модель, которая «работает» только на бумаге.
- Останавливаться на ноутбуке. Модель в Jupyter — это половина дела. Без деплоя работодатель не видит инженера. Доводите хотя бы один проект до сервиса.
- Гнаться за медалями Kaggle. Соревнования полезны, но place-hunting ради рейтинга подменяет сквозные проекты, которые и оценивают на собесе.
- Игнорировать инженерию. Git, Docker, чистый код кажутся скучными рядом с моделями. Именно их проверяют первым делом, потому что прод держится на них.
- Копить сертификаты. Десять пройденных курсов без проектов слабее одного завершённого проекта. Сертификат не показывает, что вы умеете.
- Путать роли. ML-инженер и дата-сайентист учат разное. Решите, куда идёте, чтобы не распыляться на чужой стек.
- Пропускать SQL и данные. Реальные данные грязные и лежат в базах. Без умения их достать и почистить модель не из чего строить.
- Идти на собес без разбора своих проектов. Вопрос «почему выбрали эту метрику» топит чаще, чем сложная теория. Уметь защитить своё портфолио важнее, чем знать все алгоритмы.
Где учиться на ML-инженера
Ниже — актуальная подборка курсов по машинному обучению с ценами, длительностью и форматом. Сравните программы по стоимости и наличию проверки проектов, прежде чем выбрать.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Machine Learning с нуля до Junior Перейти на сайт курса |  Skillbox | 123 451 ₽ | 4384 ₽/мес. | 9 месяцев | Обзор курса |
| Бакалавриат «Data Science & Machine Learning» Перейти на сайт курса | Skillbox | 150 000 ₽ | 155 500 ₽/мес. | 48 месяцев | Обзор курса |
| Машинное обучение Перейти на сайт курса |  Нетология | 44 700 ₽ | 2598 ₽/мес. | 10 месяцев | Обзор курса |
| Онлайн-магистратура МИФИ "Машинное обучение" Перейти на сайт курса |  SkillFactory | 230 000 ₽ | 230 ₽/мес. | 24 месяца | Обзор курса |
| Machine Learning Engineer с нуля Перейти на сайт курса | Skillbox | 69 000 ₽ | 5750 ₽/мес. | 9 месяцев | Обзор курса |
| Machine Learning. Продвинутый уровень Перейти на сайт курса |  OTUS | 65 000 ₽ | 8000 ₽/мес. | 5 месяцев | Обзор курса |
| Machine Learning. Basic Перейти на сайт курса | OTUS | 60 000 ₽ | 8613 ₽/мес. | 6 месяцев | Обзор курса |
| Machine learning Перейти на сайт курса |  TeachMeSkills | 130 000 ₽ | 187 222 ₽/мес. | 8 месяцев | Обзор курса |
| Аналитика данных и машинное обучение с нейросетями Перейти на сайт курса |  Академия ТОП | Бесплатно | 4040 ₽/мес. | 12 месяцев | Обзор курса |
| Machine learning. Углублённый уровень Перейти на сайт курса | OTUS | 70 000 ₽ | 8500 ₽/мес. | 5 месяцев | Обзор курса |
Больше программ — в полном каталоге курсов по машинному обучению
Главное о том, как стать ML-инженером в 2026
Вход в профессию занимает 12–16 месяцев с нуля и проходит по понятной траектории: Python и данные → математика → классический ML → deep learning → инженерия и деплой. Профильный диплом не обязателен, но математику обойти не выйдет — это и есть главный фильтр. Решают два-три доведённых до прода проекта и умение их защитить, а число пройденных курсов вторично.
Реалистичный сценарий: год дисциплинированного обучения по 1,5–2 часа в день, junior-оффер на 70–130 тысяч, рост до middle за следующие полтора-два года и медианные по рынку деньги уже там. Порог входа высокий, но и отдача быстрая — в этом весь баланс профессии. Любопытно, насколько ИИ потеснит саму роль в ближайшие годы? Мы разобрали это в отдельном прогнозе по автоматизации профессии ML-инженера.
