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
- Apto para principiantes
Ayuda de codificación con IA
Lecciones interactivas prácticas
Narración de audio en cada lección
Cuestionarios para poner a prueba tu conocimiento
8 certificados gratis a lo largo de la ruta
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.
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()
La ruta de ciencia de datos, paso a paso
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.
- 1Paso 12 secciones, en orden
- 2Paso 2
SQL para obtener los datosPágina propia
Empezar este pasoEmpezarSelecciona, filtra, une, agrupa y agrega tablas reales. La mayoría de los datos de una empresa viven en una base de datos, y un científico de datos que sabe consultarla no espera a que otro se los exporte.EmpezarPágina propia2 secciones, en orden - 3Paso 3
Datos y gráficosPágina propia
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 - 4Paso 4
Estadística para machine learningPágina propia
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 - 5Paso 5
Aprendizaje supervisadoPágina propia
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 - 6Paso 6
Aprendizaje no supervisadoPágina propia
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
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.
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!
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
Doble o Nada
Día 5 de 7
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!
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.
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.
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.
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.