Менторство по Machine Learning и продуктовой аналитике

Q: Зачем мне ментор? Я могу сам справиться?

Есть люди, которые могут самостоятельно разобраться, обучиться и устроиться — я сам был таким и искал первую работу без ментора. На пути от студента до синьера я споткнулся о много камней и набил шишек. Я вижу, что при ином подходе можно было бы в несколько раз быстрее достичь текущих результатов. Моя задача — отсечь тупиковые/длинные пути становления ML‑инженером, опираясь на накопленный опыт работы ML-щиком, проведения и прохождения собеседований, а также менторства.

Q: Это инфоцыганство?

Ни один ментор не гарантирует 100% устройство, иначе это инфоцыганство. Корректно говорить, что с нами есть более высокая вероятность устроиться, чем без ментора — мы с командой предоставляем все условия. Немалая доля результата (~60-80%) зависит только от тебя: свои знания, даже при желании, никто не способен напрямую вложить в другую голову. При налаженном расписании и мотивации мы будем верно проделывать путь к долгожданному офферу.

Q: Нужен ли опыт в программировании?

Нет, но базовые знания Python ускорят процесс. Вместе определяем стартовую точку и строим план под твой уровень — с нуля или с опытом. Главное — желание двигаться вперёд.

Q: Я с нуля — это плохо?

Если ты не боишься по‑настоящему работать — вместе разберемся, с чего начать, и пройдемся по шагам. Иметь бэкграунд не обязательно, но ты должен чётко отдавать себе отчёт в том, с чем придётся работать, и быть готовым пахать и вкладываться. Чтобы оценить объём, посмотри роадмап по ML на 2026 год: видео на YouTube (https://www.youtube.com/watch?v=8W6iI_kTi34) и статья на Хабре (https://habr.com/ru/articles/1082610/).

Q: Насколько сложно изучить ML?

Не секрет — будет нелегко. Однако мои ученики регулярно показывают, что даже с нуля, без релевантного опыта и технического образования реально устроиться на позиции от Junior до Senior ML/MLOps-инженеров: это подтверждают 20+ офферов, полученных за 2025-2026 год. Одна из положительных сторон области ML — порог входа: из-за требований знать основы математики, алгоритмы ML и программирование на Python. В награду за старания ты получаешь профессию, которая 1) востребована на рынке, 2) наиболее сложна в замене искусственным интеллектом (ведь мы и пилим этот самый ИИ), 3) имеет одни из самых высоких зарплат по IT-сектору

Q: Сколько времени занимает устройство?

Обычно — до 6–7 месяцев (с нуля), до 3–4 месяцев (с IT-бэкграундом). При серьёзном подходе, готовности работать и налаженном расписании ты попадаешь в этот диапазон.

Q: Ты преподаешь один или у тебя есть помощники?

На платформе есть кураторы, которые помогают с поддержанием материала в свежем состоянии, а также ведут некоторых учеников на этапах, где изучается начальный материал по Python, Classic ML, DL и т.д. Мои кураторы — квалифицированные ML-щики из ИТМО и Сбера с магистерским и PhD профильным образованием. Если ты попадаешь к помощнику, это вовсе не означает, что тебя бросают на произвол судьбы, "спихивают" на куратора: У нас как минимум 4 созвона в неделю: 3 групповых и один 1-на-1, где ты можешь общаться не только с помощником, мной и всеми учениками: как с теми, кто только начинает, до тех, кто уже активно штурмует рынки СНГ и зарубежья или уже успешно работает ML-инженером.

Q: Как проходит обучение?

Ты получаешь доступ к платформе со всем материалом, тг-чатам, GitHub-репозиторию. Регулярно встречаемся на созвонах, согласовываем понедельный план, даём обратную связь, отвечаем на вопросы и проверяем практику. Интерактивное взаимодействие с платформой и сообществом, регулярные групповые и 1-на-1 созвоны для максимально эффективного использования времени и ресурсов. Всё в едином месте — ты осязаешь свой прогресс и знаешь, сколько времени остаётся до конечной цели.

Q: Что включает вводный созвон?

30 минут, совершенно бесплатно. Разбираем твои цели, текущий уровень, временны́е рамки и формат работы. Получишь конкретный план действий независимо от того, продолжишь ли работать со мной.

Q: Почему процент от оффера?

Ты не только приобретаешь услугу, доступ к богатой базе материалов и сообществу, но и получаешь гарантию результата — полную сумму выплачиваешь только с офферами на руках и при прохождении испытательного срока.

Ян ШмидтSenior ML EngineerBritish Petroleum · VisionLabs · Skoltech

Аннотация. Маршрут под ваш уровень, платформа с материалами и практикой, мок-собеседования и полное сопровождение. Два трека: ML-инженер — основной — и продуктовый аналитик с основами ML.

Ключевые результаты в ML. 5 мес — средний срок до оффера; 330 000 ₽ — средний оффер, до налога; 15 000 $ / 12 250 € — максимальные офферы, до налога; 70+ — учеников за последние 2 года; 15+ — купили доступ к платформе за последние месяцы^*.

Записаться на вводный созвон бесплатно Telegram

Созвон 30 минут: разберём цели и текущий уровень, составим план.
Даже если не решимся сотрудничать — дам конкретные рекомендации по материалу и шагам.

Стартовые цены на доступ к платформе скоро закончатся →

Самый крупный оффер: ментор Ян Шмидт, Machine Learning / Data Science, 12 275 €/мес — Мой ученик получил самый большой оффер за сентябрь во всём сообществе ОМ — **12 275 €/мес**. Пост в сообществе ↗

§1Обо мне

Практикующий ML-инженер

Ментор

Ян Шмидт

Senior ML Engineer

Цифровой профиль

@solyianka

Телеграм-канал. Об ML и жизни

↗

@schmidtml

YouTube канал. Видео по ML и карьере

Опыт работы

Senior ML Engineer

Более 5 лет опыта в роли MLE/DS в реальных продуктах — British Petroleum, VisionLabs. Research-проекты в Skoltech. Знаю, как устроены процессы и собесы изнутри.

Специализация

От Classic ML до NLP

Работал в разных ML-областях. Понимаю, какой стек нужен сегодня.

Python NLP LLM Agents RAG Classic ML Deep Learning CV MLOps RecSys Time Series

Формат работы

Созвоны каждую неделю

Один на один и групповые встречи — со мной и кураторами. Между созвонами — платформа с материалами, практикой и трекингом прогресса. Целишься в зарубежные вакансии — предоставим преподавателя английского с упором в ML и IT.

Команда

Ментор, кураторы и аналитик

Рынок, резюме, легенду, итоговые моки и разбор всех реальных собеседований веду я сам. Кураторы — действующие ML-инженеры: ведут часть теории, принимают практику и проводят часть моков. Трек продуктовой аналитики ведёт продуктовый аналитик с опытом в высокотехнологичном ритейле (RetailTech), ML-часть для аналитиков — на мне.

§2Услуги

Что предлагаю

Основной формат — сопровождение до оффера в ML или продуктовую аналитику. Если нужна точечная помощь, её можно взять отдельно.

Основной формат

Доведение до оффера

Полный путь от текущего уровня до оффера: вход с нуля, повышение грейда, увеличение зарплаты. Два трека — ML-инженер и продуктовый аналитик.

5 мес: средний срок до оффера в ML
Каждую неделю: созвоны 1:1 и групповые — с ментором и кураторами

Записаться на вводный созвон Как считается стоимость →

Что входит

Диагностика и индивидуальный план
Теория, практические задания и проекты
Составление резюме и легенды
Мок-собесы после разделов и подготовка к интервью
Детальная обратная связь на каждом этапе
Сопровождение на испытательном сроке

Как устроена работа по этапам →

Второй трек Продуктовая аналитика с основами ML

SQL, статистика, A/B-тесты, продуктовые метрики, исследования и BI. Трек ведёт продуктовый аналитик с опытом в высокотехнологичном ритейле (RetailTech), а Classic ML для аналитиков даю я — это выделяет аналитика на рынке. Условия — как в ML-треке.

Стоимость →

10 000 ₽/час

Разовые консультации

Точечная помощь без долгосрочных обязательств.

Мок-собеседования
Составление резюме и легенды
Консультации по ML, аналитике и карьере

Написать в Telegram

параллельный трек

IT-английский

Для тех, кто целится в зарубежные вакансии и интервью на английском.

Преподаватель СПбГУ с международными сертификатами
5+ лет с разработчиками и DS-специалистами
Подготовка к интервью на английском

Узнать условия

2.1ML или аналитика

ML глубже и дольше, аналитика быстрее, но теснее

Сравнил два трека по двенадцати параметрам: что придётся учить, сколько идти до оффера и что ждёт на рынке. Площадь сектора пропорциональна оценке — чем больше роза, тем больше вложений требует направление. Учебный план ML рассчитан на 46 недель, аналитики — на 19: до оффера в аналитике выходит на несколько месяцев быстрее, но и конкуренция там выше.

Площадь розы · сумма оценок

ML-инженер49 / 60

Продуктовый аналитик41 / 60

Розы почти не пересекаются по форме: ML забирает математику, Deep Learning и время, аналитика — SQL, продукт и людей. Сумма — грубая мера, параметры разной природы, поэтому смотри на форму, а не только на число.

Роза направлений: площадь сектора пропорциональна оценке 1–5

Оценки — экспертное мнение ментора. Шкала 1–5: для знаний 1 — почти не нужно, 5 — ключевое; для времени до оффера 1 — быстро, 5 — долго; для порога входа, конкуренции и сложности работы 1 — низкая, 5 — высокая.
Параметр	ML	Аналитика
Что нужно знать и уметь · 1 — почти не нужно, 5 — ключевое
01Линейная алгебра	5	1
02Deep Learning	5	1
03Классический ML	5	2
04Python	5	3
05Теорвер и матстат	4	5
06SQL	3	5
07Продуктовое мышление и бизнес	2	5
08Коммуникации со стейкхолдерами	3	5
Путь и рынок · 1 — быстро или низкая, 5 — долго или высокая
09Конкуренция на рынке	3	5
10Сложность работы	4	3
11Время до оффера	5	3
12Сложность устройства (порог входа)	5	3

2.2Как устроена работа

Путь от диагностики
до испытательного срока

Четыре этапа подряд, каждый опирается на предыдущий. Платформа идёт сквозь весь путь — на ней лежат материалы, практика и прогресс.

1

Диагностика и роадмап

Разбираем текущий уровень и цель, собираем план под направление: NLP, CV, RecSys, MLOps или продуктовая аналитика.
2

Учёба и практика

Теория, задания с автопроверкой и еженедельные созвоны с кураторами. Между встречами — самостоятельная работа на платформе.
3

Выход на рынок

Резюме и легенда, мок-собеседования с разбором ошибок, подготовка к интервью — при необходимости на английском. Итоговые моки и разбор реальных собесов — со мной.
4

Оффер и испытательный срок

Сопровождение не заканчивается на оффере: помогаю закрепиться на новом месте и пройти испытательный срок.

Сквозь весь путь Платформа с материалами, практикой и трекингом прогресса

1390+ вопросов по ML и отдельный раздел по продуктовой аналитике, задания с автопроверкой, интервальное повторение и AI-ассистент — доступ открыт с первого дня и остаётся после оффера.

Что внутри платформы →

Таблица 1Офферы

Мои ученики получают офферы в топовые компании и бигтехи по всему миру

У компаний со значком ⤢ сохранён скриншот оффера — он открывается по клику.

15 000 $ максимальный оффер ученика, в месяц до налога

§3Платформа

Рабочая среда
ML-инженера и продуктового аналитика

Материал собран вокруг всего, что реально звучит на технических собеседованиях и/или встречается в повседневной работе. Каждый вопрос разобран дважды: формально — с определениями, выводами и формулами, и "на пальцах" — с примерами и разбором частых ошибок. Теория, практика, повторение, AI-ассистент и трекинг прогресса живут в одном контуре.

1390+

авторских вопросов
в 60+ разделах

1 000 000+

слов авторского текста —
это ~3800 книжных страниц

1300+

схем и анимаций,
нарисованных под материал

22 000+

формул —
с полными выводами

440+

вопросов в треке аналитика — A/B, метрики,
BI, SQL, статистика, Python, Classic ML

110+

задач с автопроверкой: A/B-тесты,
SQL, pandas, Python, статистика

210+

вопросов с собеседований: аналитика,
Python, математика, Classic ML, HR

недель в плане аналитика —
с 3 мок-собесами

Обзор платформы

3.1Как устроен материал

Анатомия одного вопроса

Проще один раз показать, чем описывать словами. Справа — вопрос «Механизм внимания» из раздела Deep Learning ровно в том виде, в каком он открывается на платформе: сокращён только текст блоков. Кнопка EN переключает его на английскую версию — она есть у каждого вопроса.

Так устроен каждый вопрос

Такая структура зашита в редакционный регламент платформы.

Определение 1400+

Объяснение 2400+

Пример 1600+

Частая ошибка 1550+

Упражнение 240+

Теорминимум 760+

Шести типов выше — 8000+. Всего обучающих блоков 10 000+: сверху идут замечания и сравнения. Отдельно — 430+ таблиц, 760+ блоков кода и 780+ ссылок на первоисточники, включая 100+ отсылок к arXiv.

Вопрос «Механизм внимания» в том виде, в каком он открывается на платформе

Deep Learning · Блок 5

Механизм внимания (Attention)
Определение

Attention (механизм внимания) — способ на каждом шаге выделять и взвешивать наиболее важные части входа. Для текста это слова и связи между ними, для изображений — релевантные области.

Если совсем простыми словами: читая фразу «он положил телефон на стол, потому что он был разряжен», вы мгновенно понимаете, что второе «он» — про телефон, а не про стол. Вы не перечитываете предложение с начала — вы смотрите прямо на нужное слово. Attention даёт сети ровно эту способность: для каждого слова решить, на какие другие слова смотреть и насколько внимательно.

Пример

Визуализация механизма внимания: линии соединяют слова, а их яркость показывает, насколько сильно одно слово «смотрит» на другое.
Почему появился
- RNN/LSTM/GRU хуже работают с очень дальними зависимостями
- Рекуррентные модели плохо параллелятся
- Attention даёт прямой доступ к нужным частям последовательности
Определение

Классический attention строится на матрицах $Q$ (queries), $K$ (keys), $V$ (values). Для входа $X^{n\times d}$: $$ Q=XW_q,\quad K=XW_k,\quad V=XW_v $$ Формула scaled dot-product attention: $$ \text{Attention}(Q,K,V)=\mathrm{softmax}\!\left(\frac{QK^\top}{\sqrt{d_k}}\right)V $$
Аналогия: поиск по каталогу

Тройка $Q$, $K$, $V$ — самое непривычное место, и разбирается она аналогией с библиотечным поиском.
- Query (запрос) — то, что вы ищете: «книги по машинному обучению».
- Key (ключ) — то, чем каждая книга себя описывает: название на корешке.
- Value (значение) — само содержимое книги, то, что вы получите, если её выберете.
Частые заблуждения
- «Веса внимания — это объяснение решения модели». Соблазнительно, но неверно: высокий вес показывает, откуда взялась информация в конкретном слое, а не почему модель выдала итоговый ответ. Есть работы, показывающие, что можно заметно изменить веса внимания, не изменив предсказание.
- «Attention заменяет собой всё». Нет: механизм внимания сам по себе — линейная операция смешивания. Без feed-forward-подслоёв, нормализации и остаточных связей трансформер не работает.
Теоретический минимум
1. Что такое механизм внимания и зачем он появился?
  
  Способ на каждом шаге взвешивать части входа по релевантности. Он появился как ответ на бутылочное горлышко seq2seq — попытку сжать всё предложение в один вектор — и на слабую параллелизуемость RNN.
2. Что означают $Q$, $K$ и $V$?
  
  Query — что мы ищем, key — чем каждая позиция себя описывает, value — что она отдаёт при совпадении. Выход — взвешенная сумма values, где веса определяются похожестью query на keys.
3. Почему $K$ и $V$ вычисляются разными матрицами из одного входа?
  
  Потому что «по чему искать» и «что взять» — разные роли. Слово может быть удобным ориентиром для поиска, но полезная информация в нём хранится в другом виде; разделение проекций позволяет выучить обе роли независимо.
…и ещё 4 вопроса для самопроверки.

Attention Mechanism
Definition

Attention is a way to highlight and weight the most important parts of the input at each step. For text, these are words and the relationships between them; for images, relevant regions.

In plain terms: reading the sentence "he put the phone on the table because it was dead", you instantly understand that "it" refers to the phone, not the table. You don't reread the sentence from the start — you look straight at the right word. Attention gives a network exactly this ability: for each word, decide which other words to look at and how closely.

Example

A visualization of the attention mechanism: lines connect words, and their brightness shows how strongly one word 'looks at' another.
Why it appeared
- RNN/LSTM/GRU handle very long-range dependencies poorly
- Recurrent models parallelize poorly
- Attention gives direct access to the relevant parts of the sequence
Definition

Classic attention is built on the matrices $Q$ (queries), $K$ (keys), and $V$ (values). For an input $X^{n\times d}$: $$ Q=XW_q,\quad K=XW_k,\quad V=XW_v $$ The scaled dot-product attention formula: $$ \text{Attention}(Q,K,V)=\mathrm{softmax}\!\left(\frac{QK^\top}{\sqrt{d_k}}\right)V $$
Analogy: searching a catalog

The $Q$, $K$, $V$ triple is the least intuitive part, and it's best understood through a library search analogy.
- Query — what you're looking for: "books on machine learning".
- Key — how each book describes itself: the title on the spine.
- Value — the book's actual content, what you get if you pick it.
Common misconceptions
- "Attention weights explain the model's decision." Tempting but wrong: a high weight shows where information came from in a particular layer, not why the model produced its final answer. There is work showing that attention weights can be changed substantially without changing the prediction.
- "Attention replaces everything." No: the attention mechanism by itself is a linear mixing operation. Without feed-forward sublayers, normalization, and residual connections a transformer doesn't work.
Theory minimum
1. What is the attention mechanism, and why did it appear?
  
  A way to weight parts of the input by relevance at each step. It appeared as an answer to the seq2seq bottleneck — trying to compress a whole sentence into one vector — and to the poor parallelizability of RNNs.
2. What do $Q$, $K$, and $V$ mean?
  
  Query — what we are looking for; key — how each position describes itself; value — what it gives back on a match. The output is a weighted sum of values, where the weights are determined by how similar the query is to the keys.
3. Why are $K$ and $V$ computed with different matrices from the same input?
  
  Because "what to search by" and "what to take" are different roles. A word can be a convenient landmark for search, while the useful information in it is stored in a different form; separate projections let the model learn both roles independently.
…and 4 more self-check questions.

Средний вопрос в разделах ML, Python и математики — 1000–1400 слов. Это полноценная статья с выводом формул и разбором ошибок. И все 1390+ вопросов связаны между собой 2100+ перекрёстными ссылками.

3.2Что внутри

Карта контента

От первой строчки на Python до MoE и inference-оптимизации — и отдельный трек продуктовой аналитики. Длина полосы — объём направления. Отдельно — банк вопросов с реальных собеседований.

База

~270+

Python · Математика · Git · Linux

NLP и LLM

~180+

Основы · Оптимизация инференса · ИИ-агенты · Архитектуры · Advanced · RAG

Machine Learning

~160+

Classic ML · Deep Learning · RecSys · Time Series · Архитектуры DL

Практика

~130+

Задания с автопроверкой по Python, математике, SQL, Redis, Classic ML, NLP, DL, CV, A/B-тестам и продуктовым метрикам

MLOps

~100+

Docker · Инфраструктура и БД · Трекинг · Мониторинг · Kafka · Kubernetes

Продуктовая аналитика

~85+

A/B-тесты I и II · Продуктовые метрики · Логирование · Исследования · BI и дашборды · Сплит-системы · pandas · DWH и ClickHouse

Computer Vision

~70+

Deep Learning CV · Classic CV · Архитектуры CV

Базы данных

~30+

PostgreSQL · SQL для фичей · Redis · Кэширование и TTL

Отдельный контур

Банк собеседований

~2000+

NLP · Deep Learning · Classic ML · HR · MLOps · Математика · Python · CV · RecSys · Продуктовая аналитика

Банк — это вопросы, которые реально звучали на собеседованиях, с готовым ответом и разбором того, что за вопросом проверяют.

Плюс блок про выход на рынок

Резюме и легенда, System Design, алгоритмические задачи, LinkedIn и HH, испытательный срок, ИП и самозанятость.

60+ разделов 46 недель маршрута ML 19 недель маршрута аналитика 10+ мок-собесов по вехам 5 треков специализации ML: NLP, Classic ML, CV, RecSys, MLOps + трек продуктовой аналитики

3.3Возможности

Инструменты вокруг материала

Платформа берёт на себя то, что обычно съедает больше времени, чем сама учёба: подбирает, что повторить, проверяет код и отвечает на вопросы по материалу.

Python прямо в браузере

540+ блоков Python запускаются кнопкой — без установки, окружений и conda. Код можно менять на месте и смотреть, что получится.

IDE с автопроверкой

Задания прогоняются реальными тестами на сервере. Если тест упал — видно, на каком именно кейсе.

AI-ассистент со ссылками на источники

Спрашиваешь по конкретному вопросу или выделяешь непонятный абзац — ответ приходит потоком и ссылается на материалы платформы, так что его можно проверить.

Интервальное повторение

4600+ карточек из теорминимумов. Интервалы подстраиваются под то, что забывается, — к собеседованию знания держатся.

Тесты и стартовая диагностика

Вход в маршрут начинается с оценки текущего уровня по доменам. Дальше 29 тестов после разделов — они проверяют понимание.

Поиск ⌘K и словарь терминов

Одна панель на 1400+ документов и 540+ определений во всплывающих подсказках: незнакомый термин раскрывается по наведению.

Русский и английский — в один клик

Платформа рассчитана и на СНГ, и на зарубежный рынок. Все вопросы, банк собеседований и интерфейс есть на английском: тот же текст, формулы и схемы. Можно с нуля готовиться сразу по-английски — и на интервью не переводить в голове.

3.4Интерфейс

Как работать с платформой

15 шагов за две минуты — от главной до оффера. Нажми на шаг, чтобы перейти к нему в ролике. Шаги с пометкой «только в менторстве» есть только в формате с ментором.

Тур по платформе: 15 шагов

Шаги

3.5Интерфейс

Как это выглядит

27 экранов платформы из аккаунта ученика. Скриншоты кликабельны — можно открыть в полном размере и листать.

Показать 27 экранов платформыСвернуть экраны

Главная

Один рабочий контур вместо десятка вкладок

Блок «Сегодня» с живыми счётчиками: сколько карточек к повторению, сколько задач на доске, есть ли новый фидбек. Рядом единый каталог и переходы в роадмап, учебный план и профиль.

Карта разделов

Весь маршрут на одном экране

Уровни Foundation, Core, Tools и Advanced: от математики и Python до NLP, ML-архитектур и MLOps-стека.

Учебный план

Недели с материалами и нагрузкой

У каждой недели — блоки материалов, плановые часы и статус: «на доске», «закрыто», «ожидает». Сверху — правило первого прохода.

Каталог теории

Разделы с прогрессом по вопросам

Classic ML, Deep Learning, NLP, RecSys, Time Series, CV и ML-архитектуры — у каждого свой счётчик закрытых вопросов.

MLOps

Инженерный стек отдельным разделом

Docker, Kubernetes, Kafka, облака, базы данных, Prometheus и Grafana — сгруппированы по слоям Common, Infra и Monitoring.

Материал

Теория в формате вопросов

Формулы в KaTeX, схемы, выделенные определения и подсказки к терминам. Справа — навигация по вопросам блока с текущей позицией.

Повторение

Карточки по изученным вопросам

Счётчики «к повторению», «новых», «в работе», фильтр по разделам и горячие клавиши: Space — ответ, 1–4 — оценка.

Повторение

Оценка задаёт интервал

«Не помню» вернёт карточку через 10 минут, «Легко» отодвинет дальше по плану. Формулы в ответе рендерятся как в материале.

Практика Python

Код проверяется прямо на сайте

Редактор, точные assert-тесты и разбор каждого кейса: базовый, пустой список, типы. Ачивки за серию дней прилетают тут же.

Тесты

Тесты с таймером и порогом прохождения

У каждого теста — число вопросов, лимит времени, порог 80% и история попыток. Фильтры по статусу и категории: ML, Python, математика, MLOps.

Вопросы с собесов

Банк реальных вопросов

Hard-блок по математике, Python, Classic ML, DL, NLP, CV, RecSys и MLOps плюс soft-блок с HR-вопросами.

Доска задач

Kanban с дедлайнами

Задачи по неделям плана двигаются по колонкам «нужно сделать», «в работе», «на проверке», «готово». Просроченные — отдельным счётчиком.

Тест изнутри

Разбор сразу после ответа

Таймер, прогресс по вопросам и объяснение, почему вариант верный. Баллы считаются на сервере.

Задание

Задача недели с инструкцией

Фаза, плановая нагрузка, ссылки на нужные блоки материалов и текст «что сделать»: цель недели и на чём держать фокус.

Ежедневный отчёт

Три вопроса в конце дня

Что сделал, что планируешь, с чем застрял. Поддерживается markdown, есть кнопка «сегодня выходной». Ментор читает отчёты и отвечает.

Роли в ML

Кто есть кто на рынке

ML Engineer, MLOps, Data Engineer, AI Engineer: зона ответственности и стек каждой роли, чтобы целиться в нужную вакансию.

Работа в компании

Agile и Scrum без сюрпризов

Спринты, роли, церемонии и артефакты — чтобы первый дейлик и ретро не были в новинку.

Собеседования

От поиска вакансий до испытательного срока

Площадки для поиска работы, резюме под ML-позиции, легенда для собеседований, ML System Design и гайд по первым неделям в компании.

Глоссарий

Язык, на котором говорят в команде

Аппрув, канареечный релиз, мердж-реквест, реверт — термины по группам: разработка, коммуникация, тестирование, инфраструктура.

Профиль

Активность и внутренняя валюта

Календарь активности за 26 недель, streak, решённые вопросы и кошелёк с градами — их начисляют за вопросы, тесты, карточки и отчёты.

Достижения

Бронза, серебро, золото

«Первый тест», «Спидран», «Classic ML: гуру», «Глубокое погружение» — каждая ачивка приносит грады и фиксирует дату.

Ассистент

Помощь в один клик из материала

Под каждым вопросом — кнопка «Ассистент»: объяснить проще, дать пример, проверить понимание, соседние темы. Контекст вопроса подхватывается сам.

ML-ассистент

Объяснить проще, не уходя со страницы

Чат открывается поверх материала. На «Как обучить нейронную сеть?» ассистент начинает с интуиции: forward, loss, backward — и только потом формулы.

Ассистент

Диалог со ссылками на источники

История чатов, ответы с формулами в KaTeX и список источников — это материалы платформы, а не случайные ссылки из интернета. Можно попросить ответить очень коротко.

Новости

Релизы почти каждую неделю

Лента обновлений с датами и описанием: какие разделы дополнены, какие вопросы добавлены. За лето — больше 80 записей.

Оформление

Тема и палитра под себя

Светлая для чтения днём, тёмная для вечера и четыре палитры — от нейтрального Graphite до тёплой «бумаги» Sepia.

Лидерборд

Прогресс на фоне других учеников

48 участников и больше 13 тысяч изученных вопросов. Места считаются внутри секции по вопросам, часам, достижениям, тестам и градам — с фильтрами по периоду и категории.

Платформа пишется прямо сейчас

ML-материал имеет свойство протухать, поэтому платформа обновляется постоянно. Всё, что вы купили, продолжает пополняться.

§4Отзывы

Говорят студенты

Отзывы приходят с площадки — они привязаны к аккаунтам учеников и проверены площадкой.

Загружаем отзывы…

§5Стоимость

Прозрачные цены

Доведение до оффера

Для тех, кто хочет дойти до трудоустройства или заметного роста грейда. Условия одинаковые для треков ML и продуктовой аналитики.

Пред- и постоплата — по 4 платежа

Трек

Без коммерч. опыта в ML / аналитике (С нуля)

Предоплата

Постоплата

50% з/п в течение 4 мес

Трек

С коммерч. опытом в ML / аналитике (Повышение грейда)

Предоплата

Постоплата

37.5% з/п в течение 4 мес

Обсудить на вводном созвоне

Предоплата — гарантия для обеих сторон. Основная сумма — только после выхода на работу.

Разовые услуги

Можно взять отдельно, если нужен точечный разбор без полного сопровождения.

Мок-собеседование 10 000 ₽/час

Составление резюме 10 000 ₽/час

Консультация 10 000 ₽/час

Написать про разовую услугу

Самостоятельный формат

Не нужно сопровождение? Можно приобрести только роадмап, материалы и практику.

Посмотреть доступ к платформе →

5.1Скидки

Выгода при быстром результате

Чем быстрее выходишь на оффер, тем меньше платишь — на предоплате и постоплате.

Предоплата

Остаток не платится при раннем оффере

Если устроишься до окончания выплаты предоплаты, оставшаяся сумма остаётся при тебе — ты её не выплачиваешь.

Пример: предоплата 40 000 ₽, оффер на 3-м месяце

1-й мес10 000 ₽

2-й мес10 000 ₽

3-й мес10 000 ₽Оффер

4-й мес10 000 ₽

Заплатил 30 000 ₽ из 40 000 ₽ −10 000 ₽

Постоплата

вплоть до60–70%

Скидка при быстром устройстве

Условия зависят от срока до оффера и выбранного трека.

Приведи друга

−10%

к постоплате тебе и другу

Друг приходит на обучение по твоей рекомендации — скидку 10% получает и он, и ты. Твои скидки суммируются за каждого друга:

1 друг−10% 2 друга−20% 3 друга−30%

Подробности по постоплате нужно обсудить с ментором на вводном созвоне.

5.2Доступ без менторства

Выбери свой
уровень доступа

Готовый роадмап, теория, практика, тесты и AI-ассистент. Две линейки — ML и продуктовая аналитика: выбери базу, профессиональный трек или полный доступ и проходи материалы самостоятельно — без созвонов и сопровождения ментора.

Отдельный продукт

Не нужно
сопровождение?

Основной формат Schmidt ML — персональное менторство до оффера. Но если тебе нужен только проверенный маршрут, материалы и практика, платформу можно приобрести отдельно и проходить полностью самостоятельно.

Флагманский формат

С ментором

Индивидуальный план под ваш уровень
Еженедельные созвоны
Личная обратная связь и проверка заданий
Мок-собеседования с разбором
Сопровождение до оффера и на испытательном сроке

Стоимость менторства →

Самостоятельный формат

Только платформа

Готовый ML-роадмап на 46 недель или маршрут продуктового аналитика
Материалы, практика и тесты
AI-ассистент по материалам
Трекинг прогресса
Доступ навсегда, оплата один раз

Тарифы платформы →

Старт продаж Специальные цены первым 30 покупателям осталось < 50% мест

Тарифы платформы: Machine Learning

База для старта

Старт

Чтобы освоить фундамент ML, попробовать формат и понять, куда развиваться дальше.

4 990 ₽ 2 990 ₽ доступ навсегда, оплата один раз

Python и математика
Git, Linux, SQL (PostgreSQL) и Classic ML
Практические задания по этим разделам
Интерактивный роадмап
AI-ассистент
Трекинг прогресса

Написать про тариф «Старт»

Оптимальный выбор

Профессиональный трек

Законченный маршрут по одной специализации — от общей базы до профильной подготовки.

13 990 ₽ 8 990 ₽ доступ навсегда, оплата один раз

Всё из тарифа «Старт»
Deep Learning, Redis и один трек на выбор
NLP, CV, RecSys, MLOps - 1 на выбор
Банк вопросов по выбранному треку

Написать про профессиональный трек

Максимум материалов

Вся платформа

Все направления ML, практика, MLOps и подготовка к поиску работы без ограничения одним треком.

39 990 ₽ 27 990 ₽ доступ навсегда, оплата один раз

Всё из профессионального трека
NLP, CV, Time Series и RecSys - все разделы
Полный MLOps: Infra, Monitoring и Tracking
Вся практика и полный банк вопросов с собеседований
Записи собеседований
Резюме, легенда, LinkedIn, поиск вакансий - и другое

Написать про полный доступ

Тарифы платформы: продуктовая аналитика

База для старта

Старт.
Аналитика

Фундамент продуктового аналитика: выгрузка данных, анализ и статистика.

4 990 ₽ 2 990 ₽ доступ навсегда, оплата один раз

SQL: join, group by, CTE, оконные функции
Python для анализа данных
Статистика: выборки, оценки, критерии
Практика по SQL
Интерактивный роадмап, AI-ассистент, трекинг прогресса

Написать про «Старт. Аналитика»

Оптимальный выбор

Профессиональный трек.
Аналитика

Законченный маршрут продуктового аналитика — от базы до экспериментов и метрик.

13 990 ₽ 8 990 ₽ доступ навсегда, оплата один раз

Всё из тарифа «Старт. Аналитика»
A/B-тесты: гипотезы, критерии, дизайн эксперимента, MDE
Продуктовые метрики, логирование, исследования
Практика по A/B-тестам и метрикам
Банк вопросов с собеседований аналитиков

Написать про трек аналитика

Максимум материалов

Вся платформа.
Аналитика

Все разделы продуктовой аналитики плюс Classic ML — то, что выделяет аналитика на рынке.

39 990 ₽ 27 990 ₽ доступ навсегда, оплата один раз

Всё из профессионального трека аналитика
DWH и ClickHouse, BI и дашборды
Инструменты экспериментов: сплитовалки
Classic ML для аналитиков
Вся практика и полный банк вопросов
Резюме, легенда, поиск вакансий, испытательный срок

Написать про полный доступ к аналитике

Во все варианты входит только самостоятельный доступ к платформе. Живые мок-собеседования, проверка заданий, персональная карьерная помощь и личная обратная связь доступны отдельно в формате менторства. При необходимости можно в любой момент перейти с одного тарифа на другой — доплатив разницу, в том числе с любого тарифа аналитики на «Всю платформу» ML.

§6FAQ

Частые вопросы

Основные вопросы

Есть люди, которые могут самостоятельно разобраться, обучиться и устроиться — я сам был таким и искал первую работу без ментора. На пути от студента до синьера я споткнулся о много камней и набил шишек. Я вижу, что при ином подходе можно было бы в несколько раз быстрее достичь текущих результатов. Моя задача — отсечь тупиковые/длинные пути становления ML‑инженером, опираясь на накопленный опыт работы ML-щиком, проведения и прохождения собеседований, а также менторства.

Ни один ментор не гарантирует 100% устройство, иначе это инфоцыганство. Корректно говорить, что с нами есть более высокая вероятность устроиться, чем без ментора — мы с командой предоставляем все условия. Немалая доля результата (~60-80%) зависит только от тебя: свои знания, даже при желании, никто не способен напрямую вложить в другую голову. При налаженном расписании и мотивации мы будем верно проделывать путь к долгожданному офферу.

Нет, но базовые знания Python ускорят процесс. Вместе определяем стартовую точку и строим план под твой уровень — с нуля или с опытом. Главное — желание двигаться вперёд.

Если ты не боишься по‑настоящему работать — вместе разберемся, с чего начать, и пройдемся по шагам. Иметь бэкграунд не обязательно, но ты должен чётко отдавать себе отчёт в том, с чем придётся работать, и быть готовым пахать и вкладываться. Чтобы оценить объём, посмотри роадмап по ML на 2026 год: видео на YouTube и статья на Хабре.

Не секрет — будет нелегко. Однако мои ученики регулярно показывают, что даже с нуля, без релевантного опыта и технического образования реально устроиться на позиции от Junior до Senior ML/MLOps-инженеров: это подтверждают 20+ офферов, полученных за 2025-2026 год. Одна из положительных сторон области ML — порог входа: из-за требований знать основы математики, алгоритмы ML и программирование на Python. В награду за старания ты получаешь профессию, которая 1) востребована на рынке, 2) наиболее сложна в замене искусственным интеллектом (ведь мы и пилим этот самый ИИ), 3) имеет одни из самых высоких зарплат по IT-сектору

Обычно — до 6–7 месяцев (с нуля), до 3–4 месяцев (с IT-бэкграундом). При серьёзном подходе, готовности работать и налаженном расписании ты попадаешь в этот диапазон.

На платформе есть кураторы, которые помогают с поддержанием материала в свежем состоянии, а также ведут некоторых учеников на этапах, где изучается начальный материал по Python, Classic ML, DL и т.д. Мои кураторы — квалифицированные ML-щики из ИТМО и Сбера с магистерским и PhD профильным образованием. Если ты попадаешь к помощнику, это вовсе не означает, что тебя бросают на произвол судьбы, "спихивают" на куратора: У нас как минимум 4 созвона в неделю: 3 групповых и один 1-на-1, где ты можешь общаться не только с помощником, мной и всеми учениками: как с теми, кто только начинает, до тех, кто уже активно штурмует рынки СНГ и зарубежья или уже успешно работает ML-инженером.

Ты получаешь доступ к платформе со всем материалом, тг-чатам, GitHub-репозиторию. Регулярно встречаемся на созвонах, согласовываем понедельный план, даём обратную связь, отвечаем на вопросы и проверяем практику. Интерактивное взаимодействие с платформой и сообществом, регулярные групповые и 1-на-1 созвоны для максимально эффективного использования времени и ресурсов. Всё в едином месте — ты осязаешь свой прогресс и знаешь, сколько времени остаётся до конечной цели.

Организационные

30 минут, совершенно бесплатно. Разбираем твои цели, текущий уровень, временны́е рамки и формат работы. Получишь конкретный план действий независимо от того, продолжишь ли работать со мной.

Ты не только приобретаешь услугу, доступ к богатой базе материалов и сообществу, но и получаешь гарантию результата — полную сумму выплачиваешь только с офферами на руках и при прохождении испытательного срока.

Да, договор заключается обязательно для гарантии обеих сторон. После знакомства и согласования всех деталей происходит подписание договора, в котором формально закреплены все условия и обязательства сторон. Документы находятся в открытом доступе: договор-оферта, политика конфиденциальности.

Оплата гибридная. Предоплата — 40 000 ₽: обычно 4 платежа по 10 000 ₽ раз в месяц, можно внести сразу или за 2 раза. Постоплата — процент от оклада на руки (после налогов, без премий). Она платится только после устройства, когда пришла зарплата, по умолчанию частями в течение 4 месяцев: с нуля — 50% зарплаты (2 оклада), с опытом в ML — 37,5% (1,5 оклада).

Да, например, на 6 месяцев. Закрыть досрочно тоже можно.

Нет. Предоплата фиксированная, дальше подготовка и поиск идут без доплат. Дополнительные созвоны и мок-собесы тоже входят в стоимость.

От итоговой работы, даже если там зарплата ниже. Всё, что уже выплачено с первого места, вычитается — переплат нет.

Четыре шага: 1) в Telegram-боте указываешь ФИО, почту для учётной записи и паспортные данные — скан не нужен; 2) приходит пакет документов, подпись любая, ЭЦП не нужна; 3) первый платёж по ссылке; 4) сразу открываются платформа, чаты, репозиторий на GitHub и первые задачи.

Штрафов за выход нет. Заканчиваем там, где остановились: отработанная часть предоплаты остаётся, неотработанная возвращается, постоплата не возникает. Единственный штраф в договоре — за передачу или перепродажу учётной записи платформы.

Ищем следующее место вместе, без доплат. Постоплата платится только с пришедшей зарплаты, уже выплаченное засчитывается на новом месте. Сотрудничество заканчивается, только когда ты окончательно устроен.

Да, без ограничений по созвонам: короткие вопросы — в переписке, сложные — созвон с демонстрацией экрана и кода. Кому-то нужно 3 созвона в неделю, кому-то два за всё время.

Как проходит менторство

Обучение индивидуальное — это не группа и не лекционный курс. Каждую неделю — созвон 1:1: разбираем, что не получилось решить самому, проверяем практику и ставим задачи на следующую неделю. Плюс групповые созвоны по этапам («начало», «середина», «на рынке») в формате дейлика, вечером по Москве. При блокерах — дополнительный созвон бесплатно. Между созвонами можно писать в Telegram ментору, куратору или в общий чат.

Всё, что связано с выходом на рынок, всегда делаю я сам: резюме, легенда, ML System Design, стратегия поиска, итоговые и английские мок-собесы, разбор реальных собеседований. Кураторы — действующие ML-инженеры, они ведут часть теории, принимают практику и проводят часть моков. Куратора можно выбрать с учётом часового пояса и сменить, если не сложилось.

Да. ML — основное направление, но можно идти и в продуктовую аналитику: SQL, статистика, A/B-тесты, продуктовые метрики, исследования и BI. Трек ведёт продуктовый аналитик с опытом в высокотехнологичном ритейле (RetailTech). ML-часть для аналитиков — Classic ML без лишней глубины — даю я: аналитик, который понимает ML, ценится на рынке выше. Рынок, резюме, легенда и разбор реальных собесов — так же со мной. Условия оплаты — как в ML-треке.

Обычно 7–10, сверху не ограничено: после Python, классического ML, DL, специализации и несколько по легенде перед рынком. Мок длится около часа и проходит как настоящий собес, вопросы — с реальных собеседований. Можно на английском и по ML System Design. Всё входит в стоимость.

Да. Записываешь собес (хотя бы на диктофон) и присылаешь. Я сам смотрю запись и пишу разбор: вопрос → как ты ответил → как надо было, плюс чек-лист, что повторить. Разборы хранятся в твоём профиле на платформе.

Резюме и легенду на русском и английском пишу сам на основе твоего опыта, дальше дорабатываем по итогам моков. LinkedIn заполняем из резюме и разогреваем 1–2 месяца. Откликаешься ты сам: показываю, где и как искать, помогаю с сопроводительными письмами — чтобы дальше ты умел искать работу без посторонней помощи.

Ориентировочные, для планирования. Первые 1–1,5 месяца подбираем комфортный темп. Главное — не пропадать на месяц без предупреждения: форс-мажоры нормальны, если предупредить.

Да, Telegram-чат учеников на разных этапах, включая устроившихся выпускников. Есть тематические подчаты, ученики устраивают друг другу моки, бывают офлайн-встречи в Москве, Петербурге и Алматы.

Программа и платформа

Нет, это интерактивный учебник. Каждая тема — страница-вопрос с определением, примерами, визуализациями, типичными ошибками и пометкой, как часто её спрашивают на собесах. В конце — теорминимум и вопросы для самопроверки, по итогам блока — тест. Из теорминимума собираются карточки интервального повторения, а встроенный ИИ-ассистент отвечает по материалам платформы со ссылками на источники. Как это выглядит — в разделе о платформе.

Задачи по Python и математике проверяются автотестами на платформе. ML-практика делается в личном репозитории на GitHub через pull request’ы, код смотрит человек. Проекты трёх уровней: ноутбук → доработка → воспроизводимый проект с тестами, линтерами и CI/CD, как на работе.

Направление выбираем вместе, обычно на развилке после DL. Рекомендую NLP/LLM: там больше всего вакансий и выше зарплаты — и в России, и за рубежом. Одного классического ML сейчас обычно мало: даже на «классических» вакансиях спрашивают нейросети и LLM. CV — ниша с меньшим числом вакансий, и современный CV всё равно требует трансформеров.

Чётких границ нет: на собесе на ML-инженера в оффере могут написать Data Scientist. Грубо: ML-инженер ведёт полный цикл — данные, обучение, выкатка в прод; DS ближе к классическим моделям и аналитике; AI-инженер собирает решения на готовых моделях (агенты, RAG). Готовлю к ML-инженерии как к самой широкой роли — с ней можно идти на любую из трёх позиций.

Да, со всеми обновлениями.

Подойдёт ли мне

Математика нужна для понимания алгоритмов и для собесов, на работе с ручкой решать не придётся. Это не вузовская глубина: линейная алгебра, градиенты, теория вероятностей и статистика — первые недели параллельно с Python, с визуализациями и примерами из ML. У каждой темы помечена частота на собесах: видно, что учить обязательно, а что можно отложить.

Для работы в России и СНГ — не нужен. Для валюты его лучше качать параллельно с самого начала: за 5–7 месяцев реально дойти до B1, этого хватает для собесов и дейликов. Легенда готовится на русском и английском, моки на английском входят в стоимость.

Ориентир — 10–15 часов в неделю, то есть 2–3 часа в будний день. Регулярность важнее рывков. Весь роадмап с нуля — около 400–500 часов теории и практики.

Да. К концу года позиции закрываются, в декабре–январе рынок почти не нанимает, новые вакансии появляются с конца февраля, пик — март–июнь. Если стартовать осенью, реалистично целиться в февраль–март с запасом до апреля. Сам поиск занимает 1–4 месяца, за рубежом один процесс найма идёт месяц–полтора.

Нет, ученики 40+ устраивались. Возраст в резюме не указывается, за рубежом на него смотрят меньше.

Нет, это изучается по ходу: на платформе есть разделы по Linux и Git в объёме, который нужен ML-инженеру, а вся практика идёт через GitHub. Основной язык — Python.

Продуктовая аналитика

Сложность разная, а не «больше или меньше». В ML глубже математика и инженерия: линейная алгебра, оптимизация, нейросети, код, который уходит в прод. В продуктовой аналитике порог входа по математике ниже — хватает статистики и теории вероятностей, — но выше требования к продуктовому мышлению: нужно понимать бизнес, формулировать гипотезы, правильно ставить эксперименты и объяснять выводы продакту. Если тебе ближе «почему метрика изменилась и что делать дальше» — в аналитике будет легче. Если тянет строить модели и системы — в ML.

Смотри на то, какая работа тебе интересна каждый день. Аналитик отвечает на вопросы бизнеса: считает метрики, проводит A/B-тесты, ищет причины просадок и помогает принимать продуктовые решения. ML-инженер строит модели и доводит их до продакшена. На вводном созвоне разбираем твой бэкграунд, цели и ожидания по срокам и помогаем выбрать трек — это бесплатно. Решение не навсегда: фундамент (SQL, Python, статистика) у треков общий, и при желании можно пересесть с одного на другой.

Это разные рынки. Продуктовых аналитиков нанимает почти любая продуктовая компания — маркетплейсы, финтех, доставка, сервисы подписок, — поэтому вакансий много, и вход с нуля обычно проще. ML-позиций меньше, порог выше, зато и вилки, как правило, выше, особенно на сеньорных уровнях. В аналитике обычно получается устроиться на несколько месяцев быстрее, чем в ML, но конкуренция за вакансии там выше: откликов на позицию больше. Отдельно ценятся аналитики, которые умеют в ML: такие кандидаты выделяются на фоне остальных и закрывают задачи на стыке аналитики и моделирования.

В среднем на несколько месяцев меньше, чем в ML: порог входа по математике и инженерии ниже, а учебный план короче — 19 недель против 46. Обратная сторона — конкуренция: на вакансии аналитиков откликается больше кандидатов, поэтому резюме, легенда и моки решают не меньше, чем знания. Точный срок зависит от стартового уровня и времени, которое ты готов вкладывать, — его оцениваем на вводном созвоне.

Строго обязательным это не является — основа профессии в SQL, статистике, A/B-тестах и метриках. Но знание классического ML — заметное конкурентное преимущество: сегментация пользователей через кластеризацию, прогноз оттока, снижение дисперсии в экспериментах (CUPED — это по сути регрессия), понимание того, как работают рекомендации, которые ты тестируешь. Поэтому аналитикам доступен Classic ML с практикой и банком вопросов — и я советую его пройти.

Трек ведёт действующий продуктовый аналитик с опытом в высокотехнологичном ритейле (RetailTech) — теория, практика, разбор задач и часть моков. ML-часть для аналитиков и всё, что связано с выходом на рынок, — резюме, легенду, итоговые моки и разбор реальных собеседований — веду я.

SQL и работа с базами данных, Python и pandas, статистика и теория вероятностей, A/B-тесты (от p-value и критериев до MDE, CUPED и подглядывания), продуктовые метрики, логирование, продуктовые исследования, BI и дашборды, сплит-системы, DWH и ClickHouse. Плюс Classic ML для аналитиков. На платформе — недельный план на 19 недель с тремя мок-собесами: SQL и Python, A/B-тесты, продуктовый кейс.

Да, но в объёме, который реально осваивается с нуля: SQL — каждый день, Python — для обработки данных, расчёта A/B-тестов и исследований. Учебный план начинается с самых основ, задачи на SQL и Python проверяются автоматически прямо на платформе.

Да, это рабочий путь. Аналитика даёт крепкий фундамент — SQL, Python, статистику, понимание продукта, — который нужен и в ML. Многие переходят в ML или Data Science уже изнутри компании. Classic ML можно начать параллельно с треком аналитики, а потом продолжить в ML-треке.

BI-аналитик в основном строит отчётность и дашборды. Продуктовый аналитик отвечает за решения по продукту: метрики, A/B-тесты, исследования, поиск точек роста — дашборды для него инструмент, а не цель. Data Scientist ближе к моделям и прогнозам. Границы между ролями размыты, поэтому в программе есть и BI, и Classic ML — с ними можно претендовать на смежные позиции.

Нет — формат и условия такие же, как в ML-треке: созвоны 1:1 и групповые, платформа с материалами и практикой, мок-собеседования и сопровождение до оффера.

Трудоустройство

Средний оффер учеников — 330 000 ₽ до налога. На валюте реалистично 4–8k USD в месяц, максимальные офферы — 15 000 USD и 12 250 EUR.

Готовлю сразу на middle/senior. На джуна и стажёра попасть сложнее: там до 1000 откликов на позицию, а на middle/senior — сотни.

Обычно 4 этапа: HR, техническое интервью, ML System Design, финал. Алгоритмические секции встречаются всё реже, чаще просят написать функцию или поработать с DataFrame — сотни задач с LeetCode решать не нужно. Появились отдельные секции на работу с ИИ-инструментами.

ML-инженеры сами создают ИИ-сервисы — их заменить сложнее всего, а область постоянно порождает новые задачи. По парсингу вакансий за 2 года: ML-вакансий сопоставимо с другими IT-направлениями, откликов меньше, зарплаты не ниже.

Другое

В самом начале мы присматриваемся друг к другу и стараемся выстроить максимально плодотворную атмосферу — с дедлайнами и чёткими целями, чтобы сразу было понятно, идём ли мы по плану и не отстаёшь ли ты.

Да, большинство учеников совмещают обучение с работой или учёбой. Главное — реально выделять время на занятия и придерживаться плана.

Формат полностью онлайн, поэтому твоё местоположение не имеет значения. Среди учеников есть люди из разных городов и стран: от Санкт-Петербурга до Якутии, от Беларуси до Польши, от Германии и Аргентины до США и Мексики.

Да, среди моих учеников есть те, кто успешно устроился на работу в зарубежные компании. Я тоже работаю на ВУ, имею свободный английский. Последнее позволяет нам с учениками проводить мок-собеседования на английском языке.

Да, желательно уметь объяснять свои мысли и идеи на английском языке. В этом поможет репетитор по английскому языку, который предлагается всем ученикам платформы — преподаватель с 5+ годами опыта работы с IT-специалистами.

Самостоятельное обучение

Самостоятельное обучение — это отдельный от менторства формат, который позволяет тебе работать над собой и достигать своих целей самостоятельно, без ментора. Ты получаешь доступ к платформе со всем материалом. Особенно удобно тем, у кого есть опыт работы ML-щиком, есть техническое образование и кому требуется только закрыть пробелы или освежить знания.

На всех трёх тарифах — бессрочный. Платишь один раз и проходишь материалы в своём темпе, без ограничения по месяцам.

В тарифе самостоятельного доступа личное сопровождение не входит: нет регулярных созвонов, проверки заданий и персональной карьерной помощи. Но можно отдельно записаться на мок-собес, консультацию или перейти на полноценное менторство — напиши в Telegram.

Да. С одного тарифа платформы на другой можно перейти в любой момент — доплатив разницу. Если захочешь живую обратную связь и сопровождение до оффера, можно перейти на формат менторства — обсудим условия на вводном созвоне.

Нет — это самостоятельный формат. Мок-собеседования, разбор заданий и карьерное сопровождение доступны в менторстве или как отдельные услуги. Подробнее - в разделе со стоимостью услуг.

Да, весь материал рассчитан на вход без бэкграунда. Важно понимать: без ментора вся дисциплина и темп на тебе — платформа даёт маршрут, материалы и интерактив, но не подстраивается под тебя так же глубоко, как при персональном сопровождении.

Выбери тариф и напиши в Telegram — согласуем оплату и откроем доступ к платформе. Для самостоятельного обучения действует отдельная публичная оферта.

Готов к следующему
карьерному шагу?

Заполни короткую форму перед бесплатным вводным созвоном. Разберём твои цели и составим план — без обязательств.

Заполнить форму и записаться бесплатно Написать в Telegram

Форма обязательна перед выбором времени вводного созвона. Она позволит мне лучше понять твои цели и составить план.

Менторство по Machine Learning и продуктовой аналитике

Senior ML Engineer

От Classic ML до NLP

Созвоны каждую неделю

Ментор, кураторы и аналитик

Доведение до оффера

Разовые консультации

IT-английский

Диагностика и роадмап

Учёба и практика

Выход на рынок

Оффер и испытательный срок

Python прямо в браузере

IDE с автопроверкой

AI-ассистент со ссылками на источники

Интервальное повторение

Тесты и стартовая диагностика

Поиск ⌘K и словарь терминов

Русский и английский — в один клик

Один рабочий контур вместо десятка вкладок

Весь маршрут на одном экране

Недели с материалами и нагрузкой

Разделы с прогрессом по вопросам

Инженерный стек отдельным разделом

Теория в формате вопросов

Карточки по изученным вопросам

Оценка задаёт интервал

Код проверяется прямо на сайте

Тесты с таймером и порогом прохождения

Банк реальных вопросов

Kanban с дедлайнами

Разбор сразу после ответа

Задача недели с инструкцией

Три вопроса в конце дня

Кто есть кто на рынке

Agile и Scrum без сюрпризов

От поиска вакансий до испытательного срока

Язык, на котором говорят в команде

Активность и внутренняя валюта

Бронза, серебро, золото

Помощь в один клик из материала

Объяснить проще, не уходя со страницы

Диалог со ссылками на источники

Релизы почти каждую неделю

Тема и палитра под себя

Прогресс на фоне других учеников

Платформа пишется прямо сейчас

Доведение до оффера

Разовые услуги

Остаток не платится при раннем оффере

Скидка при быстром устройстве

к постоплате тебе и другу

Не нужносопровождение?

С ментором

Только платформа

Старт

Профессиональный трек

Вся платформа

Старт.Аналитика

Профессиональный трек.Аналитика

Вся платформа.Аналитика

Основные вопросы

Организационные

Как проходит менторство

Программа и платформа

Подойдёт ли мне

Продуктовая аналитика

Трудоустройство

Другое

Самостоятельное обучение

Готов к следующемукарьерному шагу?

Не нужно
сопровождение?

Старт.
Аналитика

Профессиональный трек.
Аналитика

Вся платформа.
Аналитика

Готов к следующему
карьерному шагу?