ML-инженер — это специалист, который превращает модели машинного обучения в работающие сервисы: обучает их на данных и встраивает в продукт, где они принимают решения без участия человека.
Рабочий день складывается из четырёх частей: подготовить данные и признаки, обучить и сравнить несколько моделей, вывести лучшую в production и следить за её качеством, когда данные меняются. ML-инженер стоит на стыке разработки и анализа данных — он пишет промышленный код, разворачивает пайплайны обучения, настраивает мониторинг метрик и переобучение. От дата-сайентиста его отличает акцент на инженерии: исследовать гипотезы важно, но результатом считается модель, которая стабильно работает в продукте. Такие специалисты нужны в финтехе, e-commerce, медтехе, рекламе и беспилотных системах.
Профессия требует одновременно математики, программирования и инженерной культуры.
По данным «Хабр Карьеры» за первое полугодие 2026 года медиана в IT составила 191 000 ₽. По грейдам в целом по IT медианы такие: 93 000 ₽ у Junior, 167 000 ₽ у Middle и 293 000 ₽ у Senior. Отдельной медианы для ML-инженеров в отчёте нет; ближайший опубликованный ориентир — медиана по языку Python, 243 000 ₽ (+6% за полугодие). По городам: 235 000 ₽ в Москве, 200 000 ₽ в Петербурге и 160 000 ₽ в остальных регионах.
Источники: отчёт «Зарплаты IT-специалистов в первой половине 2026 года» и калькулятор зарплат «Хабр Карьеры». Данные за первое полугодие 2026 года, проверены в августе 2026 года.
Ниже тот же маршрут в подробностях: этапы обучения и курсы к каждому из них.
Этап закладывает фундамент: Python — основной язык ML-инженера, и без уверенного владения им двигаться дальше не получится. Вы освоите синтаксис, типы данных, функции и алгоритмические конструкции, а затем перейдёте к продвинутым возможностям языка. Дополнительно рассматриваются математические основы программирования, которые пригодятся при работе с моделями.
Git, терминал и контейнеризация нужны ML-инженеру с первых шагов: эксперименты версионируются, среды воспроизводятся через Docker, а командная строка используется ежедневно. Этот этап идёт в начале, чтобы все последующие практические задания выполнялись в правильной профессиональной среде.
Без математики в ML-разработке далеко не уедешь — модели построены на теории вероятностей, линейной алгебре и статистике. На этом этапе вы разберёте вероятностные модели, научитесь интерпретировать статистические тесты и проводить A/B-тестирование. Эти знания потребуются как при построении и оценке моделей, так и на собеседованиях — статистику и линейную алгебру спрашивают практически везде.
Прежде чем строить модели, нужно научиться понимать данные. На этом этапе вы освоите разведочный анализ (EDA), научитесь работать с Pandas, визуализировать данные с помощью Matplotlib и Seaborn и выявлять закономерности и аномалии. Отдельно рассматривается SQL — без него невозможно полноценно работать с данными в реальных проектах, где большинство обучающих выборок хранится в базах данных.
Это фундаментальный этап, без которого невозможно двигаться к глубокому обучению. Вы освоите основные алгоритмы МО — линейные модели, деревья решений, ансамблевые методы — и разберётесь с их математическими основами. Отдельно рассматриваются подготовка данных, генерация признаков и оценка качества моделей. Реализация алгоритмов с нуля на чистом Python даст понимание того, что происходит "под капотом" готовых библиотек.
После освоения классического ML наступает время нейронных сетей — основного инструмента современного ML-инженера. На этом этапе вы изучите PyTorch, разберётесь с архитектурами нейросетей, научитесь обучать модели и визуализировать эксперименты. Освоите современные инструменты для написания production-кода и логирования экспериментов.
Умение строить модели — это половина работы ML-инженера. Вторая половина — доводить их до реального использования и поддерживать в рабочем состоянии. На этом этапе вы освоите полный цикл ML-проекта: от постановки бизнес-задачи до деплоя и мониторинга модели. Именно эти навыки отличают ML-инженера от дата-сайентиста и делают его ценным участником продуктовой команды.
Формирует понимание процессов в продуктовой команде. Вы изучите принципы Agile, Scrum и Kanban, роли участников и артефакты спринтов. ML-инженер работает в кросс-функциональных командах и должен понимать, как устроены процессы разработки вокруг него.
Завершающий этап — выход на рынок труда. Вы узнаете, как составить резюме и портфолио, которые привлекут внимание работодателя, как проходить технические собеседования по ML и статистике и на что обращать внимание при выборе первой компании.
Да, но не в объёме математического факультета. Понадобятся линейная алгебра, основы матанализа, теория вероятностей и статистика — этого хватает, чтобы понимать, как устроены модели и почему метрика ведёт себя именно так. Математику удобно подтягивать параллельно с первыми моделями, а не до них.
При 10–15 часах в неделю на маршрут уходит около 12–18 месяцев: 3–4 месяца на Python и инструменты, ещё 3–4 на математику и анализ данных, полгода на классическое ML и нейросети, остальное — на проекты и подготовку к собеседованиям.
Можно: на собеседовании проверяют код, понимание метрик и умение довести модель до работающего сервиса. Диплом технического вуза упрощает старт и иногда нужен формально в крупных корпорациях, но портфолио из воспроизводимых проектов на практике весит больше.
Дата-сайентист чаще исследует данные и проверяет гипотезы, его результат — найденная закономерность или прототип модели. ML-инженер отвечает за то, чтобы модель работала в продукте: пишет промышленный код, разворачивает пайплайны, настраивает мониторинг и переобучение.
ML-инженер обучает собственные модели на данных компании. ИИ-инженер строит продукты поверх готовых больших языковых моделей: подключает их к данным и инструментам, собирает RAG-системы и агентов. Задачи пересекаются, но набор инструментов и глубина математики разные.