Техпрогон
ВойтиНачать бесплатно

Вход в IT с нуля

Как стать ML/LLM-инженером с нуля: план обучения по шагам

Обновлено Порог входа: высокий 127 уроков теория и вопросы: ~33 часа
Содержание
  1. Коротко
  2. Что за профессия
  3. Через 5 лет
  4. План по этапам
  5. Сколько времени займёт
  6. Проекты для портфолио
  7. Что спросят на первом собесе
  8. Как найти первую работу
  9. Ошибки новичков
  10. Частые вопросы
Коротко

Чтобы стать ML/LLM-инженером с нуля, начните с «Python» и «Математика для ML» и идите по плану из 7 этапов, от основ до подготовки к собеседованию. Теория и вопросы по этому плану занимают примерно 33 часа, а больше всего времени уйдёт на практику и свои проекты: обычно путь до первых собесов занимает несколько месяцев регулярных занятий. Порог входа высокий: нужны и ML, и инженерия: Python, инфраструктура, модели в проде.

Кто такой ML/LLM-инженер

ML/LLM-инженер превращает модели в работающие сервисы: RAG, агенты, дообучение, быстрый инференс. Профессия на стыке ML и бэкенда, поэтому с нуля это долгий путь. На собесе спрашивают трансформеры, эмбеддинги, оценку качества LLM, а также Python и system design.

ВопросОтвет
Что делаетВыводит модели и LLM-сервисы в прод: RAG, агенты, инференс
Язык и инструментыPython, PyTorch, LLM, Docker, векторные базы
Порог входаВысокий. Нужны и ML, и инженерия: Python, инфраструктура, модели в проде
Кому подойдётТем, кто хочет строить продукты на нейросетях, а не только исследовать

Перспектива через 5 лет

Что будет с профессией к 2031

Растёт

В топе роста по WEF, вакансий в России стало кратно больше, хоть и с низкой базы.

LLM, RAG, оценка качества, MLOps и стоимость инференса. Плюс отечественные модели в своём контуре.

Куда расти:
AI-инженер (LLM-приложения)
Прогноз по данным на октябрь 2026, источники: [1], [25]Прогноз по всем профессиям

Как стать ML/LLM-инженером: план по этапам

Порядок тем построен по карте навыков: сначала то, на что опираются следующие темы. Название темы ведёт на бесплатный урок.

Звёздочкой отмечены темы, которые заметно спрашивают уже у junior. С них и начинайте повторение перед первым собесом.
2

Этап 2. Следующий слой

Следующий слой поверх основы: фреймворки и темы, которые опираются на предыдущий этап.

уроки 1,3 ч 62 вопроса уровня junior
Классический ML
  1. Постановка задачи6 мин
  2. Валидация и утечки7 мин
  3. Линейные модели7 мин
  4. Деревья и ансамбли8 мин
  5. kNN и SVM6 мин
  6. Кластеризация и снижение размерности7 мин
  7. Метрики качества8 мин
  8. Несбалансированные классы6 мин
  9. Признаки и интерпретация7 мин
  10. Рекомендательные системы7 мин
  11. ML в проде8 мин
3

Этап 3. Продвинутый слой

Следующий слой поверх основы: фреймворки и темы, которые опираются на предыдущий этап.

уроки 1,4 ч 72 вопроса уровня junior
Глубокое обучение
  1. Нейрон и backprop7 мин
  2. Активации и функции потерь6 мин
  3. Инициализация и нормализация7 мин
  4. Оптимизаторы и обучение7 мин
  5. Регуляризация6 мин
  6. Свёрточные сети7 мин
  7. RNN и LSTM6 мин
  8. Attention и трансформеры8 мин
  9. Эмбеддинги и fine-tuning7 мин
  10. Генеративные модели6 мин
  11. PyTorch на практике8 мин
  12. Квантование и дистилляция7 мин
4

Этап 4. Продвинутый слой

Следующий слой поверх основы: фреймворки и темы, которые опираются на предыдущий этап.

уроки 1,1 ч 65 вопросов уровня junior
LLM-инженерия
  1. Как устроены LLM7 мин
  2. Инференс и генерация8 мин
  3. Промптинг и структурированный вывод6 мин
  4. Эмбеддинги и векторный поиск6 мин
  5. RAG7 мин
  6. Агенты и вызов инструментов6 мин
  7. Оценка качества6 мин
  8. Дообучение и LoRA6 мин
  9. Безопасность LLM6 мин
  10. LLM в проде6 мин
5

Этап 5. Окружение и инструменты

То, что нужно в любой команде: сети, базы, командная строка, Git. Можно идти параллельно с основой.

уроки 1,7 ч 87 вопросов уровня junior
Docker и Kubernetes
  1. Образы и слои7 мин
  2. Dockerfile и multi-stage8 мин
  3. Сети и тома7 мин
  4. Docker Compose7 мин
  5. Безопасность контейнеров7 мин
  6. Архитектура Kubernetes8 мин
  7. Pod и Deployment8 мин
  8. Service и Ingress8 мин
  9. ConfigMap и Secret7 мин
  10. Probes и ресурсы8 мин
  11. HPA, StatefulSet и тома8 мин
  12. RBAC и Helm8 мин
  13. Отладка в кластере8 мин
6

Этап 6. Алгоритмы для собеседования

Базовые паттерны задач. Нужны для лайвкодинга и алгоритмических секций.

уроки 2,3 ч 118 вопросов уровня junior
Алгоритмы
  1. Сложность6 мин
  2. Массивы и хеш-таблицы8 мин
  3. Два указателя8 мин
  4. Скользящее окно8 мин
  5. Префиксные суммы7 мин
  6. Стек и монотонный стек10 мин
  7. Бинарный поиск8 мин
  8. Связные списки8 мин
  9. Деревья7 мин
  10. Графы: BFS и DFS11 мин
  11. Куча8 мин
  12. Интервалы7 мин
  13. Жадные7 мин
  14. Динамическое программирование10 мин
  15. Перебор с возвратом8 мин
  16. Биты7 мин
  17. Матрицы7 мин
8

Этап 8. На вырост: после первой работы

Для первого оффера junior не обязательно. Понадобится на middle, но знакомство с темой плюс на собесе.

уроки 1 ч 26 вопросов уровня junior
System design
  1. Как вести секцию7 мин
  2. Масштабирование7 мин
  3. Кеширование7 мин
  4. Выбор хранилища8 мин
  5. Очереди и события8 мин
  6. Консистентность и CAP8 мин
  7. Надёжность и наблюдаемость7 мин
  8. Разборы систем8 мин

Сколько времени займёт

ЭтапУрокиВопросы juniorТеория и вопросы
Этап 1. Основа профессии2,7 ч2098 часов
Этап 2. Следующий слой1,3 ч623 часа
Этап 3. Продвинутый слой1,4 ч723 часа
Этап 4. Продвинутый слой1,1 ч653 часа
Этап 5. Окружение и инструменты1,7 ч874 часа
Этап 6. Алгоритмы для собеседования2,3 ч1185 часов
Этап 7. Подготовка к собеседованию2,6 ч2038 часов
Этап 8. На вырост: после первой работы1 ч262 часа
Как считали: время чтения уроков плюс 1,5 минуты на каждый вопрос или задачу уровня junior. Без этапа «на вырост» выходит примерно 33 часа. Это только теория и проверка себя. Практика на своих проектах, резюме и отклики займут больше времени, чем теория: закладывайте месяцы, а не недели.

Проекты для портфолио

2-3 своих проекта с README и живой ссылкой дают больше, чем десяток учебных. Идеи, с которых можно начать:

  • RAG-сервис по своим документам с оценкой качества ответов
  • API для модели в Docker с замером задержки и нагрузкой
  • Дообучение небольшой модели под задачу с честным сравнением

Что спросят на первом собеседовании

Частые вопросы junior по этой роли. Полный список тем и вопросов на странице «Что должен знать junior ML/LLM-инженер».

Как найти первую работу

  • Покажите проект, где модель работает как сервис, а не в ноутбуке
  • Объясняйте, как оценивали качество ответов LLM
  • Будьте готовы к вопросам по Python и бэкенду наравне с ML

Частые ошибки новичков

  • Делать демо на чужом API без оценки качества
  • Не понимать основы ML и трансформеров
  • Забывать про стоимость и задержку инференса

Частые вопросы

Сколько учиться, чтобы стать ML/LLM-инженером?
Теория и вопросы уровня junior по этому плану занимают примерно 33 часа. Основное время уйдёт на практику: задачи, код, 2-3 своих проекта. Обычно путь с нуля до первых собесов занимает несколько месяцев регулярных занятий, но темп у всех разный.
С чего начать?
С первого этапа плана: «Python» и «Математика для ML». Читайте короткий урок и сразу закрепляйте вопросами, по одной теме за раз.
Какой порог входа?
Высокий. Нужны и ML, и инженерия: Python, инфраструктура, модели в проде.
Что спросят на первом собеседовании?
Чаще всего базу, больше всего вопросов в темах «Коллекции», «Метрики качества», «Нейрон и backprop» и «Как устроены LLM». Плюс рассказ о себе, учебные проекты и мотивацию. Полный список тем на странице «Что должен знать junior».

Начните путь в профессию сегодня

Все уроки бесплатно, план по шагам и вопросы на закрепление. Когда дойдёте до собесов, там же мок и трекер откликов.

Начать бесплатно

Куда дальше

Что должен знать junior ML/LLM-инженер

Темы и 15 частых вопросов

Тест: ML/LLM-инженер

Проверить, что уже знаете

Как проходит собеседование

Этапы от HR до оффера

Все профессии с нуля

Сравнить 30 направлений

Как стать AI-инженером

Встраивает LLM в продукт: RAG, агенты, вызов инструментов, оценка качества

Как стать AI-продакт-менеджером

Ведёт продукт или фичу на нейросетях: от гипотезы до метрик качества

Как стать Data Scientist

Строит модели машинного обучения для прогнозов и рекомендаций

Как стать аналитиком данных

Считает метрики, ищет причины изменений и помогает принимать решения