Menu
CoddyTech
Ruta de aprendizaje

Cómo ser científico de datos: ruta para principiantes

De tu primera línea de Python a modelos en los que puedes confiar: SQL, gráficos, estadística y luego machine learning con scikit-learn. Código real en tu navegador y un gráfico en cada lección de ML.

2,421,911+ codders inscritos en estos cursos

487 lecciones539 retos2,161 preguntas de quiz

Entrena un modelo en tu navegador

Código real de scikit-learn con su resultado real. Mueve el control deslizante para cambiar una línea y ver qué aprende el modelo.

Con una k pequeña el modelo memoriza cada punto de entrenamiento y traza una frontera irregular. Con una k mayor, la frontera se suaviza.

k =5
main.py
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()
Cargando los gráficos
Salida
 

La ruta de ciencia de datos, paso a paso

6 cursos8 secciones487 lecciones539 retos2,161 preguntas de quiz

Cada paso es un curso de Coddy que ya existe. Hazlos en orden o salta al que te falte: tu progreso se guarda por curso en cualquier caso.

  1. 1
  2. 2
  3. 3
    Empezar este pasoEmpezarArrays de NumPy, tablas de pandas y gráficos de matplotlib, y luego los datasets iris, wine y digits que vienen incluidos. Las herramientas con las que empieza todo proyecto de machine learning, con un gráfico en cada lección.EmpezarPágina propia
  4. 4
    Empezar este pasoEmpezarCentro y dispersión, distribuciones, probabilidad por simulación, valores atípicos, correlación, líneas de tendencia, valores p, escalado y codificación. Aprendida simulando y graficando, no memorizando fórmulas.EmpezarPágina propia
  5. 5
    Empezar este pasoEmpezarDivide, ajusta, predice y puntúa con scikit-learn: k-NN, regresión lineal y logística, árboles, random forests, boosting, validación cruzada y pipelines, para acabar con un clasificador de especies de pingüinos.EmpezarPágina propia
  6. 6
    Empezar este pasoEmpezarEncuentra estructura sin etiquetas: k-means, clustering jerárquico, DBSCAN, PCA y detección de anomalías, para acabar con un proyecto que mapea y agrupa dígitos escritos a mano.EmpezarPágina propia
Lo que obtienes
Todo lo que usarás para aprender a programar

Aprende Haciendo

Escribe código real, consulta bases de datos, crea sitios web y domina los prompts de IA. Nuestras lecciones interactivas cubren todas las habilidades que los desarrolladores modernos necesitan.

playground.js
Editor de Código
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3    return greeting + " " + name
4}
5
bottombar Collapse icon
Prueba #1test Case Success icon
Prueba #2test Case Success icon
Prueba #3test Case Failure icon
Entrada
"Alex"
Salida
"Hello, Coddy! Alex"

Construye tu Racha

¡Mantén la constancia y observa cómo crece tu progreso! Sigue tu hábito diario de programación, protege tu racha con días de congelación y gana recompensas por aparecer cada día.

12 días de racha

¡Vuelve mañana para mantener tu racha!

fire Filled icon
left icon

January 2026

right icon

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

product Double Or Nothing icon

Doble o Nada

Día 5 de 7

fire Freeze icon

Congelar Racha

2 left

No Estás Solo

Compite en tablas de clasificación globales, invita amigos para ganar recompensas y celebra los logros de los demás. ¡Programar es mejor con amigos!

Liga Challenger
Liga ChallengerLos 7 mejores avanzan
leaderboard First icon1
avatar 1 icon
fire Filled icon
Alex7+ Days
2840
leaderboard Second icon2
avatar 2 icon
fire Filled icon
Jordan7+ Days
2650
leaderboard Third icon3
avatar 3 icon
fire Filled icon
Sam7+ Days
2420
4
avatar 4 icon
Casey
2180
5
avatar placeholder icon
fire Filled icon
Morgan7+ Days
1950
leaderboard Arrow Up iconZona de promociónleaderboard Arrow Up icon

Aprende de todas las formas

Lee, escucha, ponte a prueba, pregunta a la IA o consulta cualquier cosa que ya hayas estudiado. Cada lección se adapta a ti.

Introducción a variables
Audio

Una variable es un contenedor con nombre que guarda un valor al que puedes hacer referencia más tarde.

En Python, creas una escribiendo el nombre, un signo igual y el valor que quieres guardar.

El valor puede cambiar con el tiempo: reasignar el nombre simplemente lo apunta a un nuevo valor.

1xSarah

Certifícate

Gana certificados por cada curso que completes. Agrégalos a tu perfil de LinkedIn y currículum para mostrar tu experiencia en programación a los empleadores.

CoddyCertificado de Finalización
Esto certifica queJuan Pérezha completado exitosamente
python iconFundamentos de Python
Verificado
Fechaene 2026
LinkedInAgregar a LinkedIn

Por qué seguir esta ruta de ciencia de datos en Coddy

  • Un orden claro, sin adivinar. Primero Python, luego SQL para obtener los datos, después gráficos y estadística para entenderlos y, por último, modelos para predecir con ellos. Cada paso usa lo que enseñó el anterior.
  • Ves los datos. Cada lección de machine learning tiene un gráfico o un diagrama, y los gráficos que dibuja tu código aparecen al lado, en la pestaña Gráficos, así que una distribución, una correlación o una frontera de decisión son cosas que has mirado, no solo leído.
  • Herramientas reales, nada que instalar: Python, SQL, NumPy, pandas, matplotlib, SciPy y scikit-learn, todo en tu navegador y en las versiones que usan los científicos de datos.
  • Dos proyectos terminados, un clasificador de especies de pingüinos y un explorador de dígitos escritos a mano, además de retos finales sobre bajas de clientes, fraude y tests A/B. Cada curso termina con un certificado gratis.

Preguntas frecuentes sobre cómo ser científico de datos

¿Cómo ser científico de datos desde cero?

Aprende Python, luego SQL, luego a explorar y graficar datos con pandas y matplotlib, luego la estadística suficiente para distinguir un patrón del ruido y, por último, machine learning con scikit-learn. Esa es esta ruta, en ese orden. Después, crea dos o tres proyectos con datos públicos que respondan una pregunta que a alguien le importe, y escribe lo que encontraste.

¿Qué diferencia hay entre un analista de datos y un científico de datos?

Un analista explica lo que pasó: consultas, hojas de cálculo, gráficos e informes. Un científico de datos además predice lo que va a pasar y comprueba si un efecto es real: estadística, machine learning y experimentos. Los dos comparten SQL, Python y pandas. Si tu objetivo son los cuadros de mando y los informes, la ruta de analista de datos encaja mejor.

¿Qué debo aprender primero para la ciencia de datos?

Python. Es el lenguaje de casi todas las ofertas de empleo en ciencia de datos, y las librerías que usa el resto de la ruta (pandas, matplotlib, scikit-learn) son de Python. El primer paso cubre solo las partes de Python que necesitan los siguientes: variables, condiciones, bucles, funciones y listas.

¿Necesito una carrera o matemáticas avanzadas para la ciencia de datos?

No para empezar, ni para muchos empleos. Las empresas buscan gente capaz de obtener datos con SQL, limpiarlos y graficarlos con pandas, razonar sobre ellos con estadística y construir un modelo que sepa defender. Esta ruta enseña la estadística con simulaciones y gráficos, sin cálculo. Una carrera ayuda para puestos de investigación; un portafolio de proyectos honestos ayuda en todas partes.

¿Cuánto se tarda en completar esta ruta?

Entre cinco y siete meses a una hora al día. Lo básico de Python lleva unas seis semanas, SQL de tres a cuatro, y las cuatro secciones de machine learning unas 40 horas en total. El tiempo que viene después, dedicado a tus propios proyectos, es lo que convierte las habilidades en un portafolio.

¿Esta ruta de ciencia de datos incluye deep learning?

No, y la página lo dice más abajo. Cubre el machine learning clásico, los modelos con los que se resuelven la mayoría de los problemas de negocio: regresión, árboles, random forests, boosting, clustering y PCA. Las redes neuronales, los frameworks de deep learning y los grandes modelos de lenguaje vienen después, y son más fáciles de aprender cuando ya sabes dividir, entrenar y evaluar bien un modelo.

Otras rutas de aprendizaje

Los mismos cursos, ordenados para otro rol. El progreso se conserva: un curso terminado en una ruta cuenta en todas las rutas que lo incluyen.

Todas las rutas de aprendizaje
Ilustración de los lenguajes de programación de Coddy

Empieza la ruta de Científico de datos gratis

Empezar a aprender