零基础数据科学学习路线
从你的第一行 Python 代码，到值得信赖的模型：SQL、图表、统计学，再到用 scikit-learn 做机器学习。在浏览器中写真实的代码，每节机器学习课都有一张图表。
2,163,634+ 名学习者已报名这些课程
487 节课539 个挑战2,161 道测验题
- 适合初学者
AI 辅助编程帮助
动手实践的互动课程
每节课都有语音讲解
检验所学的测验
终点有一张路径证书，沿途还有 8 张
在浏览器中训练模型
真实的 scikit-learn 代码和真实的输出。拖动滑块修改一行代码，看看模型学到了什么。
k 值较小时会记住每个训练点，画出锯齿状的边界。k 值越大，边界越平滑。
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()
数据科学学习路线，一步一步来
每一步都是 Coddy 上现有的一门课程。你可以按顺序学，也可以直接跳到你还缺的那一门：无论哪种方式，进度都会按课程分别保存。
在实践中学习
编写真实代码、查询数据库、搭建网站、掌握 AI 提示词。我们的互动课程涵盖现代开发者需要的每一项技能。
打造你的连胜
坚持下去，看着自己不断进步！记录每天的编程习惯，用冻结天数保护连胜，每天打卡都能赢取奖励。
12 天连胜
明天再来，保持你的连胜！
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
加倍或归零
第 5 天，共 7 天
连胜冻结
2 left
你并不孤单
在全球排行榜上一较高下，邀请好友赢取奖励，为彼此的成就喝彩。和好友一起编程更有趣！
1
2
3
晋级区多种学习方式
阅读、收听、自我测验、问 AI，或者查阅学过的任何内容。每节课都配合你的节奏。
变量是一个有名字的容器，用来存储值，方便你在程序后面引用。
在 Python 中，创建变量只需写下名字、一个等号，再写上要存储的值。
值可以随时间变化。给这个名字重新赋值，它就会指向新的值。
获得证书
每完成一门课程都能获得证书。把证书添加到你的 LinkedIn 个人资料和简历中，向雇主展示你的编程能力。
结业证书
Python 基础
添加到 LinkedIn为什么在 Coddy 按这条路线学数据科学
- 一条顺序，不用瞎猜。先学 Python，再用 SQL 获取数据，然后用图表和统计学理解数据，最后用模型做预测。每一步都会用到前一步学到的内容。
- 看得见数据。每节机器学习课都有一张图表或示意图，你的代码画出的图表会显示在旁边的“图表”标签页中，所以分布、相关性或决策边界都是你亲眼看过的，而不只是读到过。
- 真实的工具，无需安装：Python、SQL、NumPy、pandas、matplotlib、SciPy 和 scikit-learn，全部在浏览器中运行，版本与数据科学家实际使用的一致。
- 两个完整项目：企鹅物种分类器和手写数字探索器，另外还有关于用户流失、欺诈检测和 A/B 测试的期末挑战。每门课程学完都有免费证书。
成为数据科学家常见问题
零基础怎样成为数据科学家？
先学 Python，再学 SQL，然后学会用 pandas 和 matplotlib 探索数据、绘制图表，接着学足够的统计学，能从噪声中分辨出规律，最后用 scikit-learn 学机器学习。这就是这条学习路线，顺序也是如此。然后用公开数据集做两三个项目，回答真正有人关心的问题，并把你的发现写成报告。
数据分析师和数据科学家有什么区别？
学数据科学应该先学什么？
Python。几乎所有数据科学岗位的招聘启事都要求它，而且路线后面用到的库（pandas、matplotlib、scikit-learn）都是 Python 库。第一步只涵盖后续步骤需要的 Python 内容：变量、条件、循环、函数和列表。
学数据科学需要学位或高深的数学吗？
入门不需要，很多岗位也不需要。雇主看重的是：能用 SQL 获取数据，能用 pandas 清洗数据并绘制图表，能用统计学进行推理，还能搭建一个自己说得清道理的模型。这条路线通过模拟和图表来教统计学，不涉及微积分。学位对研究岗位有帮助；一份扎实可信的项目作品集则在哪里都有用。
学完这条路线需要多长时间？
每天学一小时，大约五到七个月。Python 基础大约六周，SQL 三到四周，四个机器学习单元加起来约 40 小时。之后花在自己项目上的时间，才会把这些技能变成作品集。
这条数据科学路径包括深度学习吗？
不包括，下文也写明了这一点。它涵盖的是经典机器学习，也就是解决大多数业务问题所用的模型：回归、决策树、随机森林、提升方法、聚类和 PCA。神经网络、深度学习框架和大语言模型都在这些之后学，而且一旦你能正确地划分数据、训练并评估模型，再学它们会容易得多。
完成数据科学家路径能获得证书吗？
能。完成每一步，你就能获得整条数据科学家路径的一张免费证书。证书会列出你沿途完成的每门课程，并链接到每门课程各自的证书，任何人都能核实上面列出的每项技能。你可以把它添加到 LinkedIn 个人资料。这是 Coddy 颁发的结业证书，不是经过认证的学历资格。
