Шаг 1
Основы PythonСвоя страница
Начать этот шагНачатьПеременные, условия, циклы, функции и списки: два раздела курса Python, на которые опирается всё остальное. Классы и файлы подождут.НачатьСвоя страница2 разделов, по порядку
Путь обучения
Data science с нуля: дорожная карта для начинающих
От первой строки на Python до моделей, которым можно доверять: SQL, графики, статистика, затем машинное обучение на scikit-learn. Настоящий код в браузере и график в каждом уроке ML.
2,421,911+ codders записались на эти курсы
487 уроков539 задачи2,161 вопросов квиза
- Для начинающих
Помощь ИИ при написании кода
Практические интерактивные уроки
Аудио-озвучка к каждому уроку
Тесты для проверки знаний
8 бесплатных сертификатов на протяжении пути
Обучи модель прямо в браузере
Настоящий код scikit-learn и его настоящий результат. Двигай ползунок, чтобы изменить одну строку, и смотри, чему учится модель.
При малом k модель запоминает каждую обучающую точку и рисует рваную границу. При большем k граница сглаживается.
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()
Загружаем графики
Вывод
Дорожная карта data science, шаг за шагом
Каждый шаг это готовый курс Coddy. Проходите их по порядку или начните с того, которого вам не хватает: прогресс в любом случае сохраняется для каждого курса.
- 1
- 2Шаг 2
SQL, чтобы получать данныеСвоя страница
Начать этот шагНачатьВыбирайте, фильтруйте, объединяйте, группируйте и агрегируйте реальные таблицы. Большая часть данных компаний хранится в базах, и data scientist, который умеет писать запросы, не ждёт, пока кто-то сделает ему выгрузку.НачатьСвоя страница2 разделов, по порядку - 3Шаг 3
Данные и графикиСвоя страница
Начать этот шагНачатьМассивы NumPy, таблицы pandas и графики matplotlib, затем встроенные датасеты iris, wine и digits. Инструменты, с которых начинается каждый проект машинного обучения, и график в каждом уроке.НачатьСвоя страница - 4Шаг 4
Статистика для машинного обученияСвоя страница
Начать этот шагНачатьЦентр и разброс, распределения, вероятность через симуляции, выбросы, корреляция, линии тренда, p-значения, масштабирование и кодирование. Через симуляции и графики, а не зубрёжку формул.НачатьСвоя страница - 5Шаг 5
Обучение с учителемСвоя страница
Начать этот шагНачатьДелите, обучайте, предсказывайте и оценивайте в scikit-learn: k-NN, линейная и логистическая регрессия, деревья, случайный лес, бустинг, кросс-валидация и пайплайны, а в финале классификатор видов пингвинов.НачатьСвоя страница - 6Шаг 6
Обучение без учителяСвоя страница
Начать этот шагНачатьНаходите структуру без меток: k-means, иерархическая кластеризация, DBSCAN, PCA и поиск аномалий, а в финале проект, который раскладывает рукописные цифры на карте и по группам.НачатьСвоя страница
Что вы получаете
Всё, что вам нужно, чтобы научиться программировать
Учитесь на практике
Пишите реальный код, работайте с базами данных, создавайте сайты и осваивайте ИИ-промпты. Наши интерактивные уроки охватывают все навыки, необходимые современным разработчикам.
playground.js
Редактор кода
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Тест №1
Тест №2
Тест №3
Ввод
"Alex"
Вывод
"Hello, Coddy! Alex"
Создайте свою серию
Будьте последовательны и наблюдайте за своим прогрессом! Отслеживайте ежедневную привычку программирования, защищайте свою серию с помощью дней заморозки и получайте награды за каждый день.
12 дней подряд
Возвращайтесь завтра, чтобы сохранить серию!
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
Всё или ничего
День 5 из 7
Заморозка серии
2 left
Вы не одиноки
Соревнуйтесь в глобальных рейтингах, приглашайте друзей, чтобы получать награды, и празднуйте успехи друг друга. Программировать веселее с друзьями!
Лига ПретендентовТоп 7 продвигаются
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Зона продвиженияУчитесь как угодно
Читайте, слушайте, проверяйте себя, спрашивайте у ИИ или ищите то, что уже изучили. Каждый урок подстраивается под вас.
Введение в переменные
Аудио
Переменная - это именованный контейнер, который хранит значение для последующего использования.
В Python вы создаёте её, написав имя, знак равенства и значение, которое нужно сохранить.
Значение может меняться - переприсваивание просто направляет имя на новое значение.
1xSarah
Ваш сертификат
Получайте сертификаты за каждый завершенный курс. Добавьте их в свой профиль LinkedIn и резюме, чтобы продемонстрировать работодателям свои навыки программирования.
Сертификат о прохожденииНастоящим подтверждается, чтоИван Ивановуспешно завершил(а)
Основы Python
Основы Python
Датаянв. 2026
Добавить в LinkedInПочему стоит пройти эту дорожную карту data science на Coddy
- Один порядок, без догадок. Сначала Python, затем SQL, чтобы получать данные, потом графики и статистика, чтобы их понимать, и наконец модели, чтобы по ним предсказывать. Каждый шаг использует то, чему научил предыдущий.
- Вы видите данные. В каждом уроке машинного обучения есть график или схема, а графики, которые рисует ваш код, появляются рядом на вкладке «Графики», так что распределение, корреляцию или границу решений вы рассмотрели своими глазами, а не только прочитали о них.
- Настоящие инструменты, ничего не нужно устанавливать: Python, SQL, NumPy, pandas, matplotlib, SciPy и scikit-learn работают прямо в браузере, в тех версиях, которыми пользуются дата-сайентисты.
- Два готовых проекта, классификатор видов пингвинов и исследователь рукописных цифр, плюс финальные задания на отток, мошенничество и A/B-тесты. Каждый курс заканчивается бесплатным сертификатом.
Частые вопросы о том, как стать data scientist
Как стать data scientist с нуля?
Изучите Python, затем SQL, затем то, как исследовать данные и строить графики в pandas и matplotlib, затем столько статистики, чтобы отличать закономерность от шума, и наконец машинное обучение на scikit-learn. Это и есть эта дорожная карта, в этом порядке. Потом сделайте два-три проекта на открытых датасетах, которые отвечают на чей-то реальный вопрос, и опишите, что вы нашли.
Чем аналитик данных отличается от data scientist?
Аналитик объясняет, что произошло: запросы, электронные таблицы, графики и отчёты. Data scientist ещё и предсказывает, что произойдёт, и проверяет, реален ли эффект: статистика, машинное обучение и эксперименты. Общее у них SQL, Python и pandas. Если ваша цель дашборды и отчётность, ближе подойдёт путь аналитика данных.
С чего начать изучение data science?
С Python. Это язык почти каждой вакансии в data science, и библиотеки, которые использует остальной путь (pandas, matplotlib, scikit-learn), это библиотеки Python. Первый шаг охватывает только те части Python, которые нужны дальше: переменные, условия, циклы, функции и списки.
Нужны ли диплом или высшая математика для data science?
Для старта нет, и для многих вакансий тоже. Работодатели ищут людей, которые умеют достать данные через SQL, очистить их и построить графики в pandas, рассуждать о них с помощью статистики и построить модель, которую могут обосновать. Этот путь учит статистике через симуляции и графики, без матанализа. Диплом помогает для исследовательских ролей, а портфолио честных проектов помогает везде.
Сколько времени занимает эта дорожная карта?
Около пяти-семи месяцев по часу в день. Основы Python занимают примерно шесть недель, SQL три-четыре, а четыре раздела машинного обучения вместе около 40 часов. Время после этого, потраченное на собственные проекты, и превращает навыки в портфолио.
Есть ли в этом пути по data science глубокое обучение?
Нет, и ниже на странице это сказано. Путь охватывает классическое машинное обучение, модели, которыми решается большинство бизнес-задач: регрессию, деревья, случайные леса, бустинг, кластеризацию и PCA. Нейросети, фреймворки глубокого обучения и большие языковые модели идут после них, и их проще освоить, когда вы умеете правильно делить данные, обучать и оценивать модель.
