Menu
CoddyTech
Trilha de aprendizado

Curso de ciência de dados: do Python ao machine learning

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.

2,421,911+ codders inscritos nestes cursos

487 lições539 desafios2,161 perguntas de quiz

Treine um modelo no seu navegador

Código 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.

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()
Carregando os gráficos
Saída
 

A trilha de ciência de dados, passo a passo

6 cursos8 seções487 lições539 desafios2,161 perguntas de quiz

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.

  1. 1
  2. 2
  3. 3
    Começar esta etapaIniciarArrays do NumPy, tabelas do pandas e gráficos do matplotlib, e depois os datasets iris, wine e digits que já vêm prontos. O kit com que todo projeto de machine learning começa, com um gráfico em toda aula.IniciarPágina própria
  4. 4
    Começar esta etapaIniciarCentro e dispersão, distribuições, probabilidade por simulação, outliers, correlação, linhas de tendência, p-valores, padronização e codificação. Aprendida simulando e plotando, não decorando fórmulas.IniciarPágina própria
  5. 5
    Começar esta etapaIniciarDivida, ajuste, preveja e avalie com scikit-learn: k-NN, regressão linear e logística, árvores, random forests, boosting, validação cruzada e pipelines, terminando com um classificador de espécies de pinguins.IniciarPágina própria
  6. 6
O que você recebe
Tudo o que você vai usar para aprender a programar

Aprenda Fazendo

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.

playground.js
Editor de Código
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3    return greeting + " " + name
4}
5
bottombar Collapse icon
Teste #1test Case Success icon
Teste #2test Case Success icon
Teste #3test Case Failure icon
Entrada
"Alex"
Saída
"Hello, Coddy! Alex"

Construa Sua Sequência

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!

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

Tudo ou Nada

Dia 5 de 7

fire Freeze icon

Congelar Sequência

2 left

Você Não Está Sozinho

Compita em placares globais, convide amigos para ganhar recompensas e celebre as conquistas uns dos outros. Programar é melhor com amigos!

Liga Challenger
Liga ChallengerTop 7 avançam
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 de promoçãoleaderboard Arrow Up icon

Aprenda de todas as formas

Leia, ouça, teste-se, pergunte à IA ou consulte qualquer coisa que já tenha estudado. Cada lição se adapta a você.

Introdução a variáveis
Áudio

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.

1xSarah

Seja Certificado

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.

CoddyCertificado de Conclusão
Este certifica queJoão Silvacompletou com sucesso
python iconFundamentos de Python
Verificado
Datajan 2026
LinkedInAdicionar ao LinkedIn

Por que seguir esta trilha de ciência de dados na Coddy

  • Uma ordem só, sem adivinhação. Primeiro Python, depois SQL para obter os dados, depois gráficos e estatística para entendê-los e, por fim, modelos para prever a partir deles. Cada passo usa o que o anterior ensinou.
  • Você vê os dados. Toda aula de machine learning tem um gráfico ou um diagrama, e os gráficos que o seu código desenha aparecem ao lado, na aba Gráficos, então uma distribuição, uma correlação ou uma fronteira de decisão são coisas que você viu, não só leu a respeito.
  • Ferramentas reais, nada para instalar: Python, SQL, NumPy, pandas, matplotlib, SciPy e scikit-learn, tudo rodando no seu navegador nas versões que os cientistas de dados usam.
  • Dois projetos concluídos, um classificador de espécies de pinguins e um explorador de dígitos escritos à mão, além de desafios finais sobre cancelamento de clientes, fraude e testes A/B. Cada curso termina com um certificado grátis.

Perguntas frequentes sobre como virar cientista de dados

Como virar cientista de dados do zero?

Aprenda 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.

Qual a diferença entre analista de dados e cientista de dados?

O analista explica o que aconteceu: consultas, planilhas, gráficos e relatórios. O cientista de dados também prevê o que vai acontecer e testa se um efeito é real: estatística, machine learning e experimentos. Os dois compartilham SQL, Python e pandas. Se o seu objetivo são dashboards e relatórios, a trilha de analista de dados é a mais indicada.

O que aprender primeiro em ciência de dados?

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.

Preciso de diploma ou matemática avançada para ciência de dados?

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.

Quanto tempo leva para concluir esta trilha?

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.

Esta trilha de ciência de dados cobre deep learning?

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.

Outras trilhas de aprendizado

Os mesmos cursos, organizados para outra função. O progresso é mantido: um curso concluído em uma trilha conta em todas as trilhas que o incluem.

Todas as trilhas de aprendizado
Ilustração das linguagens de programação do Coddy

Comece a trilha de Cientista de dados grátis

Começar a aprender