Von deiner ersten Zeile Python zu Modellen, denen du vertrauen kannst: SQL, Diagramme, Statistik, dann Machine Learning mit scikit-learn. Echter Code im Browser, ein Diagramm pro ML-Lektion.
2,160,483+ codders in diesen Kursen eingeschrieben
487 Lektionen539 Aufgaben2,161 Quizfragen
KI-gestützte Coding-Hilfe
Praktische, interaktive Lektionen
Audio-Erzählung in jeder Lektion
Quizfragen zum Wissenstest
Ein Pfad-Zertifikat am Ende, plus 8 unterwegsEchter scikit-learn-Code mit seiner echten Ausgabe. Zieh den Schieberegler, um eine Zeile zu ändern, und sieh, was das Modell lernt.
Ein kleines k lernt jeden Trainingspunkt auswendig und zieht eine zackige Grenze. Ein größeres k glättet sie.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Jeder Schritt ist ein bestehender Coddy-Kurs. Mach sie der Reihe nach oder spring in den, der dir fehlt: Dein Fortschritt wird so oder so pro Kurs gespeichert.
Schreibe echten Code, frage Datenbanken ab, erstelle Websites und meistere KI-Prompts. Unsere interaktiven Lektionen decken alle Fähigkeiten ab, die moderne Entwickler brauchen.
Bleib konsequent und sieh zu, wie dein Fortschritt wächst! Verfolge deine tägliche Programmiergewohnheit, schütze deine Serie mit Einfrieroptionen und verdiene Belohnungen für jeden Tag.
12 Tage Serie
Komm morgen zurück, um deine Serie zu halten!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Doppelt oder Nichts
Tag 5 von 7
Serie Einfrieren
2 left
Tritt auf globalen Bestenlisten an, lade Freunde ein, um Belohnungen zu verdienen, und feiert gemeinsam eure Erfolge. Programmieren macht mit Freunden mehr Spaß!
1
2
3
AufstiegszoneLies, höre, teste dich, frag die KI oder schlage nach, was du schon gelernt hast. Jede Lektion passt sich dir an.
Eine Variable ist ein benannter Container, der einen Wert speichert, auf den du später im Programm verweisen kannst.
In Python erstellst du eine, indem du den Namen, ein Gleichheitszeichen und dann den Wert schreibst.
Der Wert kann sich ändern. Eine neue Zuweisung verweist den Namen einfach auf einen neuen Wert.
Verdiene Zertifikate für jeden abgeschlossenen Kurs. Füge sie deinem LinkedIn-Profil und Lebenslauf hinzu, um Arbeitgebern deine Programmierkenntnisse zu zeigen.
Abschlusszertifikat
Python-Grundlagen
Zu LinkedIn hinzufügenLerne Python, dann SQL, dann Daten mit pandas und matplotlib zu erkunden und darzustellen, dann genug Statistik, um ein Muster von Rauschen zu unterscheiden, dann Machine Learning mit scikit-learn. Das ist diese Roadmap, in dieser Reihenfolge. Dann baust du zwei oder drei Projekte mit öffentlichen Datensätzen, die eine Frage beantworten, die jemanden interessiert, und schreibst auf, was du herausgefunden hast.
Python. Es ist die Sprache fast jeder Data-Science-Stellenanzeige, und die Bibliotheken, die der Rest des Pfads nutzt (pandas, matplotlib, scikit-learn), sind Python-Bibliotheken. Der erste Schritt behandelt nur die Teile von Python, die die späteren Schritte brauchen: Variablen, Bedingungen, Schleifen, Funktionen und Listen.
Nicht für den Einstieg und für viele Jobs auch nicht. Arbeitgeber suchen Leute, die Daten mit SQL holen, sie mit pandas bereinigen und darstellen, mit Statistik darüber nachdenken und ein Modell bauen können, das sie verteidigen können. Dieser Pfad vermittelt die Statistik mit Simulationen und Diagrammen, ohne Analysis. Ein Studium hilft für Forschungsstellen; ein Portfolio ehrlicher Projekte hilft überall.
Etwa fünf bis sieben Monate bei einer Stunde am Tag. Die Python-Grundlagen brauchen rund sechs Wochen, SQL drei bis vier und die vier Machine-Learning-Abschnitte zusammen etwa 40 Stunden. Die Zeit danach, mit eigenen Projekten, macht aus den Fähigkeiten ein Portfolio.
Nein, und die Seite sagt das weiter unten auch. Er behandelt klassisches Machine Learning, die Modelle, mit denen die meisten geschäftlichen Probleme gelöst werden: Regression, Bäume, Forests, Boosting, Clustering und PCA. Neuronale Netze, Deep-Learning-Frameworks und große Sprachmodelle kommen danach, und sie sind leichter zu lernen, wenn du ein Modell sauber aufteilen, trainieren und bewerten kannst.
Ja. Schließe jeden Schritt ab, und du erhältst ein kostenloses Zertifikat für den ganzen Data Scientist-Pfad. Es listet jeden Kurs auf, den du unterwegs abgeschlossen hast, und verlinkt das Zertifikat jedes Kurses, damit jeder jede genannte Fähigkeit prüfen kann. Du kannst es zu deinem LinkedIn-Profil hinzufügen. Es ist ein Abschlusszertifikat von Coddy, kein akkreditierter Abschluss.
