Python и анализ данных: учебный маршрут

Маршрут до первого проекта#

Выберите один основной материал на текущий этап и доведите практику до небольшого результата. Не нужно проходить сразу все курсы: SQL и анализ таблиц уже позволяют сделать самостоятельный проект, а статистика и ML добавляются, когда они нужны вопросу. Глубокое обучение — отдельное направление после основ ML и работы с данными.

С чего начать#

Дорожные карты#

• Python roadmap — обзор инструментов и тем языка. Это карта навыков, а не пошаговый курс.
• AI and Data Scientist roadmap — обзор математики, данных и ML; выбирайте темы под задачу, а не как обязательный список.

Справочник и другие маршруты#

• Документация Python: учебник — компактный официальный учебник, лучше подходит тем, кто уже знаком с программированием.
• Начало работы с Python в VS Code — настройка интерпретатора, окружения, пакетов и отладчика в VS Code; редактор можно заменить.

Программирование на Python#

Основной курс#

• Основы Python — хендбук Яндекса — русскоязычный последовательный учебник с практикой; подходит для старта в языке и затрагивает библиотеки обработки данных.

Окружение, пакеты, тесты и отладка#

• Установка пакетов в виртуальное окружение: venv и pip — официальный гайд Python Packaging Authority по созданию окружения и установке зависимостей.
• Создание виртуальных окружений (venv) — справочник стандартной библиотеки.
• Тестирование через unittest и отладчик pdb — встроенные средства, достаточные для первых небольших программ.

Автоматизация и дополнительная практика#

• Automate the Boring Stuff with Python — практическая книга Эла Свейгарта, доступный текст книги размещён автором. Хороша для автоматизации; не заменяет маршрут по анализу данных.
• PythonTutor.ru — русскоязычный учебник и визуализатор выполнения кода; сайт указывает отдельные адреса новой и старой версии. Используйте как дополнительное объяснение базовых конструкций.

SQL и базы данных#

• Учебник PostgreSQL: язык SQL — официальный вводный материал с созданием таблиц, запросами, соединениями, агрегатами и обновлением данных. Примеры ориентированы на PostgreSQL.
• SQL Exercises — дополнительный задачник для практики SELECT и DML. Страница доступна; на ней заявлены открытые упражнения и платный сертификат, поэтому это практика, а не основной учебник.

Табличный анализ и визуализация#

• Начало работы с pandas — официальный путь через чтение таблиц, фильтрацию, производные столбцы, группировки, объединения и простые графики.
• Учебники Matplotlib — официальная документация по построению и настройке графиков.
• Руководство seaborn — статистическая визуализация на основе pandas и Matplotlib; выбирайте его для быстрых графиков распределений и связей.

Статистика и оценка#

• Introduction to Modern Statistics, 2nd edition — открытый учебник OpenIntro с вероятностным мышлением, выводами по данным и моделированием; на странице указана версия от 31 марта 2026 года. Англоязычный текст доступен онлайн бесплатно; бумажная книга платная.

Data Science, Machine Learning и Deep Learning#

Основные курсы и книги#

Сначала завершите табличный анализ и базовую статистику. Для классического ML выберите один курс; глубокое обучение вынесено в отдельное продолжение ниже.

• Курс scikit-learn от Inria — основной рекомендуемый курс по классическому ML: объясняет проектирование полного процесса предсказательного моделирования и его типичные ошибки. Бесплатен для самостоятельного изучения; на платформе регистрации есть дополнительные функции.
• An Introduction to Statistical Learning with Applications in Python (ISLP) — книга авторов с лабораторными работами на Python; удобна как альтернативный связный курс по статистическому обучению.
• Machine Learning Crash Course от Google — альтернативный модульный интерактивный курс по моделям, данным, переобучению и реальным ML-системам.

Проверка модели#

• Подводные камни, утечка данных и случайность в scikit-learn — справочник для проверки корректности пайплайна и повторяемости результатов.
• Dummy estimators — официальный API простых моделей, задающий baseline для классификации и регрессии.

Глубокое обучение — продолжение#

• PyTorch: Learn the Basics — пошаговый официальный маршрут через данные, модель, градиенты, цикл оптимизации и сохранение модели.
• Deep Learning — учебник Яна Гудфеллоу, Йошуа Бенджио и Аарона Курвилля; полный онлайн-текст доступен бесплатно. Это фундаментальный справочник, не самый короткий первый курс.

Проект и воспроизводимость#

Для автоматизации подготовьте скрипт с примером входных данных, обработкой ошибок, тестами и инструкцией запуска. Для анализа данных задайте вопрос и сохраните короткий отчёт, который другой человек сможет повторить. Включите:

• источник данных и условия, при которых его можно использовать;
• шаги очистки и SQL-запросы либо код подготовки;
• несколько графиков и выводы, связанные с вопросом;
• при ML — простой baseline, способ разделения данных, метрику и анализ ошибок;
• команды запуска, зависимости, фиксируемую случайность и ограничения результата.