Dalla tua prima riga di Python a modelli di cui ti puoi fidare: SQL, grafici, statistica e poi machine learning con scikit-learn. Codice vero nel browser e un grafico in ogni lezione di ML.
2,160,483+ codder iscritti a questi corsi
487 lezioni539 sfide2,161 domande del quiz
Aiuto alla programmazione con l'AI
Lezioni interattive pratiche
Narrazione audio in ogni lezione
Quiz per mettere alla prova le tue conoscenze
Un certificato del percorso alla fine, più 8 lungo la stradaVero codice scikit-learn con il suo vero output. Trascina il cursore per cambiare una riga e guarda cosa impara il modello.
Un k piccolo memorizza ogni punto di addestramento e traccia un confine frastagliato. Un k più grande lo rende liscio.
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()
Ogni passo è un corso Coddy che esiste già. Seguili in ordine o salta a quello che ti manca: i tuoi progressi vengono salvati per ogni corso in ogni caso.
Scrivi codice vero, interroga database, crea siti web e padroneggia i prompt per l'AI. Le nostre lezioni interattive coprono tutte le competenze di cui ha bisogno uno sviluppatore moderno.
Sii costante e guarda crescere i tuoi progressi! Tieni traccia della tua abitudine quotidiana di programmare, proteggi la tua serie con i giorni di congelamento e guadagna ricompense ogni giorno che ti presenti.
12 giorni di serie
Torna domani per mantenere la tua serie!
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
Lascia o raddoppia
Giorno 5 di 7
Congela serie
2 left
Competi nelle classifiche globali, invita gli amici per guadagnare ricompense e festeggiate insieme i vostri successi. Programmare è più bello con gli amici!
1
2
3
Zona promozioneLeggi, ascolta, mettiti alla prova, chiedi all'AI o ripassa qualsiasi cosa tu abbia già visto. Ogni lezione si adatta a te.
Una variabile è un contenitore con un nome che memorizza un valore a cui puoi fare riferimento più avanti nel programma.
In Python la crei scrivendo il nome, un segno di uguale e poi il valore che vuoi memorizzare.
Il valore può cambiare nel tempo: riassegnare il nome lo fa semplicemente puntare a un nuovo valore.
Ottieni un certificato per ogni corso che completi. Aggiungilo al tuo profilo LinkedIn e al curriculum per mostrare ai datori di lavoro le tue competenze di programmazione.
Certificato di completamento
Fondamenti di Python
Aggiungi a LinkedInImpara Python, poi SQL, poi a esplorare e visualizzare i dati con pandas e matplotlib, poi abbastanza statistica per distinguere uno schema dal rumore, poi il machine learning con scikit-learn. È questo percorso, in quest'ordine. Dopo, costruisci due o tre progetti su dataset pubblici che rispondono a una domanda che interessa a qualcuno, e scrivi cosa hai scoperto.
Python. È il linguaggio di quasi ogni offerta di lavoro in data science, e le librerie che usa il resto del percorso (pandas, matplotlib, scikit-learn) sono librerie Python. Il primo passo copre solo le parti di Python che servono ai passi successivi: variabili, condizioni, cicli, funzioni e liste.
Non per iniziare, e non per molti lavori. Le aziende cercano persone che sanno recuperare i dati con SQL, pulirli e visualizzarli con pandas, ragionarci con la statistica e costruire un modello che sanno difendere. Questo percorso insegna la statistica con simulazioni e grafici, senza analisi matematica. Una laurea aiuta per i ruoli di ricerca; un portfolio di progetti onesti aiuta ovunque.
Da cinque a sette mesi circa, a un'ora al giorno. Le basi di Python richiedono circa sei settimane, SQL da tre a quattro, e le quattro sezioni di machine learning circa 40 ore in tutto. Il tempo che viene dopo, dedicato ai tuoi progetti, è quello che trasforma le competenze in un portfolio.
No, e la pagina lo dice qui sotto. Copre il machine learning classico, i modelli con cui si risolve la maggior parte dei problemi aziendali: regressione, alberi, random forest, boosting, clustering e PCA. Reti neurali, framework di deep learning e large language model vengono dopo, e sono più facili da imparare quando sai già dividere, addestrare e valutare bene un modello.
Sì. Completa ogni passo e ricevi un certificato gratuito per l'intero percorso Data scientist. Elenca ogni corso completato lungo il percorso, e rimanda al certificato di ogni corso, così chiunque può verificare ogni competenza indicata. Puoi aggiungerlo al tuo profilo LinkedIn. È un certificato di completamento di Coddy, non una qualifica accreditata.
