Formation data science pour devenir data scientist
De ta première ligne de Python à des modèles fiables : SQL, graphiques, statistiques, puis machine learning avec scikit-learn. Du vrai code dans ton navigateur, un graphique par leçon de ML.
2,421,911+ codders inscrits à ces cours
487 leçons539 défis2,161 questions de quiz
- Adapté aux débutants
Aide au codage assistée par IA
Leçons interactives et pratiques
Narration audio dans chaque leçon
Quiz pour tester vos connaissances
8 certificats gratuits tout au long du parcours
Entraîne un modèle dans ton navigateur
Du vrai code scikit-learn avec son vrai résultat. Fais glisser le curseur pour changer une ligne et vois ce que le modèle apprend.
Un petit k mémorise chaque point d'entraînement et trace une frontière irrégulière. Un k plus grand la lisse.
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 feuille de route data science, étape par étape
Chaque étape est un cours Coddy existant. Suis-les dans l'ordre, ou commence par celui qui te manque : ta progression est enregistrée par cours dans tous les cas.
- 1Étape 12 sections, dans l'ordre
- 2Étape 2
SQL pour récupérer les donnéesPage dédiée
Commencer cette étapeDémarrerSélectionner, filtrer, joindre, regrouper et agréger de vraies tables. La plupart des données d'entreprise vivent dans une base, et un data scientist qui sait l'interroger n'attend pas qu'un autre lui fasse un export.DémarrerPage dédiée2 sections, dans l'ordre - 3Étape 3
Données et graphiquesPage dédiée
Commencer cette étapeDémarrerTableaux NumPy, tables pandas et graphiques matplotlib, puis les jeux de données intégrés iris, vin et chiffres manuscrits. La boîte à outils de tout projet de machine learning, avec un graphique dans chaque leçon.DémarrerPage dédiée - 4Étape 4
Statistiques pour le machine learningPage dédiée
Commencer cette étapeDémarrerTendance centrale et dispersion, distributions, probabilités par simulation, valeurs aberrantes, corrélation, droites de tendance, p-values, mise à l'échelle et encodage. Appris en simulant et en traçant, pas en mémorisant des formules.DémarrerPage dédiée - 5Étape 5
Apprentissage superviséPage dédiée
Commencer cette étapeDémarrerDécouper, entraîner, prédire et évaluer avec scikit-learn : k-NN, régression linéaire et logistique, arbres, forêts, boosting, validation croisée et pipelines, jusqu'à un classifieur d'espèces de manchots.DémarrerPage dédiée - 6Étape 6
Apprentissage non superviséPage dédiée
Commencer cette étapeDémarrerTrouver une structure sans étiquettes : k-means, clustering hiérarchique, DBSCAN, PCA et détection d'anomalies, jusqu'à un projet qui cartographie et regroupe des chiffres manuscrits.DémarrerPage dédiée
Apprendre en Faisant
Écrivez du vrai code, interrogez des bases de données, créez des sites web et maîtrisez les prompts IA. Nos leçons interactives couvrent toutes les compétences dont les développeurs modernes ont besoin.
Construisez Votre Série
Restez constant et regardez vos progrès grandir! Suivez votre habitude quotidienne de codage, protégez votre série avec des jours de gel et gagnez des récompenses en vous connectant chaque jour.
12 jours de série
Revenez demain pour maintenir votre série!
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
Quitte ou Double
Jour 5 sur 7
Gel de Série
2 left
Vous N'êtes Pas Seul
Affrontez les classements mondiaux, invitez des amis pour gagner des récompenses et célébrez les succès des autres. Coder, c'est mieux entre amis!
Apprenez comme vous voulez
Lisez, écoutez, testez-vous, demandez à l'IA ou retrouvez ce que vous avez déjà étudié. Chaque leçon s'adapte à vous.
Une variable est un conteneur nommé qui stocke une valeur réutilisable plus tard dans votre programme.
En Python, on en crée une en écrivant le nom, un signe égal, puis la valeur à stocker.
La valeur peut évoluer : réassigner le nom le fait simplement pointer vers une nouvelle valeur.
Certifiez-vous
Gagnez des certificats pour chaque cours terminé. Ajoutez-les à votre profil LinkedIn et CV pour montrer votre expertise en programmation aux employeurs.
Pourquoi suivre cette formation data science sur Coddy
- Un seul ordre, aucune hésitation. Python d'abord, puis SQL pour récupérer les données, puis graphiques et statistiques pour les comprendre, puis des modèles pour prédire. Chaque étape utilise ce que la précédente a enseigné.
- Tu vois les données. Chaque leçon de machine learning a un graphique ou un schéma, et les graphiques que dessine ton code apparaissent à côté, dans l'onglet Graphiques : une distribution, une corrélation ou une frontière de décision, tu l'as regardée, pas seulement lue.
- De vrais outils, rien à installer : Python, SQL, NumPy, pandas, matplotlib, SciPy et scikit-learn, tous dans ton navigateur, dans les versions qu'utilisent les data scientists.
- Deux projets terminés, un classifieur d'espèces de manchots et un explorateur de chiffres manuscrits, plus des défis finaux sur l'attrition, la fraude et les tests A/B. Chaque cours se termine par un certificat gratuit.