Дорожная карта в Data Science: план с нуля

Чем отличаются data analyst, data scientist и ML engineer, этапы изучения Excel, SQL, Python и машинного обучения, план по месяцам и советы по портфолио.

Когда речь заходит о Data Science, многим представляются сложные формулы, искусственный интеллект и что-то «только для математиков». На самом деле эта область осваивается поэтапно, и каждый этап сам по себе даёт полезный навык: кто умеет работать с таблицами, составляет отчёты; кто знает SQL, достаёт нужные данные из базы; кто владеет Python, автоматизирует рутинную работу. В этой статье разберём, чем отличаются профессии data analyst, data scientist и ML engineer, сколько математики нужно на самом деле, в каком порядке логично учиться — от Excel и статистики до машинного обучения, как пользоваться открытыми датасетами и какие проекты делать для портфолио. В конце — примерный план по месяцам, частые ошибки, практическое задание и чек-лист.

Data analyst, data scientist и ML engineer: в чём разница

Все три профессии работают с данными, но вопросы и результаты у них разные. В вакансиях эти названия иногда смешиваются, поэтому смотрите не на название, а на список обязанностей.

Data analyst (аналитик данных) отвечает на вопрос «что произошло и почему?». Он работает с таблицами, SQL и инструментами визуализации, готовит отчёты и дашборды, даёт руководству понятные выводы. Например, выясняет, в каком филиале торговой сети упали продажи и почему.
Data scientist (специалист по данным) занимается ещё и вопросом «что может произойти?». Он применяет статистические методы и модели машинного обучения: прогнозирует спрос, группирует клиентов, оценивает результаты экспериментов.
ML engineer (инженер машинного обучения) превращает готовую модель в работающую систему. Он ближе к программисту: отвечает за качество кода, серверы, скорость и стабильность модели.

Простое сравнение: Дильшод работает аналитиком в сети магазинов и каждую неделю готовит отчёт о продажах. Его коллега Зарина строит модель, которая прогнозирует, на какой товар в следующем месяце вырастет спрос. А третий коллега, Бекзод, подключает эту модель к складской программе, чтобы она каждый день работала сама.

Для новичков самая реалистичная точка входа — направление data analyst. Оно требует меньше математики, результат виден быстро, а в дальнейшем это прочный фундамент для перехода в data science. Если хотите на простых примерах понять, что такое анализ данных, сначала прочитайте статью об анализе данных.

Сколько нужно математики: реалистичная оценка

Многие боятся идти в эту сферу со словами «я плохо знаю математику». Реалистичный ответ: для старта достаточно школьной математики и основ статистики, а более глубокую математику изучают позже, по мере необходимости.

Для data analyst:

свободно работать с процентами, долями и средними значениями;
понимать разницу между средним, медианой, модой, минимумом и максимумом;
знать, что показывает разброс (стандартное отклонение);
понимать, что корреляция и причинно-следственная связь — не одно и то же.

Для data scientist дополнительно:

основы теории вероятностей;
элементы линейной алгебры: вектор, матрица, идея их умножения;
понятие производной и градиента — чтобы понимать, как модель «учится».

Важная мысль: вычисления выполняют библиотеки, и от вас требуется не решать формулы вручную, а правильно интерпретировать результат. Например, заметить, что высокая «точность» модели может оказаться обманчивой из-за дисбаланса в данных, — это и есть математическое мышление. Если хотите начать статистику с нуля, поможет статья об основах статистики.

Первый этап: Excel, статистика и SQL

Excel и электронные таблицы

Таблица — самая удобная «лаборатория» для работы с данными. В ней данные видны глазами, а ошибку замечаешь сразу. На этом этапе освойте следующее:

Аккуратную структуру таблицы: одно значение в ячейке, один тип данных в столбце.
Формулы: SUM, AVERAGE, COUNTIF, IF, XLOOKUP (или VLOOKUP).
Сортировку и фильтрацию: Data → Sort, Data → Filter.
Сводные таблицы: Insert → PivotTable — для группировки, подсчёта и суммирования.
Диаграммы: Insert → Chart.

Эти навыки станут фундаментом для всех следующих этапов.

Основы статистики

Изучайте статистику вместе с таблицами. Например, внесите в таблицу месячное потребление электроэнергии семьями одной махалли в киловатт-часах (условные, придуманные числа) и сравните среднее значение с медианой. Вы увидите, как сильно одно очень большое значение «тянет» среднее за собой, — это один из важнейших уроков статистики.

SQL

В компаниях данные обычно хранятся не в таблицах Excel, а в базах данных, и достают их оттуда SQL-запросами. В большинстве вакансий аналитика данных требуется SQL. Порядок изучения:

SELECT, FROM, WHERE — выбор нужных столбцов и строк.
ORDER BY и LIMIT — сортировка и ограничение.
GROUP BY и агрегатные функции (COUNT, SUM, AVG).
JOIN — соединение нескольких таблиц.
Подзапросы и оконные функции — следующий уровень.

Пример простого запроса:

SELECT region, COUNT(*) AS order_count
FROM orders
GROUP BY region
ORDER BY order_count DESC;

Этот запрос считает количество заказов по каждой области и выводит их, начиная с самой большой. Чтобы изучить SQL с нуля, загляните в статью об основах SQL.

Второй этап: Python, pandas и визуализация

Освоив таблицы и SQL, переходите к Python. Он автоматизирует рутинную работу, справляется с большими объёмами данных и открывает дорогу к машинному обучению. Если программирование для вас совсем в новинку, сначала освойте основы из статьи о первых шагах в Python: переменные, списки, условия, циклы и функции.

Удобная среда для обучения — Jupyter Notebook или Google Colab. Colab работает в браузере, и на компьютер ничего устанавливать не нужно: нажмите File → New notebook и начинайте писать код.

pandas

pandas — основная библиотека для работы с табличными данными. С её помощью многое из того, что в Excel делается вручную, выполняется несколькими строками кода:

import pandas as pd

df = pd.read_csv("savdo.csv")
print(df.head())
print(df.describe())
print(df.groupby("viloyat")["miqdor"].sum())

Здесь read_csv читает файл, head показывает первые строки, describe выводит основную статистику, а groupby группирует данные по областям и суммирует их. Основные операции, которые стоит освоить: выбор столбцов, фильтрация, поиск и заполнение пустых значений, изменение типа столбца, объединение таблиц.

Визуализация

Визуализация данных — это умение показать найденный вывод так, чтобы он был понятен другим. В Python базовая библиотека — matplotlib, а seaborn построена поверх неё и позволяет проще рисовать более аккуратные графики. Основные виды графиков: столбчатый (сравнение категорий), линейный (изменения во времени), гистограмма (распределение) и точечный (связь между двумя переменными).

Правила хорошего графика: понятный заголовок, подписанные оси, единицы измерения, никаких лишних цветов. Один график — одна мысль. Если по графику нельзя сформулировать вывод одним предложением, упростите его.

Третий этап: основы машинного обучения

Машинное обучение — это способ научить компьютер находить закономерности на примерах, не прописывая ему точных правил. Это самая прикладная часть области искусственного интеллекта. Новичку важно понять две основные идеи.

Обучение с учителем (supervised learning). Модели дают примеры с вопросом и правильным ответом. Например, данные учеников прошлых лет: посещаемость, часы, потраченные на домашние задания, и итоговые баллы за экзамен. Модель изучает связь между ними и предсказывает балл для нового ученика. Здесь есть два типа задач: регрессия (предсказание числа) и классификация (определение категории, например, спам письмо или нет).

Обучение без учителя (unsupervised learning). Правильных ответов нет, и модель сама находит естественные группы в данных. Например, делит покупателей интернет-магазина на несколько групп по их покупательским привычкам (кластеризация).

Основная библиотека для старта в Python — scikit-learn. В ней почти каждая модель используется по одной и той же схеме:

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LinearRegression()
model.fit(X_train, y_train)
print(model.score(X_test, y_test))

Ключевые понятия: разделение данных на обучающую и тестовую части (тестовую часть модель во время обучения видеть не должна), обучение модели (fit), предсказание (predict) и оценка качества. Самая опасная ошибка — когда модель «заучивает» обучающие данные и плохо работает на новых. Это называют переобучением (overfitting).

На этом этапе ограничьтесь простыми моделями: линейной регрессией, логистической регрессией, деревом решений и кластеризацией k-means. К нейронным сетям и глубокому обучению переходите, когда основы станут прочными.

Проекты, портфолио и открытые датасеты

Работодатель хочет увидеть не список сертификатов, а то, что вы реально умеете. Поэтому в конце каждого этапа делайте небольшой проект и собирайте их в портфолио.

Где взять датасет

Датасет — это набор данных, подготовленный для анализа. Для практики есть открытые источники:

Kaggle — тысячи датасетов, загруженных пользователями со всего мира, разборы к ним и учебные соревнования. Читать чужие работы — тоже хороший способ учиться.
data.gov.uz — портал открытых данных Узбекистана. На нём размещаются данные, опубликованные разными ведомствами. Проект на местных данных особенно интересно смотрится в портфолио.
Ваши собственные данные — семейные расходы, дневник чтения, результаты матчей футбольной команды вашей махалли. Прежде чем публиковать личные данные, удалите имена, телефоны и подобную информацию.

Каким должен быть хороший проект

Чёткий вопрос. Не «проанализировал датасет», а «В какие месяцы падает посещаемость библиотеки и почему?».
Очистка данных. Опишите, как вы работали с пустыми значениями, дубликатами и неверными форматами.
Анализ и графики. Достаточно 3–5 содержательных графиков.
Вывод. Простым языком: что обнаружено, какие есть ограничения, что можно сделать дальше.
Публикация. Выложите код на GitHub и коротко опишите проект в файле README.

Подробнее о том, как собрать портфолио, мы писали в статье о создании портфолио.

Почему важен английский

Большая часть документации, руководств к библиотекам, форумов с вопросами и ответами и новых курсов в этой области — на английском. Даже чтобы найти решение по тексту ошибки, нужно уметь читать и писать по-английски. Свободно говорить не обязательно, но умение читать и понимать технический текст даёт огромное преимущество. Даже 15–20 минут чтения технических текстов в день заметно помогают.

Примерный план обучения по месяцам

Таблица ниже условная. Она рассчитана на человека, который начинает программировать с нуля и занимается примерно 8–10 часов в неделю. Кто уделяет больше времени, пройдёт быстрее, кто меньше — медленнее. Важна не скорость, а регулярность.

Месяц	Тема	Результат этапа
1	Excel, аккуратные таблицы, формулы, PivotTable	Таблица анализа личных расходов
2	Основы статистики, диаграммы	Небольшой отчёт со сравнением среднего и медианы
3	SQL: SELECT, GROUP BY, JOIN	Набор из 15–20 упражнений-запросов
4	Основы Python	Небольшой скрипт для автоматизации
5	pandas, очистка данных	Очистка и описание открытого датасета
6	matplotlib, seaborn, визуализация	Полноценный аналитический проект (вопрос, графики, вывод)
7–8	scikit-learn, обучение с учителем и без	Один проект с прогнозом и один с кластеризацией
9 и далее	Портфолио, GitHub, резюме, повторение	3–4 хорошо задокументированных проекта

В конце каждого месяца спрашивайте себя: «Смогу ли я объяснить то, что изучил, другому человеку и применить это в небольшой задаче?» Если ответ «нет», не спешите к следующей теме.

Частые ошибки

Только смотреть курсы. Видео создаёт ощущение понимания, но навык формируется, только когда вы пишете код сами. После каждого урока повторяйте изученное на своём примере.
Учёба без проектов. Закончить десять курсов и не сделать ни одного самостоятельного проекта. Работодатель смотрит не на сертификат, а на результат.
Пропуск основ. Начинать сразу с нейронных сетей. Без Excel, SQL и статистики трудно правильно оценить модель.
Всё одновременно. Параллельно браться за Python, R, пять библиотек и три курса. Выберите один путь и пройдите его до конца.
Непроверенные данные. Строить модель на неочищенных данных. Опытные специалисты тратят большую часть времени на то, чтобы понять и очистить данные.
Неумение объяснить результат. Сказать «у модели высокая точность» недостаточно. Нужно уметь простым языком объяснить, что этот результат значит для бизнеса или для людей.
Ожидание быстрого результата. Эта сфера требует нескольких месяцев регулярной работы, а то и больше. Ни один курс не гарантирует трудоустройство — результат зависит от вашей практической работы.

Практическое задание и чек-лист

Задание: анализ библиотеки махалли

Представьте, что Нилуфар работает в библиотеке махалли и хочет узнать, какие книги читают чаще. Данные условные, вы составите их сами.

Создайте в таблице данные на 30–40 строк: дата, название книги, жанр, возрастная группа читателя, день возврата.
С помощью PivotTable в Excel посчитайте, сколько книг взяли по каждому жанру.
Для каждого жанра сравните среднее и медианное количество дней до возврата книги.
Сохраните таблицу в формате CSV (File → Save As → CSV).
В Google Colab прочитайте файл с помощью pandas и повторите шаги 2–3 кодом.
Постройте в matplotlib столбчатый график по жанрам.
Напишите вывод из трёх предложений: что обнаружено, какие есть ограничения, что вы порекомендуете библиотеке.
Выложите всё на GitHub и напишите README.

Чек-лист

Могу своими словами объяснить разницу между data analyst, data scientist и ML engineer.
Умею считать и интерпретировать среднее, медиану и стандартное отклонение.
Умею строить в Excel сводную таблицу и диаграмму.
Умею писать SQL-запросы с GROUP BY и JOIN.
Умею с помощью pandas прочитать CSV-файл, очистить и сгруппировать данные.
Могу на примере объяснить разницу между обучением с учителем и без учителя.
Хотя бы один мой проект опубликован на GitHub с README.
Могу читать и понимать технический текст на английском.

Data Science — путь, который строится не за один день, а поэтапно. Каждый этап сам по себе даёт полезный навык, поэтому уже в первые месяцы вы начнёте применять изученное на работе или в повседневной жизни.

Если хотите пройти этот путь системно с преподавателем, познакомьтесь с бесплатными программами нашей ассоциации «Аналитика данных» и «Data Science», а также с другими учебными программами. Когда будете готовы, оставьте заявку — наши специалисты свяжутся с вами.