Год на джуна ML - оптимистично. Не хочу расстраивать, но конкуренция сейчас дикая. На одну позицию 200-300 откликов.

Если цель именно работа а не знания - смотри в сторону MLOps. Там твой фронтенд бэкграунд пригодится (деплой моделей, API, дашборды). Порог входа ниже, вакансий больше, платят не хуже.

Чистый ML research без PhD практически нереален

Математику можно учить параллельно с практикой. Я начинал вообще без матана - просто брал готовые модели из sklearn и обучал на датасетах. Понимание пришло потом, когда понадобилось тюнить гиперпараметры и разбираться почему модель не сходится.

Не трать 3 месяца на чистую математику, выгоришь. Лучше чередуй: неделя теории - неделя практики.

# Вот тебе минимальный пример чтобы понять что такое ML
# Установи: pip install scikit-learn

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Загружаем данные
data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.2
)

# Обучаем модель
model = RandomForestClassifier()
model.fit(X_train, y_train)

# Проверяем
predictions = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, predictions)}")

10 строк кода и у тебя работающая ML модель. Начни с этого, потом разбирайся что внутри.

Работаю в ML 6 лет, найму джунов.

Что реально смотрю на собесе:

1. Понимание bias-variance tradeoff
2. Как бороться с переобучением
3. Метрики (precision, recall, F1, ROC-AUC) - когда какую использовать
4. Умение объяснить как работает градиентный спуск
5. Опыт с реальными грязными данными (пропуски, выбросы)

Код можно загуглить, а вот понимание либо есть либо нет. Kaggle соревнования - хорошая практика, но там данные уже почищены. В реальности 80% времени тратишь на препроцессинг.

Держи ссылки:

• https://www.coursera.org/learn/machine-learning - курс Эндрю Ына
• https://www.fast.ai/ - практичный курс по DL
• https://www.kaggle.com/learn - бесплатные мини-курсы