Menu
CoddyTech
Percorso di apprendimento

Corso di data science per principianti

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.

2,421,911+ codder iscritti a questi corsi

487 lezioni539 sfide2,161 domande del quiz

  • Adatto ai principianti
  • sparkles iconAiuto alla programmazione con l'AI
  • hint iconLezioni interattive pratiche
  • volume On iconNarrazione audio in ogni lezione
  • quiz iconQuiz per mettere alla prova le tue conoscenze
  • certificate icon8 certificati gratuiti lungo il percorso

Addestra un modello nel tuo browser

Vero 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.

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()
Caricamento dei grafici
Output
 

Il percorso di data science, passo dopo passo

6 corsi8 sezioni487 lezioni539 sfide2,161 domande del quiz

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.

  1. 1
  2. 2
  3. 3
  4. 4
    Inizia questo passoIniziaCentro e dispersione, distribuzioni, probabilità per simulazione, outlier, correlazione, linee di tendenza, p-value, scaling e codifica. Imparata simulando e disegnando grafici, non memorizzando formule.IniziaPagina dedicata
  5. 5
    Inizia questo passoIniziaDividi, addestra, predici e valuta con scikit-learn: k-NN, regressione lineare e logistica, alberi, random forest, boosting, cross-validation e pipeline, fino a un classificatore di specie di pinguini.IniziaPagina dedicata
  6. 6
Cosa ottieni
Tutto ciò che userai per imparare a programmare

Impara facendo

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.

playground.js
Editor di codice
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3    return greeting + " " + name
4}
5
bottombar Collapse icon
Test #1test Case Success icon
Test #2test Case Success icon
Test #3test Case Failure icon
Input
"Alex"
Output
"Hello, Coddy! Alex"

Costruisci la tua serie

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!

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

Lascia o raddoppia

Giorno 5 di 7

fire Freeze icon

Congela serie

2 left

Non sei solo

Competi nelle classifiche globali, invita gli amici per guadagnare ricompense e festeggiate insieme i vostri successi. Programmare è più bello con gli amici!

Lega Sfidante
Lega SfidanteI primi 7 avanzano
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 promozioneleaderboard Arrow Up icon

Tutti i modi per imparare

Leggi, ascolta, mettiti alla prova, chiedi all'AI o ripassa qualsiasi cosa tu abbia già visto. Ogni lezione si adatta a te.

Introduzione alle variabili
Audio

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.

1xSarah

Ottieni un certificato

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.

CoddyCertificato di completamento
Si certifica cheMario Rossiha completato con successo
python iconFondamenti di Python
Verificato
Datagen 2026
LinkedInAggiungi a LinkedIn

Perché seguire questo percorso di data science su Coddy

  • Un solo ordine, niente tentativi. Prima Python, poi SQL per recuperare i dati, poi grafici e statistica per capirli, poi i modelli per fare previsioni. Ogni passo usa quello che ha insegnato il precedente.
  • Vedi i dati. Ogni lezione di machine learning ha un grafico o un diagramma, e i grafici disegnati dal tuo codice compaiono lì accanto nella scheda Grafici, così una distribuzione, una correlazione o un confine di decisione sono cose che hai guardato, non solo letto.
  • Strumenti veri, niente da installare: Python, SQL, NumPy, pandas, matplotlib, SciPy e scikit-learn, tutti nel tuo browser, nelle versioni che usano i data scientist.
  • Due progetti completati, un classificatore di specie di pinguini e un esploratore di cifre scritte a mano, più sfide finali su abbandono dei clienti, frodi e test A/B. Ogni corso si chiude con un certificato gratuito.

Domande frequenti su come diventare data scientist

Come diventare data scientist partendo da zero?

Impara 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.

Che differenza c'è tra data analyst e data scientist?

Un analyst spiega cosa è successo: query, fogli di calcolo, grafici e report. Un data scientist prevede anche cosa succederà e verifica se un effetto è reale: statistica, machine learning ed esperimenti. I due condividono SQL, Python e pandas. Se il tuo obiettivo sono dashboard e reportistica, il percorso per data analyst è più adatto.

Cosa imparare prima per la data science?

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.

Servono una laurea o la matematica avanzata per la data science?

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.

Quanto tempo serve per completare questo percorso?

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.

Questo percorso di data science copre il deep learning?

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.

Altri percorsi di apprendimento

Gli stessi corsi, organizzati per un ruolo diverso. I progressi si mantengono: un corso completato in un percorso vale per ogni percorso che lo include.

Tutti i percorsi di apprendimento
Illustrazione dei linguaggi di programmazione di Coddy

Inizia gratis il percorso Data scientist

Inizia a imparare