Machine Learning Engineer

Machine Learning Engineer — это не аналитик, который строит модели в Jupyter. Это инженер, который доводит модели до продакшена: упаковывает в Docker, разворачивает на сервере, настраивает мониторинг и A/B-тесты. Программа совместная с МГУ — научная строгость плюс инженерная практика.

Первые 6 месяцев — фундамент: математика для ML (линейная алгебра, мат. анализ, теория вероятностей, статистика), Python (синтаксис, ООП, библиотеки), SQL и базы данных. Это то, что отличает глубокую программу от короткого курса — вы понимаете, почему модель работает, а не просто вызываете fit().

Месяцы 7–12 — классический ML: линейная и логистическая регрессия, деревья решений, случайный лес, градиентный бустинг (XGBoost, LightGBM, CatBoost). Feature engineering: как готовить признаки для моделей. Кросс-валидация, метрики качества, борьба с переобучением. scikit-learn как основной инструмент.

Месяцы 13–18 — глубокое обучение: нейронные сети с нуля (математика прямого и обратного распространения), PyTorch (тензоры, автоград, модели, обучение). CNN для компьютерного зрения, RNN и Transformer для NLP. Вы понимаете архитектуры, а не просто используете готовые модели.

Месяцы 19–25 — MLOps и продакшен: Docker для контейнеризации моделей, Git для версионирования, CI/CD для автоматизации. Мониторинг моделей в продакшене: деградация качества, дрейф данных. A/B-тестирование моделей. Финальный проект: end-to-end ML-система от данных до развёрнутой модели с мониторингом.

Сертификат МГУ — это документ, который признаётся академическим сообществом и работодателями. Он подтверждает не только практические навыки, но и теоретическую базу.