Длительность1 г.

ФорматОнлайн

УровеньНачинающий

Стартв любое время

ДокументДиплом о профессиональной переподготовке

A/B-тестирование MLOps SQL-запросы Глубокое обучение Машинное обучение Нейронные сети Разведочный анализ данных Airflow Docker FastAPI Git Python PyTorch SQL

Мнение редакции

8.7/10

Это самая длинная из четырёх программ Практикума, которые стоят рядом в каталоге, и единственная, где машинное обучение выстраивают полностью: от первого SQL-запроса до дообучения моделей и мониторинга в проде. Двадцать три спринта базового тарифа устроены так, что каждый следующий опирается на предыдущий: сначала данные, потом анализ, потом классические модели, потом нейросети, потом эксплуатация. Такой порядок редко удаётся выдержать в коротких курсах, и именно за него здесь платят 192 000 рублей.

Но слово «с нуля» тут надо читать внимательно. Школа ставит на страницу метку «С нуля» и одновременно пишет, что для комфортного обучения нужны базовые технические знания по основам SQL, Python и математике для анализа данных. Портреты подходящей аудитории это подтверждают: новичок в ML, но с технической базой, математик без опыта разработки, аналитик без опыта в ML. Разрыв закрывает подготовительный модуль на 2-6 недель с основами SQL и Python, линейной алгеброй, математическим анализом и теорией вероятностей, но он обозначен как необязательный, а решение принимается по входному тесту в бесплатной части. Для сравнения: на курсе «Инженер данных с нуля» школа отвечает про требования куда категоричнее, что специальные навыки и опыт не нужны вовсе.

Карьерная часть здесь полная, в отличие от короткой версии курса. Месяц подготовки с проверкой резюме HR-экспертами, тренировкой сопроводительных писем, стратегией поиска, презентацией опыта и разговором о зарплате, отдельный блок подготовки к техническим собеседованиям с алгоритмическими задачами на Python, SQL-задачами, статистикой, A/B-тестами и вопросами по теории ML. Потом до восьми месяцев активного поиска: партнёрские вакансии, платформа «Карьера от Практикума», тренировочные собеседования, воркшопы с HR и работа над настоящими заказами в Мастерской. И тут же оговорка, которую школа прячет в последний абзац ответов на вопросы: программа трудоустройства не предусмотрена, если курс оплачивает работодатель. Плюс возрастной порог, карьерный центр работает с теми, кому исполнилось 18 лет.

Отдельная путаница с тарифами. Базовый это 12 месяцев, 18 проектов и 192 000 рублей. Расширенный это 16 месяцев, 25 проектов и 256 000 рублей, и в него добавляют семь спринтов: Big Data и распределённые вычисления, обработка данных в Apache Spark, классический NLP, архитектура трансформеров и устройство больших языковых моделей, RAG-системы с векторным поиском, мультимодальность и дообучение LLM, а в конце проектный месяц с наставником. Часть этих модулей сделана совместно со Школой анализа данных Яндекса. Проблема в том, что в блоке тарифов те же модули по большим данным и по текстам с LLM перечислены так, что непонятно, к какой колонке они относятся, а в самой программе они однозначно помечены как расширенный тариф. Перед покупкой это стоит уточнить у менеджера: разница между тарифами 64 000 рублей и четыре месяца.

Вердикт: самая объёмная программа школы в машинном обучении: 12 месяцев, 18 проектов и путь от SQL и pandas до трансформеров и продакшна, но «с нуля» здесь означает нуль в ML, а не в IT, и карьерной поддержки не будет, если курс оплачивает работодатель.

Плюсы

последовательный путь длиной в год: SQL, pandas и статистика, потом классические модели и ансамбли, потом PyTorch, рекуррентные сети и трансформеры, и только затем продакшн
полноценная продакшн-часть в базовом тарифе: пайплайны на DVC и Airflow, сервис на FastAPI с тестами, контейнеризация в Docker, A/B-тесты и мониторинг в Prometheus и Grafana
отдельный блок подготовки к техническим собеседованиям: алгоритмические задачи на Python, SQL, статистика и A/B-тесты, вопросы по теории ML
карьерная программа в два этапа: месяц подготовки с HR-экспертами и до 8 месяцев активного поиска с доступом к платформе «Карьера от Практикума» и 500 с лишним партнёрам
Мастерская, внутреннее агентство школы с настоящими заказами от бизнеса и НКО, плюс 18 проектов с ручной проверкой экспертами
необязательный подготовительный модуль на 2-6 недель по SQL, Python, линейной алгебре, матанализу и теории вероятностей, а нужен он или нет, показывает входной тест

Минусы

программы трудоустройства не будет, если курс оплачивает работодатель: школа пишет об этом одной строкой в конце ответов на вопросы
метка «С нуля» спорит с требованиями: школа тут же просит базовые технические знания по SQL, Python и математике, а подготовительный модуль называет необязательным
границы тарифов размыты: модули по большим данным и по текстам с LLM в программе отнесены к расширенному тарифу за 256 000 рублей, а в блоке тарифов перечислены неоднозначно
зарплатная шкала 115 000, 234 000 и 398 000 рублей описывает рынок по данным Хабр Карьеры, а не выпускников, и вакансий по профессии школа насчитывает всего 1 000 с лишним

Кому подходит

Новичкам в ML с технической базой

Тем, кто знает синтаксис Python и может выполнять базовые операции: программа поднимает их до полного цикла ML-проекта за год.

Математикам без опыта разработки

Тем, кто понимает линейную алгебру, теорию вероятностей и статистику, но не писал кода: подготовительный модуль закрывает разработку, дальше идёт ML.

Аналитикам без опыта в машинном обучении

Тем, кто пишет базовые SQL-запросы и знает основы Python, но никогда не обучал моделей и не выводил их в продакшн.

Тем, кто меняет профессию и платит за себя сам

Карьерная программа с месяцем подготовки и активным поиском до 8 месяцев работает только в этом случае: при оплате работодателем её не предусмотрено.

Кому курс не подойдёт

тем, кто уже обучает модели: восемь месяцев из двенадцати уйдут на то, что вы знаете, а у школы есть «ML-инженер с опытом» за 145 000 рублей и 4 месяца
совсем без технической базы: школа просит на входе основы SQL, Python и математики для анализа данных, а подготовительный модуль обозначен как необязательный
тем, за кого платит работодатель: программа трудоустройства в этом случае не предусмотрена, а карьерная часть здесь одна из основных причин цены

Чем отличается от других курсов направления

Ближайший сосед это «ML-инженер с опытом» той же школы за 145 000 рублей и 4 месяца. Он занимается только продакшн-частью: Airflow, MLflow, FastAPI, Docker, мониторинг, рекомендательные системы и uplift, а классический ML требует на входе и помощи с трудоустройством не даёт. Здесь за 192 000 рублей вы получаете ту же продакшн-часть в спринтах 18-22 плюс весь путь до неё: SQL, анализ данных, классические модели, ансамбли, нейросети и трансформеры, а сверху карьерный центр, Мастерскую и подготовку к техническим собеседованиям. Разница в цене 47 000 рублей, а в сроке восемь месяцев. Внутри школы соседняя профессия это инженерия данных: «Инженер данных» за 119 500 рублей и 6,5 месяца для тех, у кого есть база, и «Инженер данных с нуля» за 169 500 рублей и 11 месяцев для новичков. Там строят хранилища и пайплайны, а не модели, и стоят они дешевле. «Инженер данных» TeachMeSkills за 100 000 рублей это самый дешёвый вход в направление, но к машинному обучению отношения не имеет, как и «Документирование в IT-проектах: построение CJM» Нетологии за 2 900 рублей. Если вам нужны NLP и большие языковые модели, сравнивать надо не с соседями, а с расширенным тарифом самой программы: 256 000 рублей за 16 месяцев и 25 проектов с модулями от Школы анализа данных.

Обзор курса

Годовая версия против четырёхмесячной

У школы две программы про машинное обучение. Эта, годовая, ведёт с начала: SQL, pandas, статистика, классические модели, нейросети и только потом продакшн. Соседняя, «ML-инженер с опытом» за 145 000 рублей и 4 месяца, начинается там, где вы уже умеете обучить модель, и занимается исключительно эксплуатацией: Airflow, MLflow, FastAPI, Docker, мониторинг, рекомендательные системы и uplift. Разница в цене всего 47 000 рублей, поэтому выбор идёт не по деньгам. Проверить себя просто: если слова «кросс-валидация», «регуляризация» и «бустинг» для вас не пустой звук и вы уже обучали модели на своих данных, короткий курс сэкономит вам восемь месяцев. Если нет, вам сюда, и не наоборот. Ещё одно различие: здесь есть карьерный центр и Мастерская, а на коротком курсе школа прямо пишет, что помощь с трудоустройством не предусмотрена.

Двадцать три спринта базового тарифа

Базовый тариф это 23 спринта. Первые три про SQL: связи между таблицами, пропуски и дубликаты, объединения, операции множеств и подзапросы, оконные и агрегирующие функции, описательная статистика, решение ad-hoc-задач и большой проект по обработке данных с витриной. Спринты 4-7 про Python и анализ: pandas, типы данных, индексация и фильтрация, категоризация, объединение датафреймов, описательная статистика, взаимосвязь переменных, визуализация, сводные таблицы, командная строка, виртуальное окружение и ООП, а завершает всё большой проект с оформлением исследования в виде приложения и репозитория на GitHub. Спринты 8-14 это ядро ML: перевод бизнес-задачи в ML-формат, разделение данных, кодирование и нормализация признаков, feature engineering, метрики качества, линейная и логистическая регрессия, кросс-валидация, регуляризация L1 и L2, метод опорных векторов, многоклассовая классификация, KNN, деревья решений, Optuna, важность признаков, ансамбли с бэггингом, Random Forest, бустингом и стэкингом, MLflow для логирования экспериментов, отбор признаков, интерпретация через SHAP, работа с дисбалансом классов, снижение размерности и кластеризация. Спринты 15-17 про нейросети: PyTorch, обучение MLP-классификатора для текстов, простые и продвинутые рекуррентные сети GRU и LSTM, механизм внимания и трансформеры, а затем большой проект полного цикла с защитой. Спринты 18-22 про продакшн: sklearn.pipeline, версионирование в DVC, оркестрация в Airflow, REST API и FastAPI с тестированием и документированием, контейнеризация в Docker, A/B-тестирование с планированием и статистическим анализом, мониторинг в Prometheus и дашборды в Grafana, а следом комплексный проект с полной ML-системой. Двадцать третий спринт это итоговый проект тарифа, двадцать четвёртый модуль по нейросетям, входящий в базовую программу.

Как устроена нагрузка

Спринты по 2 недели, внутри спринта учиться можно когда удобно, главное уложиться в срок. Школа называет около 15 часов в неделю на протяжении года. Теория лежит в интерактивном учебнике, код пишется в тренажёре, проекты вручную проверяют эксперты и пишут комментарии. Наставники ведут вебинары и отвечают в чате, ревьюеры разбирают работы, кураторы напоминают о сроках. Есть каникулы, а если нужно больше времени на проект, куратор помогает согласовать новый дедлайн. Бесплатная часть занимает 6 часов: знакомство с профессией, работа с готовой моделью и входное тестирование, по итогам которого школа советует, нужен ли вам подготовительный модуль.

Что на выходе

Восемнадцать проектов по базовому тарифу, среди них нейросетевой классификатор изображений, автодополнение текста, автоматизированный ML-пайплайн с версионированием и оркестрацией, REST API для модели с контейнеризацией, A/B-тест с дашбордом мониторинга и ML-проект полного цикла от сбора данных до внедрения. Объём заявлен как 200 часов теории и 490 часов практики. Документ: диплом о профессиональной переподготовке установленного образца, школа работает по государственной образовательной лицензии, а диплом выдают при наличии среднего профессионального или высшего образования, остальным присылают сертификат о прохождении курса.

Деньги и тарифы

Базовый тариф 192 000 рублей за 12 месяцев и 18 проектов. Расширенный 256 000 рублей за 16 месяцев и 25 проектов, в него добавлены 51 час теории и 189 часов практики и семь спринтов по большим данным, Spark, классическому NLP, трансформерам и LLM, RAG-системам, мультимодальности и дообучению моделей, часть из них сделана вместе со Школой анализа данных. Платёж 7 838 рублей в месяц привязан к графику на 36 месяцев, то есть это кредит от банка с переплатой, а не беспроцентная рассрочка: она у школы делится на срок обучения, первый платёж через месяц. Есть Яндекс Сплит, оплата через компанию или ИП, оплата работодателем целиком или долями 50/50 и 75/25, скидка 10 % при покупке на 10 сотрудников и больше. При оплате одним платежом школа обещает выгоду до 20 %, ещё 13 % возвращает налоговый вычет. Возврат прописан отдельно: до старта потока всю сумму, а если передумаете в первую неделю, оплатите только время с начала потока.

Где программа проседает

Первое: карьерной программы не будет при оплате работодателем, а это самый распространённый способ оплатить годовое обучение для человека, который уже работает. Второе: метка «С нуля» и требование базовых технических знаний по SQL, Python и математике живут на одной странице и противоречат друг другу, а подготовительный модуль при этом назван необязательным. Третье: границы тарифов размыты. Модули по Big Data и по текстам с LLM в разделе программы отнесены к расширенному тарифу, а в блоке тарифов перечислены так, что понять принадлежность невозможно. Четвёртое: зарплатная шкала 115 000, 234 000 и 398 000 рублей взята из Хабр Карьеры и описывает рынок в целом, а выпускник стартует с нижней ступени, при том что вакансий по этой профессии школа насчитывает 1 000 с лишним, то есть вчетверо меньше, чем у инженеров данных. Пятое: год по 15 часов в неделю выдерживают не все, а истории выпускников на странице подобраны только успешные.

Итог

Как учебная программа это лучшее, что есть у школы в машинном обучении: длинная, последовательная, с настоящей продакшн-частью и подготовкой к техническим собеседованиям, чего в курсах по ML почти не встречается. Брать её стоит тем, у кого есть техническая база, но нет ML, и кто платит за себя сам. Если модели вы уже обучаете, не переплачивайте за год: возьмите короткую версию за 145 000 рублей. Если тянет в NLP и большие языковые модели, считайте сразу расширенный тариф, потому что докупить эти модули отдельно к базовому нельзя.

Программа курса

1Подготовительный модуль

Необязательный блок на 2-6 недель для тех, кому не хватает базы: основы SQL, основы Python, линейная алгебра, математический анализ, теория вероятностей. Нужен он или нет, показывает входной тест в бесплатной части.

2SQL и обработка данных

Связи между таблицами, пропуски и дубликаты, присоединение таблиц, операции множеств и подзапросы, категоризация значений, работа с датой и временем, оконные и агрегирующие функции, описательная статистика, ad-hoc-задачи. Проекты: решение аналитических запросов и витрина данных под бизнес-задачу.

3Python, исследовательский анализ и инструменты разработки

pandas, типы данных, индексация и фильтрация, предподготовка и категоризация, объединение датафреймов, описательная статистика, взаимосвязь переменных, визуализация, сводные таблицы. Командная строка, виртуальное окружение, парадигмы программирования и ООП. Проекты: исследовательский анализ для бизнес-кейса и оформление исследования в виде Python-приложения с репозиторием на GitHub.

4Классическое машинное обучение

Перевод бизнес-задачи в ML-формат, разделение данных, кодирование и нормализация признаков, feature engineering. Метрики качества, линейная и логистическая регрессия, кросс-валидация, переобучение и регуляризация L1 и L2, метод опорных векторов, многоклассовая классификация, KNN, деревья решений, подбор гиперпараметров в Optuna, важность признаков.

5Ансамбли, интерпретация и обучение без учителя

Дилемма смещения и разброса, бэггинг и Random Forest, бустинг и современные библиотеки, стэкинг, логирование экспериментов в MLflow. Автоматический отбор признаков, интерпретация моделей через SHAP, работа с дисбалансом классов. Снижение размерности, кластеризация, поиск аномалий и оценка качества кластеризации.

6Нейросети и трансформеры

Введение в нейронные сети и их обучение, PyTorch, MLP-классификатор для текстов. Последовательные данные, простые RNN, продвинутые GRU, LSTM и Bidirectional, основы механизма внимания и трансформеров. Проекты: обучение MLP-классификатора и нескольких нейросетей для задачи автодополнения, затем большой проект полного цикла с защитой.

7ML-пайплайны, сервисы и мониторинг

Структурированные процессы на sklearn.pipeline, версионирование и воспроизводимость в DVC, оркестрация в Airflow. REST API и HTTP-методы, ML-сервисы на FastAPI, тестирование и документирование API. Контейнеризация в Docker и автоматизация пайплайна сборки. A/B-тестирование с планированием и статистическим анализом, мониторинг в Prometheus, дашборды в Grafana. Завершается комплексным проектом с полной ML-системой.

8Подготовка к собеседованиям, итоговый проект и модуль по нейросетям

Алгоритмические задачи на Python, SQL-задачи, статистика и A/B-тесты, вопросы по теории ML, применение NLP для работы с текстами. Итоговый проект базового тарифа: весь жизненный цикл ML-проекта с учётом потребностей бизнеса. Модуль по нейросетям входит в базовую программу: устройство нейросетей, промпт-инжиниринг и выбор AI-инструментов, практика на 10 с лишним типовых задач.

Записаться на курс

Чему вы научитесь

писать SQL-запросы под аналитические и ad-hoc-задачи: оконные функции, подзапросы, операции множеств, витрины данных
готовить и исследовать данные на Python: pandas, очистка, категоризация, описательная статистика, визуализация, сводные таблицы
переводить бизнес-задачу в ML-формат и собирать признаки: кодирование, нормализация, feature engineering
обучать и сравнивать модели: линейные и логистические, SVM, KNN, деревья, ансамбли с бустингом и стэкингом, подбор гиперпараметров в Optuna
интерпретировать предсказания через SHAP, работать с дисбалансом классов и вести эксперименты в MLflow
обучать нейросети на PyTorch: MLP, рекуррентные сети GRU и LSTM, механизм внимания и трансформеры
собирать автоматизированные ML-пайплайны с версионированием в DVC и оркестрацией в Airflow
выводить модель в продакшн: сервис на FastAPI, контейнеризация в Docker, A/B-тесты, мониторинг в Prometheus и Grafana

Как проходит обучение

Спринты по 2 недели

Ритм задаёт спринт: внутри него занимаетесь когда удобно, но работу надо сдать в срок, как в настоящей команде.

Теория в интерактивном учебнике и тренажёр

Читаете урок и сразу применяете знания, код пишется на платформе школы, а не в отдельной среде.

Проекты с ручной проверкой

Каждый значимый спринт заканчивается проектом, работы вручную проверяют эксперты и пишут комментарии, а не выставляют автоматический зачёт.

Вебинары и чат с наставниками

Наставники разбирают сложные темы на вебинарах и остаются на связи в чате, ревьюеры дают обратную связь, кураторы напоминают о сроках.

Мастерская с настоящими заказчиками

Внутреннее агентство школы, где студенты берут заказы от бизнеса и НКО: в 2025 году через него прошли более 5 000 студентов.

Бесплатная часть с входным тестом

Шесть часов обучения до оплаты: знакомство с профессией, работа с готовой моделью и тест, который показывает, нужен ли вам подготовительный модуль.

Помощь с трудоустройством

У школы работает карьерный центр: сопровождение выпускников, вакансии партнёров, разбор резюме.

Со страницы курса: «Подготовка к поиску работы, 1 месяц. Активный поиск работы, до 8 месяцев. Получите доступ к платформе Карьера от Яндекс Практикума с 500+ партнёрами. Более 500 компаний регулярно приглашают выпускников Практикума на собеседования. Обратите внимание: карьерный центр помогает тем, кому уже исполнилось»

Уровень	Зарплата
Junior	115000
Middle	234000
Senior	398000

Часто задаваемые вопросы

Правда ли, что курс с нуля?

С нуля в машинном обучении, но не в технике вообще. Школа пишет, что для комфортного обучения нужны базовые технические знания по основам SQL, Python и математике для анализа данных, и описывает подходящую аудиторию как новичка в ML с технической базой, математика без опыта разработки или аналитика без опыта в ML. Если базы нет, есть подготовительный модуль на 2-6 недель, а нужен ли он, покажет входной тест в бесплатной части.

Чем этот курс отличается от «ML-инженера с опытом»?

Стартовой точкой, объёмом и поддержкой. Здесь 12 месяцев и 18 проектов: SQL, анализ данных, классический ML, нейросети и трансформеры, и только потом пайплайны, FastAPI, Docker и мониторинг. Там 4 месяца и только продакшн-часть, а классический ML требуется на входе. Здесь есть карьерная программа и Мастерская, там школа прямо пишет, что помощи с трудоустройством нет. Цена короткого курса 145 000 рублей против 192 000 рублей у этого.

Чем базовый тариф отличается от расширенного?

Базовый это 12 месяцев и 18 проектов за 192 000 рублей. Расширенный это 16 месяцев и 25 проектов за 256 000 рублей: плюс 51 час теории и 189 часов практики и семь спринтов по большим данным, Apache Spark, классическому NLP, архитектуре трансформеров и устройству LLM, RAG-системам, мультимодальности и дообучению моделей, а завершает всё проектный месяц с наставником. Часть модулей сделана вместе со Школой анализа данных Яндекса. В блоке тарифов принадлежность этих модулей описана неоднозначно, поэтому перед оплатой список лучше уточнить у менеджера.

Как помогают с работой?

Месяц подготовки: резюме проверяют HR-эксперты, тренируют сопроводительные письма, стратегию поиска, презентацию опыта и разговор о зарплате, отдельный блок посвящён техническим собеседованиям. Затем до 8 месяцев активного поиска: вакансии и стажировки партнёров, платформа «Карьера от Практикума» с более чем 500 компаниями, тренировочные собеседования, воркшопы с HR и работа в Мастерской. Две оговорки: карьерный центр работает с теми, кому исполнилось 18 лет, и программа трудоустройства не предусмотрена, если курс оплачивает работодатель.

Какой документ выдают?

Диплом о профессиональной переподготовке установленного образца, если успешно выполнен итоговый проект и есть среднее профессиональное или высшее образование. Если такого образования нет, вышлют сертификат о прохождении курса. Если курс не завершён, выдадут электронную справку об обучении с перечнем освоенных модулей.

Сколько времени занимает учёба?

Двенадцать месяцев базового тарифа, спринты по 2 недели, нагрузка около 15 часов в неделю. Подготовительный модуль, если он вам нужен, добавляет от 2 до 6 недель. В программе есть каникулы, а если не успеваете сдать проект, куратор помогает согласовать новый дедлайн.

Сколько зарабатывает ML-инженер?

Школа приводит данные Хабр Карьеры: 115 000 рублей у junior, 234 000 у middle и 398 000 у senior, и упоминает более 1 000 вакансий на hh.ru. Это ориентир по рынку, а не обещание школы: выпускник стартует с нижней ступени.

Как платить и можно ли вернуть деньги?

Платёж 7 838 рублей в месяц относится к графику на 36 месяцев, то есть к кредиту от банка с переплатой. Беспроцентная рассрочка от Т-Банка делит стоимость на срок обучения, первый платёж через месяц. Есть Яндекс Сплит, оплата через компанию или ИП и оплата работодателем, в том числе долями 50/50 и 75/25. При оплате целиком школа обещает выгоду до 20 %, ещё 13 % возвращает налоговый вычет. Если поток не начался, вернут всю сумму, а если передумаете в первую неделю после старта, оплатите только время с начала потока.

Отзывы о курсе «ML-инженер»

4.5 2 отзыва

5★1

4★1

3★0

2★0

1★0

АлинаРостов-на-Дону27.06.2026

Достоинства: проекты и обратная связь ревьюеров

Недостатки: путаница с тарифами и оговорка про оплату работодателем

Училась на базовом тарифе, брала его как аналитик без опыта в ML. Восемнадцать проектов это реально много, портфолио после курса выглядит убедительно, ревьюеры разбирают код построчно. Две претензии. Первая: я до последнего думала, что модули по NLP и большим языковым моделям входят в мой тариф, а они относятся к расширенному, и это выяснилось только когда я дошла до конца программы. Вторая: у нас в группе человек оплатил обучение через компанию и остался без карьерной программы, о чём узнал уже в процессе.

👍 0👎 0

РоманЧелябинск17.04.2026

Достоинства: порядок тем и подготовка к техническим собеседованиям

Недостатки: год по пятнадцать часов в неделю выдержать тяжело

Пришёл из бэкенда, математику помнил смутно, ML не трогал вообще. Подготовительный модуль прошёл, хотя тест сказал, что можно и без него, и не пожалел: линейную алгебру я забыл сильнее, чем думал. Дальше программа идёт ровной лесенкой, ни одного места, где непонятно, откуда взялась тема. Больше всего пользы принёс блок про пайплайны и FastAPI и отдельный модуль подготовки к собесам: алгоритмические задачи и вопросы по теории ML мне на интервью задавали почти дословно. Год держать пятнадцать часов в неделю тяжело, дважды брал каникулы.