ステップ1
学習パス
初心者のためのデータサイエンティスト・ロードマップ
Pythonの最初の1行から、信頼できるモデルまで：SQL、グラフ、統計、そしてscikit-learnによる機械学習。ブラウザで本物のコードを書き、機械学習のレッスンにはどれもグラフがあります。
2,421,911+ 人のcoddersがこれらのコースに登録中
487 レッスン539 チャレンジ2,161 クイズの問題
- 初心者向け
AIによるコーディングサポート
実践的なインタラクティブレッスン
全レッスンに音声ナレーション付き
知識を確かめるクイズ
パス全体で8枚の無料修了証
ブラウザでモデルを学習させよう
本物の scikit-learn のコードと、その本物の出力。スライダーで1行を変えて、モデルが何を学ぶか見てみましょう。
k が小さいと学習データの点をすべて覚えて、ギザギザの境界を描きます。k を大きくすると境界がなめらかになります。
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()
グラフを読み込み中
出力
データサイエンス・ロードマップのステップ
どのステップも、Coddyにある既存のコースです。順番に進めても、足りないところから始めても大丈夫です。どちらの場合も進捗はコースごとに保存されます。
- 1
- 2ステップ2
データを取り出すSQL専用ページ
このステップを始める開始実際の表で選択、絞り込み、結合、グループ化、集計を行います。企業のデータの多くはデータベースにあり、自分でクエリを書けるデータサイエンティストは、誰かがエクスポートしてくれるのを待つ必要がありません。開始専用ページ - 3ステップ3
データと可視化専用ページ
このステップを始める開始NumPyの配列、pandasの表、matplotlibのグラフ、そして組み込みのiris、wine、digitsデータセット。どの機械学習プロジェクトもここから始まる道具一式で、どのレッスンにもグラフがあります。開始専用ページ - 4ステップ4
機械学習のための統計専用ページ
このステップを始める開始中心とばらつき、分布、シミュレーションで学ぶ確率、外れ値、相関、傾向線、p値、スケーリングとエンコード。数式の暗記ではなく、シミュレーションとグラフで身につけます。開始専用ページ - 5ステップ5
教師あり学習専用ページ
このステップを始める開始scikit-learnで分割、学習、予測、評価：k-NN、線形回帰とロジスティック回帰、決定木、ランダムフォレスト、ブースティング、交差検証、パイプライン。最後はペンギンの種の分類モデルです。開始専用ページ - 6ステップ6
教師なし学習専用ページ
このステップを始める開始ラベルなしで構造を見つける：k-means、階層的クラスタリング、DBSCAN、PCA、異常検知。最後は手書き数字を地図に描いてグループ分けするプロジェクトです。開始専用ページ
使える機能
コーディングを学ぶために使うすべて
実践で学ぶ
実際のコードを書き、データベースをクエリし、ウェブサイトを構築し、AIプロンプトをマスターしましょう。インタラクティブなレッスンで現代の開発者に必要なすべてのスキルを網羅しています。
playground.js
コードエディタ
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
テスト #1
テスト #2
テスト #3
入力
"Alex"
出力
"Hello, Coddy! Alex"
連続記録を築こう
継続して進捗を見守りましょう！毎日のコーディング習慣を追跡し、フリーズ日で連続記録を守り、毎日参加することで報酬を獲得しましょう。
12 日連続
明日も戻ってきて連続記録を維持しましょう！
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
ダブル・オア・ナッシング
7日中5日目
連続記録フリーズ
2 left
あなたは一人じゃない
グローバルリーダーボードで競い、友達を招待して報酬を獲得し、お互いの成功を祝いましょう。プログラミングは友達と一緒の方が楽しい！
チャレンジャーリーグ上位7名が昇格
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
昇格ゾーンあらゆる学び方に対応
読む・聴く・自分を試す・AIに聞く・学んだことを調べる。どんな学び方にも対応したレッスンです。
変数の入門
音声
変数は、後でプログラム内で参照できる値を格納する、名前のついた入れ物です。
Pythonでは、名前、イコール記号、格納したい値の順で書くことで作成します。
値は後から変えられます。再代入すると、名前は新しい値を指すようになります。
1xSarah
修了証を取得
完了したすべてのコースで証明書を獲得しましょう。LinkedInプロフィールや履歴書に追加して、雇用主にプログラミングスキルをアピールしましょう。
修了証明書これは以下を証明します山田 太郎が正常に完了しました
Pythonの基礎
Pythonの基礎
日付2026年1月
LinkedInに追加Coddyでこのデータサイエンス・ロードマップを進める理由
- 迷わない、ひとつの順番。まずPython、次にデータを取り出すSQL、それを理解するためのグラフと統計、そして予測するためのモデル。どのステップも、前のステップで学んだことを使います。
- データが見える。機械学習のレッスンにはどれも図やグラフがあり、自分のコードが描いたグラフが隣の「グラフ」タブに表示されます。分布も相関も決定境界も、読んだだけのものではなく、自分の目で見たものになります。
- 本物の道具を、インストールなしで：Python、SQL、NumPy、pandas、matplotlib、SciPy、scikit-learn。どれもデータサイエンティストが使うバージョンで、ブラウザ上で動きます。
- 完成させるプロジェクトが2つ（ペンギンの種の分類モデルと手書き数字エクスプローラー）、さらに解約、不正、A/Bテストを扱う最終チャレンジ。どのコースにも無料の修了証があります。
データサイエンティストを目指す人からのよくある質問
未経験からデータサイエンティストになるには？
Python、次にSQL、次にpandasとmatplotlibでデータを探索してグラフにする方法、次にパターンとノイズを見分けられるだけの統計、そしてscikit-learnによる機械学習を学びます。それがこのロードマップの順番です。そのうえで、誰かが気にかける問いに答えるプロジェクトを公開データセットで2つか3つ作り、わかったことを文章にまとめましょう。
データアナリストとデータサイエンティストの違いは何ですか？
アナリストは何が起きたかを説明します。クエリ、スプレッドシート、グラフ、レポートです。データサイエンティストはさらに、これから何が起きるかを予測し、効果が本物かどうかを検証します。統計、機械学習、実験です。両者はSQL、Python、pandasを共有しています。ダッシュボードやレポートが目標なら、データアナリスト・パスのほうが合っています。
データサイエンスは何から学ぶべきですか？
Pythonです。データサイエンスの求人のほとんどで使われている言語で、このパスで後に使うライブラリ（pandas、matplotlib、scikit-learn）もPythonのライブラリです。最初のステップでは、後のステップで必要になるPythonの部分だけを扱います：変数、条件分岐、ループ、関数、リスト。
データサイエンスに学位や高度な数学は必要ですか？
始めるには不要で、多くの仕事でも不要です。企業が求めるのは、SQLでデータを取り出し、pandasで整えてグラフにし、統計で考え、根拠を説明できるモデルを作れる人です。このパスでは統計をシミュレーションとグラフで教え、微積分は使いません。研究職なら学位が役立ちますが、正直なプロジェクトのポートフォリオはどこでも役立ちます。
このロードマップを終えるまでどのくらいかかりますか？
1日1時間で約5か月から7か月です。Pythonの基礎が約6週間、SQLが3週間から4週間、4つの機械学習セクションが合わせて約40時間。その後、自分のプロジェクトに使う時間が、スキルをポートフォリオに変えてくれます。
このデータサイエンス・パスでディープラーニングは扱いますか？
いいえ。このページの下にもそう書いています。扱うのは古典的な機械学習、つまり多くのビジネス課題を解いているモデルです：回帰、決定木、ランダムフォレスト、ブースティング、クラスタリング、PCA。ニューラルネットワーク、ディープラーニングのフレームワーク、大規模言語モデルはその後に学ぶもので、モデルをきちんと分割、訓練、評価できるようになってからのほうがずっと学びやすくなります。
