От диагностики и карты белых пятен до реальных собеседований и оффера в ML

Нет. Программа начинается с диагностики уровня, а первый модуль закрывает Python, SQL и алгоритмы с самых основ. Если опыт уже есть, диагностика покажет, какие темы можно пройти быстрее, и план строится вокруг твоих пробелов, а не с нуля.

Можно, и таких учеников много: с завода, из аналитики, после универа с нулевым багажом по ML. Вкатиться в machine learning с нуля реально, вопрос в маршруте и темпе. Разница с самостоятельным стартом в том, что ты сразу идёшь по проверенному маршруту, а не собираешь его из случайных курсов. Одно оцени реалистично: с нуля путь до оффера длиннее, чем у человека с опытом — 4–6 месяцев против 2–2,5, и на диагностике я честно скажу, сколько он займёт у тебя.

Да, это один из основных форматов. Бэкендеры на Java и Python, аналитики и тестировщики приходят, чтобы перейти в ML, а действующие ML-инженеры — чтобы выйти на следующий грейд и зарплату. На старте разбираем твой опыт и точки роста, дальше работаем над тем, что реально мешает следующему шагу, а не повторяем известное.

Не поздно. Среди моих учеников есть люди от 25 до 40 лет. Ни я, ни работодатели в ML не отбирают по возрасту: на собеседовании смотрят на навыки, легенду и то, как ты рассуждаешь. Опыт из другой области — финансы, медицина, инженерия — это плюс, а не минус: ты видишь задачи под углом, который не видят вчерашние студенты. Единственное, что реально мешает, это ожидание быстрого результата, поэтому сроки честно обсуждаем на диагностике.

Это нормальная стартовая точка. Пройди бесплатную диагностику на сайте: восемь осей от Python до NLP, вопросы из реальных собесов и радар с белыми пятнами на выходе. После неё будет понятно, с какого модуля начинать и подходит ли программа вообще. На созвоне разберём результат и цели.

Сначала тех-скрининг: первый технический синк, где смотрим твой уровень и собираем план. Дальше доступ к платформе shamil.ai с 23 курсами и к закрытым чатам. Потом идут модули — Python и алгоритмы, математика, классический ML, Deep Learning, NLP — с еженедельными созвонами со мной, отчётами и code review. После них карьерный блок: легенда, резюме, моки и выход на рынок.

Я, полностью. Программу определяю, все шесть моков и созвоны провожу сам, разборы пишу и легенду собираю лично: 1-1 у меня с каждым учеником, и написать мне можно в любой момент. Сверху к этому идёт помощь комьюнити: ученики с офферами отвечают в чатах и гоняют друг друга на предмоках. Отдельная фича — бадди: трудоустроенный выпускник, которого я отобрал сам, подключается, когда я занят на моке и ответ нужен прямо сейчас. Это добавка ко мне, а не замена: свою работу я никому не делегирую.

Это одно и то же поле, просто слова из разного времени и разного маркетинга. Data Science — название области знаний, как Computer Science. ML Engineer, AI-инженер, дата-сайентист в вакансиях чаще всего означают одного и того же человека: того, кто работает с данными и моделями. Разница начинается ниже, в доменах. Classic ML и Deep Learning — фундамент, их проходят все. NLP сегодня тоже база, без неё никуда. А дальше идёт развилка: LLM и агенты или RecSys, это параллельные ветки, а не ступени. LLM сейчас нужны почти везде, вплоть до компаний, далёких от ML; RecSys живут в основном в крупных продуктах, вакансий меньше, но и конкуренция другая. Целевой домен мы выбираем на середине программы, когда уже видно, что тебе ближе и где твои шансы выше.

Это разгоняют люди, далёкие от индустрии. Пока я работаю в поиске, ML каждый месяц приносит компании деньги: лучше ранжирование, выше конверсия, меньше фрода. Область не сжимается, а растёт вширь: модели внедряют даже там, где про ML раньше не думали. Молодая профессия — это не риск, а причина, по которой в неё ещё можно войти и быстро вырасти.

Да, и это не формальность. Машинное обучение без данных не бывает, а данные лежат в базах. Нужно уметь писать запросы, фильтровать, группировать и джойнить большие таблицы, понимать, какая база под какую задачу. На собесах секция по SQL и хранилищам встречается почти всегда. В программе этому отведён свой блок, с нуля объяснять не придётся, если ты уже разработчик.

Обычно оффер приходит за один-два месяца активного поиска. Бывает до четырёх — это тоже нормально, у всех свои пожелания по деньгам и команде: кто хватается за первый оффер, выходит быстрее. Когда поиск затягивается, причина почти всегда одна из трёх: мало собеседований, человек не разбирает обратную связь после отказов или проваливает самопрезентацию. Последнее решаемо: на собесе человек выбирает человека, поэтому легенду и рассказ о себе мы прогоняем отдельно, до первого боевого интервью.

Я занимаюсь только менторством и работой, других проектов у меня нет, поэтому я на связи: написать можно в любой момент. Созвоны и моки бронируются заранее, 1-1 есть у каждого ученика, а набор ограничен шестью людьми в месяц как раз для того, чтобы это не превратилось в поток. Свою работу я не делегирую: программу, моки, разборы и легенду делаю сам.

Да, это отдельный блок «Хак собесов». Собираем резюме и легенду на 40+ страниц, проводим моки, разбираем реальные интервью по свежим вопросам из чата, сопровождаем отклики и собеседования, помогаем оценить предложение и провести переговоры по зарплате. Медиана от первого отклика до оффера — 48 дней.

Не пишу код и не решаю задания за тебя — на собеседовании это сразу видно. Не обещаю оффер и не называю сроки, которых не могу обеспечить. Не пишу легенду без твоего участия: она должна быть твоей, чтобы ты мог её защитить. Не хожу за тебя на собеседования и не откликаюсь вместо тебя. И не держу за руку тех, кто не присылает отчёты и пропадает: программа рассчитана на регулярную работу с обеих сторон.

Программа рассчитана на регулярную работу, а не на рывки. Реально нужно 8–10 часов в неделю: по полтора часа в будни плюс выходные. Внутри недели — уроки на платформе, созвон со мной, отчёт и code review. Точный объём зависит от уровня и цели, на диагностике это обсуждаем. Если горит дедлайн на работе — спокойно сдвигаем.

Да, большинство учеников совмещают. Формат полностью дистанционный, материалы и записи доступны в любое время, созвоны согласуем заранее. Истории учеников на сайте как раз про людей, которые готовились параллельно с работой и вышли на оффер за 4–6 месяцев.

Тогда у тебя, скорее всего, есть знания, но нет системы и практики под требования рынка — это самая частая ситуация. Диагностика покажет, что уже усвоено, и план строится вокруг пробелов. Главное отличие от курсов не в материалах, а в обратной связи, моках, легенде и карьерном блоке, которые доводят до оффера.

Да, постоянно. Я работаю в Поиске Авито и переношу на платформу то, чем мы реально пользуемся в проде: новые архитектуры, подходы к LLM, свежие вопросы с собесов учеников. Чаще всего меняются NLP и LLM. Классический ML и DL остаются фундаментом и обновляются реже, потому что сама база почти не меняется. За новинками следит ИИ-агент: он присылает мне сводку, а я решаю, что добавить в уроки. Когда урок меняется или выходит новый курс, на платформе приходит уведомление. Все обновления остаются у тебя навсегда, в том числе после оффера.

В формате реального технического интервью, с теми же вопросами, темпом и давлением. Всего шесть моков со мной: тех-скрининг на старте, два по классическому ML (ML и ML+), по одному после Deep Learning, NLP и целевого направления — LLM или RecSys. Каждый с записью и разбором: где ответ засчитали бы, а где нет, что доучить и как переформулировать. Между моками ученики проводят предмоки друг с другом, поэтому к первому боевому собесу формат уже привычен.

Яндекс, Т-Банк, Сбер, ВТБ, Wildberries и удалёнка за рубежом в долларах. Медиана офферов — 330 000 ₽ на руки, есть офферы на 400 000 ₽ и выше. Истории с цифрами и сроками собраны на странице «Истории».

Все материалы программы на русском, для старта английский не нужен. Читать документацию и статьи полезно, но это навык, который прокачивается по ходу, а не блокер. Многие ребята начинали без уверенного английского и спокойно вышли на оффер.