Krok 1
Podstawy PythonaOsobna strona
Zacznij ten krokZacznijZmienne, warunki, pętle, funkcje i listy: dwie sekcje kursu Python, na których opiera się wszystko dalej. Klasy i pliki mogą poczekać.ZacznijOsobna stronaSekcje po kolei: 2
Ścieżka nauki
Data science od podstaw: jak zostać data scientist
Od pierwszej linijki Pythona do modeli, którym możesz ufać: SQL, wykresy, statystyka, potem uczenie maszynowe ze scikit-learn. Prawdziwy kod w przeglądarce, wykres w każdej lekcji ML.
2,421,911+ osób zapisanych na te kursy
487 lekcje539 wyzwania2,161 pytania quizowe
- Dla początkujących
Pomoc AI przy programowaniu
Praktyczne, interaktywne lekcje
Narracja audio w każdej lekcji
Quizy sprawdzające wiedzę
Darmowe certyfikaty na tej ścieżce: 8
Wytrenuj model w przeglądarce
Prawdziwy kod scikit-learn i jego prawdziwy wynik. Przesuń suwak, żeby zmienić jedną linię, i zobacz, czego uczy się model.
Małe k zapamiętuje każdy punkt treningowy i rysuje poszarpaną granicę. Większe k ją wygładza.
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()
Wczytywanie wykresów
Wynik
Ścieżka data science krok po kroku
Każdy krok to istniejący kurs Coddy. Przechodź je po kolei albo wskocz do tego, którego ci brakuje: postęp i tak zapisuje się osobno dla każdego kursu.
- 1
- 2Krok 2
SQL do pobierania danychOsobna strona
Zacznij ten krokZacznijWybieranie, filtrowanie, łączenie, grupowanie i agregowanie prawdziwych tabel. Większość danych firmowych leży w bazie, a data scientist, który umie ją odpytać, nie czeka, aż ktoś inny zrobi eksport.ZacznijOsobna stronaSekcje po kolei: 2 - 3Krok 3
Dane i wykresyOsobna strona
Zacznij ten krokZacznijTablice NumPy, tabele pandas i wykresy matplotlib, a potem wbudowane zbiory iris, wine i digits. Zestaw, od którego zaczyna się każdy projekt uczenia maszynowego, z wykresem w każdej lekcji.ZacznijOsobna strona - 4Krok 4
Statystyka dla uczenia maszynowegoOsobna strona
Zacznij ten krokZacznijŚrodek i rozrzut, rozkłady, prawdopodobieństwo przez symulację, obserwacje odstające, korelacja, linie trendu, p-wartości, skalowanie i kodowanie. Poznawane przez symulowanie i rysowanie, a nie wkuwanie wzorów.ZacznijOsobna strona - 5Krok 5
Uczenie nadzorowaneOsobna strona
Zacznij ten krokZacznijDzielenie danych, dopasowanie, przewidywanie i ocena ze scikit-learn: k-NN, regresja liniowa i logistyczna, drzewa, lasy, boosting, walidacja krzyżowa i pipeline'y, a na koniec klasyfikator gatunków pingwinów.ZacznijOsobna strona - 6Krok 6
Uczenie nienadzorowaneOsobna strona
Zacznij ten krokZacznijSzukanie struktury bez etykiet: k-means, klasteryzacja hierarchiczna, DBSCAN, PCA i wykrywanie anomalii, a na koniec projekt, który mapuje i grupuje odręcznie pisane cyfry.ZacznijOsobna strona
Co dostajesz
Wszystko, czego potrzebujesz do nauki programowania
Ucz się w praktyce
Pisz prawdziwy kod, odpytuj bazy danych, twórz strony internetowe i opanuj prompty AI. Nasze interaktywne lekcje obejmują wszystkie umiejętności, których potrzebuje współczesny programista.
playground.js
Edytor kodu
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Test #1
Test #2
Test #3
Dane wejściowe
"Alex"
Wynik
"Hello, Coddy! Alex"
Buduj swoją serię
Ucz się regularnie i patrz, jak rosną twoje postępy! Śledź codzienny nawyk programowania, chroń serię dzięki zamrożeniom i zdobywaj nagrody za każdy dzień nauki.
12 dni serii
Wróć jutro, aby utrzymać serię!
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
Podwójnie albo nic
Dzień 5 z 7
Zamrożenie serii
2 left
Nie uczysz się w pojedynkę
Rywalizuj w globalnych rankingach, zapraszaj znajomych po nagrody i świętujcie wspólnie swoje sukcesy. Z przyjaciółmi programuje się lepiej!
Liga ChallengerAwansuje 7 najlepszych
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Strefa awansuKażdy sposób nauki
Czytaj, słuchaj, sprawdzaj się, pytaj AI albo wracaj do tego, co już znasz. Każda lekcja dopasowuje się do ciebie.
Wprowadzenie do zmiennych
Audio
Zmienna to nazwany pojemnik przechowujący wartość, do której możesz później odwołać się w programie.
W Pythonie tworzysz ją, pisząc nazwę, znak równości, a potem wartość, którą chcesz zapisać.
Wartość może się zmieniać: ponowne przypisanie po prostu wskazuje nazwą nową wartość.
1xZofia
Zdobądź certyfikat
Zdobywaj certyfikaty za każdy ukończony kurs. Dodaj je do profilu na LinkedIn i CV, aby pokazać pracodawcom swoje umiejętności programistyczne.
Certyfikat ukończeniaCertyfikat dlaJan Kowalskiza pomyślne ukończenie kursu
Podstawy Pythona
Podstawy Pythona
Datasty 2026
Dodaj do LinkedInDlaczego warto przejść tę ścieżkę data science na Coddy
- Jedna kolejność, zero zgadywania. Najpierw Python, potem SQL, żeby zdobyć dane, potem wykresy i statystyka, żeby je zrozumieć, a na koniec modele, żeby z nich przewidywać. Każdy krok korzysta z tego, czego nauczył poprzedni.
- Widzisz dane. Każda lekcja uczenia maszynowego ma wykres albo schemat, a wykresy rysowane przez twój kod pojawiają się obok, w zakładce Wykresy, więc rozkład, korelację czy granicę decyzyjną naprawdę oglądasz, a nie tylko o nich czytasz.
- Prawdziwe narzędzia, nic do instalowania: Python, SQL, NumPy, pandas, matplotlib, SciPy i scikit-learn, wszystko w przeglądarce, w wersjach, których używają data scientists.
- Dwa ukończone projekty, klasyfikator gatunków pingwinów i eksplorator odręcznie pisanych cyfr, do tego wyzwania końcowe o odejściach klientów, oszustwach i testach A/B. Każdy kurs kończy się darmowym certyfikatem.
Najczęstsze pytania o to, jak zostać data scientist
Jak zostać data scientist od zera?
Naucz się Pythona, potem SQL, potem eksplorowania danych i rysowania wykresów w pandas i matplotlib, potem tyle statystyki, by odróżnić wzorzec od szumu, a potem uczenia maszynowego ze scikit-learn. To właśnie ta ścieżka, w tej kolejności. Następnie zbuduj dwa albo trzy projekty na publicznych zbiorach danych, które odpowiadają na pytanie, na którym komuś zależy, i opisz, co odkryłeś.
Czym różni się analityk danych od data scientist?
Analityk wyjaśnia, co się wydarzyło: zapytania, arkusze, wykresy i raporty. Data scientist przewiduje też, co się wydarzy, i sprawdza, czy efekt jest prawdziwy: statystyka, uczenie maszynowe i eksperymenty. Obaj korzystają z SQL, Pythona i pandas. Jeśli twoim celem są dashboardy i raportowanie, bliżej ci do ścieżki analityka danych.
Od czego zacząć naukę data science?
Od Pythona. To język niemal każdej oferty pracy w data science, a biblioteki, z których korzysta reszta ścieżki (pandas, matplotlib, scikit-learn), są bibliotekami Pythona. Pierwszy krok obejmuje tylko te części Pythona, których potrzebują kolejne kroki: zmienne, warunki, pętle, funkcje i listy.
Czy do data science potrzebuję studiów albo zaawansowanej matematyki?
Nie na start i nie do wielu prac. Pracodawcy szukają ludzi, którzy potrafią pobrać dane SQL-em, oczyścić je i pokazać na wykresie w pandas, rozumować o nich statystycznie i zbudować model, którego umieją bronić. Ta ścieżka uczy statystyki na symulacjach i wykresach, bez analizy matematycznej. Studia pomagają przy stanowiskach badawczych; portfolio uczciwych projektów pomaga wszędzie.
Ile trwa przejście tej ścieżki?
Około pięciu do siedmiu miesięcy przy godzinie dziennie. Podstawy Pythona zajmują około sześciu tygodni, SQL trzy do czterech, a cztery sekcje uczenia maszynowego razem około 40 godzin. Czas spędzony potem na własnych projektach zamienia umiejętności w portfolio.
Czy ta ścieżka data science obejmuje deep learning?
Nie, i strona mówi o tym niżej. Obejmuje klasyczne uczenie maszynowe, czyli modele, którymi rozwiązuje się większość problemów biznesowych: regresję, drzewa, lasy, boosting, klasteryzację i PCA. Sieci neuronowe, frameworki deep learningu i duże modele językowe przychodzą po nich i łatwiej się ich nauczyć, gdy umiesz poprawnie podzielić dane, wytrenować i ocenić model.
