Da sua primeira linha de Python a modelos em que você pode confiar: SQL, gráficos, estatística e depois machine learning com scikit-learn. Código real no navegador e um gráfico em toda aula de ML.
2,160,483+ codders inscritos nestes cursos
487 lições539 desafios2,161 perguntas de quiz
Ajuda de codificação com IA
Lições interativas e práticas
Narração em áudio em todas as lições
Questionários para testar seu conhecimento
Um certificado da trilha no final, mais 8 ao longo do caminhoCódigo real do scikit-learn com o resultado real. Arraste o controle deslizante para mudar uma linha e veja o que o modelo aprende.
Com k pequeno, o modelo memoriza cada ponto de treino e desenha uma fronteira irregular. Com k maior, ela fica suave.
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()
Cada passo é um curso que já existe na Coddy. Faça na ordem ou pule para o que está faltando: o seu progresso fica salvo por curso de qualquer jeito.
Escreva código real, consulte bancos de dados, crie sites e domine prompts de IA. Nossas lições interativas cobrem todas as habilidades que desenvolvedores modernos precisam.
Mantenha a consistência e veja seu progresso crescer! Acompanhe seu hábito diário de programação, proteja sua sequência com dias de congelamento e ganhe recompensas por aparecer todos os dias.
12 dias de sequência
Volte amanhã para manter sua sequência!
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
Tudo ou Nada
Dia 5 de 7
Congelar Sequência
2 left
Compita em placares globais, convide amigos para ganhar recompensas e celebre as conquistas uns dos outros. Programar é melhor com amigos!
1
2
3
Zona de promoçãoLeia, ouça, teste-se, pergunte à IA ou consulte qualquer coisa que já tenha estudado. Cada lição se adapta a você.
Uma variável é um contêiner nomeado que armazena um valor que você pode referenciar depois.
Em Python, você cria uma escrevendo o nome, um sinal de igual e o valor que quer armazenar.
O valor pode mudar com o tempo. Reatribuir o nome simplesmente o aponta para um novo valor.
Ganhe certificados para cada curso que você completar. Adicione-os ao seu perfil do LinkedIn e currículo para mostrar sua experiência em programação aos empregadores.
Certificado de Conclusão
Fundamentos de Python
Adicionar ao LinkedInAprenda Python, depois SQL, depois a explorar e visualizar dados com pandas e matplotlib, depois estatística suficiente para separar um padrão do ruído e, por fim, machine learning com scikit-learn. Essa é esta trilha, nessa ordem. Depois, crie dois ou três projetos com dados públicos que respondam a uma pergunta que importe para alguém, e escreva o que você descobriu.
Python. É a linguagem de quase toda vaga de ciência de dados, e as bibliotecas que o resto da trilha usa (pandas, matplotlib, scikit-learn) são bibliotecas Python. O primeiro passo cobre só as partes de Python que os próximos passos exigem: variáveis, condições, loops, funções e listas.
Não para começar, e não para muitas vagas. As empresas procuram quem sabe obter dados com SQL, limpá-los e visualizá-los com pandas, raciocinar sobre eles com estatística e construir um modelo que consiga defender. Esta trilha ensina a estatística com simulações e gráficos, sem cálculo. Um diploma ajuda para cargos de pesquisa; um portfólio de projetos honestos ajuda em todo lugar.
Cerca de cinco a sete meses a uma hora por dia. O básico de Python leva umas seis semanas, SQL de três a quatro, e as quatro seções de machine learning cerca de 40 horas juntas. O tempo depois disso, gasto nos seus próprios projetos, é o que transforma as habilidades em um portfólio.
Não, e a página diz isso logo abaixo. Ela cobre o machine learning clássico, os modelos com que a maioria dos problemas de negócio é resolvida: regressão, árvores, random forests, boosting, clustering e PCA. Redes neurais, frameworks de deep learning e grandes modelos de linguagem vêm depois, e ficam mais fáceis de aprender quando você já sabe dividir, treinar e avaliar um modelo direito.
Sim. Conclua todas as etapas e você recebe um certificado gratuito para toda a trilha Cientista de dados. Ele lista cada curso que você concluiu no caminho, e leva ao certificado de cada curso, para que qualquer pessoa possa conferir cada habilidade que ele cita. Você pode adicioná-lo ao seu perfil do LinkedIn. É um certificado de conclusão da Coddy, não uma qualificação acreditada.
