Техпрогон
ВойтиНачать бесплатно

Вход в IT с нуля

Как стать Data Scientist с нуля: план обучения по шагам

Обновлено Порог входа: высокий 125 уроков теория и вопросы: ~32 часа
Содержание
  1. Коротко
  2. Что за профессия
  3. Через 5 лет
  4. План по этапам
  5. Сколько времени займёт
  6. Проекты для портфолио
  7. Что спросят на первом собесе
  8. Как найти первую работу
  9. Ошибки новичков
  10. Частые вопросы
Коротко

Чтобы стать Data Scientist с нуля, начните с «Python для анализа данных», «Статистика и A/B-тесты» и «Математика для ML» и идите по плану из 6 этапов, от основ до подготовки к собеседованию. Теория и вопросы по этому плану занимают примерно 32 часа, а больше всего времени уйдёт на практику и свои проекты: обычно путь до первых собесов занимает несколько месяцев регулярных занятий. Порог входа высокий: нужны математика, статистика, ML и программирование одновременно.

Кто такой Data Scientist

Data Scientist строит модели: прогноз спроса, скоринг, рекомендации. Вход сложный: нужна математика, статистика, классический ML и уверенный Python. Часто в профессию приходят через аналитику данных или с профильным образованием. На собесе спрашивают метрики, валидацию, переобучение и SQL.

ВопросОтвет
Что делаетСтроит модели машинного обучения для прогнозов и рекомендаций
Язык и инструментыPython, pandas, scikit-learn, PyTorch, SQL
Порог входаВысокий. Нужны математика, статистика, ML и программирование одновременно
Кому подойдётТем, кто любит математику и эксперименты с данными

Перспектива через 5 лет

Что будет с профессией к 2031

Под давлением ИИ

Многие задачи закрывают готовые модели, своих моделей с нуля нужно меньше.

Сдвигайтесь к LLM, оценке качества и выводу моделей в прод. Это уже ML/LLM-инженер.

Куда расти:
ML/LLM-инженерAI-инженер (LLM-приложения)
Прогноз по данным на октябрь 2026, источники: [18]Прогноз по всем профессиям

Как стать Data Scientist: план по этапам

Порядок тем построен по карте навыков: сначала то, на что опираются следующие темы. Название темы ведёт на бесплатный урок.

Звёздочкой отмечены темы, которые заметно спрашивают уже у junior. С них и начинайте повторение перед первым собесом.
1

Этап 1. Основа профессии

Главный язык или дисциплина профессии. На этом держится всё остальное, торопиться не стоит.

уроки 3,8 ч 268 вопросов уровня junior
Python для анализа данных
  1. NumPy: массивы и векторизация7 мин
  2. Series, DataFrame и индекс7 мин
  3. Выборка и фильтрация7 мин
  4. Пропуски, дубли и типы7 мин
  5. groupby и агрегаты7 мин
  6. merge, join и concat7 мин
  7. pivot, melt и сводные6 мин
  8. Окна и сдвиги7 мин
  9. Даты и время7 мин
  10. Чтение и запись данных6 мин
  11. Производительность и память7 мин
  12. Графики и Jupyter6 мин
Статистика и A/B-тесты
  1. Описательная статистика6 мин
  2. Распределения7 мин
  3. ЦПТ и доверительные интервалы7 мин
  4. Проверка гипотез7 мин
  5. Мощность и размер выборки7 мин
  6. t-тест и z-тест7 мин
  7. Хи-квадрат и Манна-Уитни7 мин
  8. Бутстреп и перестановки6 мин
  9. Множественные проверки6 мин
  10. Дизайн A/B-теста7 мин
  11. Ловушки A/B7 мин
  12. CUPED и снижение дисперсии7 мин
  13. Байесовский подход6 мин
Математика для ML
  1. Векторы и матрицы6 мин
  2. Собственные значения и SVD7 мин
  3. Производные и градиент6 мин
  4. Цепное правило и autodiff6 мин
  5. Градиентный спуск и выпуклость6 мин
  6. SGD, momentum и Adam7 мин
  7. Вероятность и Байес6 мин
  8. Распределения, MLE и MAP7 мин
  9. Энтропия и KL6 мин
2

Этап 2. Следующий слой

Следующий слой поверх основы: фреймворки и темы, которые опираются на предыдущий этап.

уроки 1,3 ч 62 вопроса уровня junior
Классический ML
  1. Постановка задачи6 мин
  2. Валидация и утечки7 мин
  3. Линейные модели7 мин
  4. Деревья и ансамбли8 мин
  5. kNN и SVM6 мин
  6. Кластеризация и снижение размерности7 мин
  7. Метрики качества8 мин
  8. Несбалансированные классы6 мин
  9. Признаки и интерпретация7 мин
  10. Рекомендательные системы7 мин
  11. ML в проде8 мин
3

Этап 3. Продвинутый слой

Следующий слой поверх основы: фреймворки и темы, которые опираются на предыдущий этап.

уроки 1,4 ч 72 вопроса уровня junior
Глубокое обучение
  1. Нейрон и backprop7 мин
  2. Активации и функции потерь6 мин
  3. Инициализация и нормализация7 мин
  4. Оптимизаторы и обучение7 мин
  5. Регуляризация6 мин
  6. Свёрточные сети7 мин
  7. RNN и LSTM6 мин
  8. Attention и трансформеры8 мин
  9. Эмбеддинги и fine-tuning7 мин
  10. Генеративные модели6 мин
  11. PyTorch на практике8 мин
  12. Квантование и дистилляция7 мин
4

Этап 4. Окружение и инструменты

То, что нужно в любой команде: сети, базы, командная строка, Git. Можно идти параллельно с основой.

уроки 1,1 ч 77 вопросов уровня junior
SQL и базы данных
  1. SELECT и фильтрация6 мин
  2. JOIN6 мин
  3. GROUP BY и агрегаты5 мин
  4. Подзапросы и CTE6 мин
  5. Оконные функции7 мин
  6. Индексы7 мин
  7. Транзакции и изоляция8 мин
  8. Проектирование и нормализация6 мин
  9. EXPLAIN и оптимизация8 мин
  10. NoSQL и выбор хранилища6 мин
5

Этап 5. Алгоритмы для собеседования

Базовые паттерны задач. Нужны для лайвкодинга и алгоритмических секций.

уроки 2,3 ч 118 вопросов уровня junior
Алгоритмы
  1. Сложность6 мин
  2. Массивы и хеш-таблицы8 мин
  3. Два указателя8 мин
  4. Скользящее окно8 мин
  5. Префиксные суммы7 мин
  6. Стек и монотонный стек10 мин
  7. Бинарный поиск8 мин
  8. Связные списки8 мин
  9. Деревья7 мин
  10. Графы: BFS и DFS11 мин
  11. Куча8 мин
  12. Интервалы7 мин
  13. Жадные7 мин
  14. Динамическое программирование10 мин
  15. Перебор с возвратом8 мин
  16. Биты7 мин
  17. Матрицы7 мин

Сколько времени займёт

ЭтапУрокиВопросы juniorТеория и вопросы
Этап 1. Основа профессии3,8 ч26810 часов
Этап 2. Следующий слой1,3 ч623 часа
Этап 3. Продвинутый слой1,4 ч723 часа
Этап 4. Окружение и инструменты1,1 ч773 часа
Этап 5. Алгоритмы для собеседования2,3 ч1185 часов
Этап 6. Подготовка к собеседованию2,6 ч2038 часов
Как считали: время чтения уроков плюс 1,5 минуты на каждый вопрос или задачу уровня junior. Без этапа «на вырост» выходит примерно 32 часа. Это только теория и проверка себя. Практика на своих проектах, резюме и отклики займут больше времени, чем теория: закладывайте месяцы, а не недели.

Проекты для портфолио

2-3 своих проекта с README и живой ссылкой дают больше, чем десяток учебных. Идеи, с которых можно начать:

  • Модель на открытом датасете с честной валидацией и разбором ошибок
  • Рекомендательная система на открытых данных с офлайн-метриками
  • Сравнение моделей с выбором метрики под задачу бизнеса

Что спросят на первом собеседовании

Частые вопросы junior по этой роли. Полный список тем и вопросов на странице «Что должен знать junior Data Scientist».

Как найти первую работу

  • Объясняйте выбор метрики и схемы валидации, а не только accuracy
  • Знайте, как работают бустинг, регуляризация и утечки данных
  • Рассмотрите вход через аналитика данных, это реальный путь

Частые ошибки новичков

  • Сразу учить нейросети без статистики и классического ML
  • Проверять модель на тех же данных, что и обучать
  • Не уметь объяснить модель бизнесу

Частые вопросы

Сколько учиться, чтобы стать Data Scientist?
Теория и вопросы уровня junior по этому плану занимают примерно 32 часа. Основное время уйдёт на практику: задачи, код, 2-3 своих проекта. Обычно путь с нуля до первых собесов занимает несколько месяцев регулярных занятий, но темп у всех разный.
С чего начать?
С первого этапа плана: «Python для анализа данных», «Статистика и A/B-тесты» и «Математика для ML». Читайте короткий урок и сразу закрепляйте вопросами, по одной теме за раз.
Какой порог входа?
Высокий. Нужны математика, статистика, ML и программирование одновременно.
Что спросят на первом собеседовании?
Чаще всего базу, больше всего вопросов в темах «Series, DataFrame и индекс», «Описательная статистика», «Векторы и матрицы» и «Метрики качества». Плюс рассказ о себе, учебные проекты и мотивацию. Полный список тем на странице «Что должен знать junior».

Начните путь в профессию сегодня

Все уроки бесплатно, план по шагам и вопросы на закрепление. Когда дойдёте до собесов, там же мок и трекер откликов.

Начать бесплатно

Куда дальше

Что должен знать junior Data Scientist

Темы и 15 частых вопросов

Тест: Data Scientist

Проверить, что уже знаете

Как проходит собеседование

Этапы от HR до оффера

Все профессии с нуля

Сравнить 30 направлений

Как стать AI-инженером

Встраивает LLM в продукт: RAG, агенты, вызов инструментов, оценка качества

Как стать ML/LLM-инженером

Выводит модели и LLM-сервисы в прод: RAG, агенты, инференс

Как стать AI-продакт-менеджером

Ведёт продукт или фичу на нейросетях: от гипотезы до метрик качества

Как стать аналитиком данных

Считает метрики, ищет причины изменений и помогает принимать решения