LearnFitly
Подобрать курс

Data

Data Scientist

ML, статистика, Python, эксперименты. Путь длиннее аналитики: короткий курс «DS с нуля» закрывает в лучшем случае вводную часть.

ориентир junior/junior+ от ~120–200 тыс. ₽обычно 9–18 месяцев — дольше, чем «просто аналитик»
Подобрать школу в квизеСравнить школы

Shortlist школ

Это не рейтинг «лучшая школа мира», а варианты, которые имеют смысл под эту конкретную роль. Дальше сравнивайте программы между собой.

1

Karpov.courses

Спросите вычет

Data и аналитика с упором на симуляторы

Школа не притворяется универсальной: SQL, Python, статистика, ML и проекты в среде, приближённой к рабочей. Симуляторы — заметная часть подхода и ближе к тому, о чём спросят на собеседовании, чем пересказ теории. Уровень нужно подбирать честно: у аналитика и дата-сайентиста разный порог входа.

  • Онлайн-курсы
  • Симуляторы
  • Практика

Зачем в shortlist

Данные и симуляторы у Karpov.courses исторически ближе к аналитике, чем к полноценному DS с ML — уточните на сайте, отличается ли программа этих двух треков или это тот же курс под другим названием.

Важно знать

Определитесь с уровнем: аналитика с нуля и DS с математикой — разные истории.

отдельные курсы и рассрочка
ОбзорСайт

Сравнить: vs Skillfactory

2

Skillfactory

Вычет 13%

Аналитика и Data Science с проектами на данных

Школа для тех, кто уже решил идти в данные: SQL, Python, проекты, DS-треки разной тяжести. Фокус удобен тем, что программы можно сравнивать по инструментам, а не по громкости названия. Data «за компанию» здесь не осваивают.

  • Практикумы
  • Проекты
  • Наставники

Зачем в shortlist

Специализация Data Science — один из старых флагманов школы; смотрите долю математики и код-ревью, а не только узнаваемость бренда в этой нише.

Важно знать

За пределами data школа предлагает мало

от ~4–6 тыс. ₽/мес в рассрочку
ОбзорСайт

Сравнить: vs Яндекс Практикум · vs Нетология

3

Яндекс Практикум

Вычет 13%

Тренажёры, спринты и настоящие дедлайны

Разработка, аналитика данных, тестирование: короткая теория, задача в браузере, ревью наставника. Ритм задаёт программа, а не вы, поэтому 10–15 часов в неделю тут не рекомендация, а условие. Ниже — shortlist профессий с офсайта; если такой темп не встраивается в жизнь, посмотрите Hexlet.

  • Тренажёры
  • Проекты
  • Ревью наставника

Зачем в shortlist

Профессия DS у Практикума ощутимо тяжелее, чем «аналитик данных» того же бренда — при слабой математике логичнее сначала пройти аналитику.

Важно знать

Разметьте в календаре 10–15 часов на четыре недели вперёд — с переработками и выходными.

зависит от профессии
ОбзорСайт

Сравнить: vs Hexlet · vs Skillbox

4

OTUS

Вычет 13%

Углубление в стек для тех, кто уже в профессии

Архитектура, DevOps, продвинутая разработка — курсы рассчитаны на людей, которые пишут код на работе. Входные требования здесь не формальность: без базы вы просто не будете успевать за группой, и отбор фильтрует не из вредности.

  • Вебинары
  • Домашние задания
  • Проект

Зачем в shortlist

Явная отдельная программа Data Scientist в каталоге OTUS теряется среди Python/Java-курсов — уточните на сайте актуальный DS-поток и его входные требования.

Важно знать

Абсолютным новичкам почти всегда мимо

обычно выше массовых школ
ОбзорСайт

Сравнить: vs Hexlet

Data Scientist проверяет гипотезы данными и строит модели. Это не «аналитик с солидной вывеской»: здесь заметно больше математики, экспериментов и кода.

С абсолютного нуля дорога длинная — ориентир 9–18 месяцев, и это без длинных пауз. Разумнее обычно так: сначала аналитика или уверенный Python, потом DS.

Портфолио — это ноутбуки, где есть постановка задачи, baseline, метрики и вывод для бизнеса. Высокая accuracy без объяснения, что она означает, на собеседовании работает против вас.

Порядок такой: статистика и классический ML, дальше deep learning по необходимости. Медали на Kaggle без внятной постановки впечатляют слабее, чем кажется: там задачу уже сформулировали за вас.

Ориентир по junior — от ~120–200 тыс. ₽, но вход узкий. Если хочется «в DS как в рекламе за четыре месяца», честнее начать с Python или аналитики и не терять год.

Как читать эту профессию

После аналитики или Python

Самый реалистичный вход. Курс достраивает ML и эксперименты поверх знакомого стека, а не учит всему одновременно.

Длинный DS с нуля

Возможен, но тяжёлый. Смотрите, честно ли программа предупреждает про математику и реальные часы в неделю.

Узкий спецкурс по ML

Полезен тем, у кого база уже есть. Проблемы начинаются, когда такой курс продают как «профессию с нуля».

01Прочитайте пререквизиты и примерьте их на себя

Python, базовая линейная алгебра и статистика, готовность читать документацию на английском. У OTUS и Карпова входной уровень выше, чем у массовых школ, — это не снобизм, а математика в первых же домашних заданиях.

Если на лендинге написано «с нуля», попросите показать первое домашнее по математике. Оно скажет больше, чем часовая консультация.

На заметку

  • Python
  • статистика
  • реальные часы в неделю

02Сделайте один воспроизводимый эксперимент с baseline

За месяц: ноутбук с постановкой задачи, простым baseline, метрикой и коротким выводом. Без этого «курс про нейросети» остаётся экскурсией по терминам.

Отдельно ищите в программе разбор ошибок модели. Демонстрации на заранее подготовленных датасетах красивы и бесполезны.

03Не тяните аналитику и полный DS одновременно

Сначала закройте базу — Python и SQL или аналитический трек, — потом переходите к моделям. Две полные программы параллельно съедают и деньги, и внимание.

Карьерный тариф не создаёт проекты в ноутбуках. Он полезен тогда, когда защищать уже есть что.

На заметку

  • один основной трек
  • 2–3 эксперимента
  • английский для документации

Кому подходит

Тем, у кого уже есть Python или опыт в аналитике и хватит терпения на год учёбы.

Кому вряд ли подойдёт

Если математика в школе была врагом и разбираться с ней не хочется до сих пор, DS превратится в борьбу на каждом модуле — начните с аналитики.

Что обычно ждут на старте

Нажмите «?» рядом с навыком — коротко объясним, что это и зачем его спрашивают на входе.

  • Python
  • Статистика
  • ML основы
  • SQL
  • Эксперименты
  • Кейсы в портфолио

Дорожная карта

  1. 1Уверенный Python и SQL — до курса по DS, а не параллельно с ним.
  2. 2Статистика и вероятность прикладного уровня: гипотезы, ошибки, доверительные интервалы.
  3. 3Классический ML: постановка задачи, метрики, валидация.
  4. 42–3 полноценных кейса, где вывод сформулирован для бизнеса, а не для тетради.
  5. 5Глубокое обучение и прочее усложнение — только под конкретную цель.

Красные флаги курса

  • • «Data Science с нуля за три месяца».
  • • Статистики в программе нет, зато нейросети с первого модуля.
  • • Проекты необязательны, достаточно досмотреть лекции.

Перед оплатой

  1. 1. Оцените базу Python честно: с нуля курс DS оставит после себя туман.
  2. 2. Сравните Skillfactory, Практикум и OTUS по входным требованиям, а не по цене.
  3. 3. OTUS берите, только если уже пишете код: программа не рассчитана на новичков.

FAQ

Дальше по сайту

Похожие профессии

Аналитик данныхPython-разработчикСпециалист по ИИ
Пройти квизСравнить школы← Все профессии