Data Scientist собирает данные, превращает их в модели и помогает бизнесу принимать решения деньгами, а не интуицией. Войти в профессию с нуля реально за 10–14 месяцев плотной учёбы по 12–15 часов в неделю. Стоимость пути расходится сильно: от 0 рублей на бесплатных курсах и open-source материалах до 120–250 тысяч за программу с ментором и помощью в трудоустройстве. За год набегает около 600–800 часов практики, и именно практика, а не количество просмотренных лекций, определяет, позовут ли вас на собеседование.
Ниже разложили весь путь по шагам: пошаговый план на 12 месяцев, какая математика реально нужна (и сколько её требуется на старте), что сдавать на ЕГЭ, какой софт учить, как собрать портфолио и пройти первое соревнование на Kaggle. Зарплатные вилки сверяли с вакансиями на hh.ru и аналитикой школ за начало 2026 года, требования к джунам взяли из реальных описаний стажировок в Яндексе, Сбере и Авито.
КурсыСравнение 82 курсов для data ScientistЦены, школы, длительность, рассрочка
Кто такой Data Scientist простыми словами
Data Scientist отвечает на бизнес-вопросы языком данных: предсказывает отток клиентов, оценивает кредитные риски, рекомендует товары, ищет аномалии в платежах. От аналитика данных его отличает то, что он описывает не только прошлое в дашбордах, но и строит модели машинного обучения, которые работают на будущее. От ML-инженера отличается тем, что больше времени тратит на гипотезы и эксперименты, а не на вывод моделей в продакшен. Подробный разбор задач, специализаций и сравнение со смежными ролями есть в обзоре кто такой Data Scientist. Здесь же сосредоточимся на одном вопросе: как профессией Data Scientist овладеть с нуля.
Короткий ответ — как стать Data Scientist в 2026 году
Если разложить путь на крупные шаги, получится короткий чек-лист. Дальше в статье каждый пункт расписан по времени, деньгам и местам.
- Подтянуть математику: статистику, теорию вероятностей и базовую линейную алгебру на уровне понимания формул, без вывода теорем.
- Освоить Python и его библиотеки для данных: pandas, NumPy, Matplotlib.
- Научиться доставать данные через SQL и чистить их до пригодного для модели вида.
- Разобраться в классическом машинном обучении: регрессия, деревья, бустинг, кластеризация.
- Сделать 3–4 pet-проекта на реальных данных и довести хотя бы один до соревнования на Kaggle.
- Собрать резюме и портфолио на GitHub, начать откликаться на стажировки и джуниор-позиции.
Что нужно, чтобы стать Data Scientist
Коротко о входных требованиях, чтобы вы сразу оценили дистанцию:
- Входной уровень: школьная математика без пробелов и готовность к логическому, а не творческому труду. Профильное высшее помогает, но не обязательно.
- Ключевые навыки: Python, SQL, статистика, машинное обучение, умение объяснять выводы нетехническим людям.
- Софт: Jupyter Notebook, pandas, scikit-learn, Git: этого достаточно на старте.
- Бюджет: от 0 рублей при самостоятельной учёбе до 250 тысяч за курс с трудоустройством.
- Срок: 10–14 месяцев до первого оффера при регулярных 12–15 часах в неделю.
- Личные качества: усидчивость, любопытство к цифрам и спокойное отношение к тому, что 8 моделей из 10 не сработают.
Дальше раскладываем каждый пункт по времени, деньгам и инструментам, начнём с плана на год. Если вы приходите из смежной разработки, часть пути уже пройдена: посмотрите, что переносится, в материале как стать Python-разработчиком, а выбрать программу можно в подборке курсов по Data Science.
Сразу о математике. Главный страх новичка звучит так: «там нужна вышка и матан». На входе хватает уверенной статистики и понимания, как работает алгоритм. Глубокая теория подтягивается уже в процессе, под конкретные задачи.
Roadmap Data Scientist на 12 месяцев от нуля до оффера
Эта карта рассчитана на человека, который учится без отрыва от работы или учёбы по 12–15 часов в неделю и идёт с нуля в программировании. Если у вас уже есть Python или сильная математика, смело сжимайте первые месяцы. Если времени меньше 10 часов в неделю, растягивайте план до 18 месяцев, и это нормально и не делает вас хуже как специалиста.
Месяцы 1–3: фундамент
С чего начать с нуля? С языка и базовой математики. Первый квартал уходит именно на это. Учите Python до уверенного владения списками, словарями, функциями и циклами. Параллельно осваивайте pandas: загрузка таблиц, фильтрация, группировки, объединение. Из математики берёте описательную статистику и теорию вероятностей на уровне понимания среднего, дисперсии, распределений и базовых гипотез. Хорошие бесплатные опоры: курс по Python на Stepik и открытый учебник по статистике. К концу третьего месяца вы должны без подсказок загрузить CSV-файл и ответить на простые вопросы о данных.
Месяцы 4–6: данные и первые модели
Второй квартал добавляет SQL и классическое машинное обучение. SQL нужен, чтобы доставать данные из баз самостоятельно: научитесь джойнам, агрегациям и оконным функциям. В машинном обучении проходите линейную и логистическую регрессию, деревья решений и метрики качества через библиотеку scikit-learn. Здесь же делается первый маленький проект: берёте открытый датасет, чистите его, обучаете модель, оцениваете точность. Не гонитесь за высоким результатом: задача в том, чтобы пройти весь цикл от сырых данных до предсказания.
Месяцы 7–9: продвинутые методы и портфолио
Третий квартал отвечает за глубину и за 2–3 серьёзных проекта, которые станут ядром портфолио. Осваиваете градиентный бустинг (XGBoost, LightGBM, CatBoost): именно его чаще всего используют в реальных задачах с табличными данными. Знакомитесь с основами нейросетей и библиотекой для них, но без фанатизма: для джуна важнее крепкое классическое ML. В это же время регистрируетесь на Kaggle и проходите хотя бы одно соревнование от начала до отправки решения. Каждый проект оформляйте как отдельный репозиторий на GitHub с понятным README.
Месяцы 10–12: оформление и отклики
Последний квартал отводится на выход на рынок. Доводите портфолио до 3–4 завершённых кейсов, пишете резюме, заводите профиль на hh.ru и в профильных Telegram-каналах с вакансиями. Параллельно прорешиваете типовые вопросы с собеседований: статистика, SQL-задачи, теория ML. Откликов на старте нужно много, десятки и иногда сотни, прежде чем дойдёт до офферов. Это часть процесса, а не сигнал, что вы плохой кандидат.
Про окупаемость. Реальный путь с полного нуля до первой работы занимает 12–18 месяцев. Зато вход в Data Science окупается быстро: уже джуниор-зарплата перекрывает стоимость даже дорогого курса за несколько месяцев.
Что сдавать на Data Scientist после 9 и 11 класса
Отдельной школьной специальности «Data Scientist» в России нет, поэтому в профессию входят через математические и IT-направления вузов либо через переподготовку уже во взрослом возрасте. Сколько учиться и что именно сдавать, зависит от того, поступаете вы после 9 или 11 класса и нужен ли вообще ЕГЭ. Разберём все три варианта.
После 11 класса (вуз)
Куда поступать на data science после 11 класса? Ядро профессии даёт направление 01.03.02 «Прикладная математика и информатика» и близкие к нему программы по компьютерным наукам. Базовый набор ЕГЭ в большинстве сильных вузов одинаковый: русский язык, профильная математика и информатика. Так принимают на факультет компьютерных наук ВШЭ, в Физтех-школу прикладной математики и информатики МФТИ, на программы ИТМО. Третьим предметом обычно идёт информатика, но на части инженерных направлений (09.03.xx) вместо неё могут принимать физику, и это нужно проверять на сайте приёмной комиссии конкретного вуза.
Отдельно стоит ВМК МГУ: там просят математику, физику, информатику и русский, а сверх ЕГЭ сдают дополнительное вступительное испытание по математике. Это один из самых жёстких входов в стране. На программах ВШЭ, СПбГУ и ИТМО дополнительных испытаний нет: поступление идёт по трём ЕГЭ. Срок обучения на бакалавриате — 4 года, на выходе диплом бакалавра. Победа в профильной олимпиаде даёт поступление без вступительных испытаний или 100 баллов за предмет.
После 9 класса (колледж)
Прямого колледжного пути именно в Data Science нет, но есть логичная ступень: специальность СПО 09.02.07 «Информационные системы и программирование». Поступают по конкурсу аттестатов, то есть по среднему баллу: ни ЕГЭ, ни профильных экзаменов сдавать не нужно. Срок на базе 9 классов — 3 года 10 месяцев, на выходе диплом СПО и квалификация «Программист».
Важный нюанс: из колледжа напрямую в Data Scientist не выходят. Профессия требует серьёзной вузовской математики: матанализа, теории вероятностей, линейной алгебры. Колледж даёт прочный вход в программирование и понимание кода, а уже оттуда логично идти в вуз на то же направление прикладной математики. Некоторые вузы разрешают выпускникам СПО сдавать внутренние экзамены вместо ЕГЭ, но это зависит от конкретного вуза, поэтому уточняйте в приёмной комиссии заранее.
Без ЕГЭ — для взрослых и переподготовки
Если школа и вуз давно позади, ЕГЭ не понадобится. Для тех, у кого уже есть диплом о высшем или среднем профессиональном образовании, открыта профессиональная переподготовка. Программы идут 6–12 месяцев, минимальный объём по закону составляет от 250 академических часов. Такие программы есть и у вузов: например, на ВМК МГУ переподготовка по анализу данных и машинному обучению длится около года и заканчивается дипломом о профпереподготовке государственного образца. Параллельный вариант: онлайн-курсы коммерческих школ: они выдают собственный сертификат и не требуют ни диплома, ни экзаменов на входе. Готовые программы под разный уровень удобно сравнивать в каталоге курсов по Data Science.
| Путь | Что нужно | Срок | Документ |
|---|---|---|---|
| После 11 (вуз) | Русский + профильная математика + информатика; на ВМК МГУ ещё ДВИ по математике | 4 года | Диплом бакалавра |
| После 9 (колледж) | Конкурс аттестатов, без ЕГЭ; дальше ступень в вуз | 3 года 10 месяцев | Диплом СПО, «Программист» |
| Без ЕГЭ (переподготовка) | Диплом ВО или СПО на входе | 6–12 месяцев | Диплом о профпереподготовке |
| Онлайн-курсы | Ничего, доступно с любого уровня | 6–14 месяцев | Сертификат школы |
В каких индустриях работают Data Scientist
Спрос на специалистов по большим данным (big data) растёт почти во всех крупных отраслях, но условия входа для джуна везде разные. Где-то берут стажёров охотно, где-то ждут готового специалиста с опытом.
| Индустрия | Вход для джуна | Что ценят в портфолио |
|---|---|---|
| IT и интернет-сервисы | Высокий: много стажировок | Рекомендательные системы, A/B-тесты |
| Банки и финтех | Средний: ценят аккуратность | Кредитный скоринг, антифрод |
| Ретейл и e-commerce | Высокий | Прогноз спроса, отток клиентов |
| Телеком | Средний | Анализ оттока, сегментация |
| Промышленность и медицина | Ниже: нужен профильный контекст | Прогноз поломок, анализ снимков |
Джуну проще всего зайти через IT-компании и ретейл: там больше всего входных позиций и налажены программы стажировок. Финтех платит больше, но строже относится к качеству кода и пониманию метрик. Промышленность и медицина дают интересные задачи, но обычно ждут хотя бы базового знания предметной области.
Плюсы и минусы профессии Data Scientist
Прежде чем вкладывать год жизни и до четверти миллиона рублей, честно взвесьте обе стороны.
Плюсы:
- Высокие зарплаты: даже джуниор стартует заметно выше среднего по рынку IT.
- Востребованность: данные собирают все, а специалистов, умеющих их применять, не хватает.
- Удалёнка и гибкость: большинство задач решается из любой точки.
- Интеллектуальный труд: каждая задача — новая гипотеза, рутины меньше, чем кажется.
- Прозрачный рост: путь от джуна до сеньора понятен и измерим.
Минусы:
- Высокий порог входа: без математики и регулярной практики не обойтись.
- Много чёрной работы: до 70% времени уходит на сбор и чистку данных, а не на красивые модели.
- Неопределённость результата: часть гипотез не подтверждается, и это нужно принять.
- Постоянное обучение: инструменты и подходы обновляются каждый год.
- Конкуренция среди джунов: входных вакансий меньше, чем желающих войти в IT.
Войти в профессию без вышки реально: работодатель смотрит на портфолио, а не на диплом. Профессия подходит тем, кому нравится разбираться в цифрах, строить логические цепочки и доводить дело до измеримого результата. Если вам тяжело даётся математика и раздражает долгая возня с таблицами, стоит присмотреться к смежным ролям вроде аналитика или продакт-менеджера.
Что должен уметь Data Scientist
Анализ данных и программирование в работе дата-сайентиста идут рука об руку. Навыки специалиста делятся на три слоя: математика, программирование и методы машинного обучения. Плюс отдельно стоят soft skills, без которых сильный технарь упирается в потолок.
Математика и статистика
База, на которой стоит всё остальное. Нужна статистика (распределения, проверка гипотез, корреляции), теория вероятностей и азы линейной алгебры (векторы, матрицы на уровне понимания, как алгоритм считает). Матанализ полезен, чтобы понимать градиентный спуск, но выводить интегралы руками вам не придётся. Глубина наращивается под задачи, а не заранее «про запас».
Программирование и работа с данными
Python — основной язык профессии, R встречается реже. К нему обязательны pandas и NumPy для обработки данных, Matplotlib и Seaborn для визуализации. Отдельный навык: SQL: без него вы не достанете данные из базы и будете зависеть от чужой помощи. Сюда же относится Git для версионирования и базовое умение работать в командной строке.
Машинное обучение
Ядро профессии. Классические алгоритмы через scikit-learn: линейные модели, деревья, случайный лес, бустинг, кластеризация. Нужно понимать не только как обучить модель, но и как подготовить признаки (features) и оценить результат честно: разбиение на выборки, кросс-валидация, метрики под конкретную задачу. Нейросети и глубокое обучение — следующий уровень, для джуна достаточно общего представления.
Гибкие навыки
Data Scientist много общается с бизнесом, поэтому умение объяснять сложное простыми словами ценится не меньше технических знаний. Сюда же относится критическое мышление (не верить первой красивой цифре), английский для чтения документации и статей, аккуратность в оформлении кода и выводов.
КурсыСравнение 129 курсов по машинному обучениюЦены, школы, длительность, рассрочка
Какой софт и инструменты учить Data Scientist
Инструментов в профессии много, но на старте нужен компактный набор. Не пытайтесь освоить всё сразу, берите по слою, как идёт план обучения.
| Инструмент | Срок освоения | Для чего |
|---|---|---|
| Python + Jupyter | 1–2 месяца | Основной язык и среда для экспериментов |
| pandas, NumPy | 1–2 месяца | Обработка и подготовка данных |
| SQL | 3–4 недели | Доставать данные из баз |
| Matplotlib, Seaborn | 2–3 недели | Визуализация и графики |
| scikit-learn | 2–3 месяца | Классическое машинное обучение |
| XGBoost / LightGBM | 1 месяц | Бустинг для табличных данных |
| Git + GitHub | 2 недели | Версии кода и витрина портфолио |
Стратегически важно не распыляться: сначала уверенный Python и pandas, потом SQL, потом ML. Нейросетевые фреймворки и облачные платформы оставьте на потом: они понадобятся, когда вы уже будете работать. Тем, кто хочет глубже в алгоритмы, пригодится подборка курсов по машинному обучению и анализу данных.
Четыре формата обучения Data Scientist
Дорог в профессию несколько, и выбор зависит от возраста, бюджета и того, сколько у вас времени.
| Формат | Цена | Срок | Кому подходит |
|---|---|---|---|
| Самоучка | 0–20 тыс. ₽ | 12–18 мес. | Дисциплинированным, кто умеет учиться сам |
| Онлайн-курс | 80–250 тыс. ₽ | 9–14 мес. | Тем, кому нужны структура, ментор и помощь с работой |
| Колледж (СПО) | Бюджет / 60–120 тыс. ₽ в год | 3–4 года | Школьникам после 9 класса как ступень |
| Вуз | Бюджет / 200–400 тыс. ₽ в год | 4–6 лет | Тем, кто хочет фундамент и идёт после 11 класса |
Взрослому человеку с дипломом чаще всего подходит онлайн-курс или самостоятельная учёба: это быстрее и дешевле второго высшего. Вуз даёт самую сильную математическую базу, но требует 4–6 лет. Самоучкой стать можно, но сложно: 7 из 10 бросают на середине без внешней структуры и дедлайнов.
КурсыСравнение 322 курсов по анализу данныхЦены, школы, длительность, рассрочка
Портфолио и Kaggle: что ждут работодатели от джуна
Диплом курса сам по себе никого не убеждает. На собеседовании смотрят, что вы реально умеете, а это видно по портфолио. Хорошее портфолио джуна — это 3–4 завершённых проекта на GitHub, каждый со своей задачей и понятным результатом.
- Реальные данные, а не учебный «титаник». Берите датасеты с Kaggle или открытые данные госорганов и компаний.
- Полный цикл. От сбора и чистки данных до обученной модели и выводов: работодатель хочет видеть весь путь.
- Понятный README. Опишите задачу, данные, подход и результат так, чтобы разобрался даже не-технарь.
- Чистый код. Ноутбук с комментариями ценится выше, чем гениальная, но нечитаемая простыня.
Kaggle — это платформа с соревнованиями по машинному обучению и огромной базой датасетов. Для новичка её ценность в практике на живых задачах и в чужих решениях, которые можно разбирать; медали тут вторичны. Для резюме ценно доведённое до конца участие с осмысленным решением и публичным ноутбуком, а итоговое место в таблице вторично. Одно нормально оформленное соревнование говорит о вас больше, чем десяток брошенных на полпути.
Где искать первую работу Data Scientist
Первую позицию ищут по нескольким каналам, и эффективнее работать со всеми сразу, а не только с hh.ru.
- Стажировки крупных компаний. Яндекс, Сбер, Авито, Тинькофф регулярно набирают стажёров, и это самый частый вход для джуна.
- hh.ru и job-агрегаторы. Фильтр по «junior data scientist» и «стажёр аналитик данных».
- Профильные Telegram-каналы. Десятки каналов с вакансиями в Data Science, многие позиции туда попадают раньше, чем на hh.
- Сообщества и митапы. Знакомства внутри ML-комьюнити часто приводят к офферу в обход открытого конкурса.
Закладывайте на поиск несколько месяцев и десятки откликов. По опыту выпускников, на первую работу выходит примерно каждый десятый отклик доходит до собеседования, а офферы появляются после нескольких собеседований. Это нормальная воронка, а не повод опускать руки.
Сколько зарабатывает Data Scientist
Профессия Data Scientist входит в число самых высокооплачиваемых в IT. Общая вилка широкая: от 80 тысяч у начинающего до 400 тысяч и выше у сильного сеньора в крупной компании.
Если разложить по грейдам, на начало 2026 года картина примерно такая. Junior зарабатывает 80–130 тысяч рублей, Middle — 180–250 тысяч, Senior — от 300 тысяч и до 450+ в топовых командах. В Москве вилки выше, в регионах ниже, удалёнка постепенно сглаживает разрыв.
Путь по карьерной лестнице обычно занимает несколько лет: из джуна в мидла переходят за 1–2 года уверенной работы, из мидла в сеньора переходят ещё за 2–3 года. Полный разбор зарплат по грейдам, городам и источникам дохода, а также свежую аналитику по вакансиям смотрите в обзоре профессии Data Scientist.
10 ошибок новичков, которые тормозят вход в профессию
- Учить математику впрок. Месяцами сидеть над матаном, так и не написав ни строчки кода. Лучше учить математику под конкретную задачу, параллельно с практикой.
- Бесконечно смотреть лекции. Просмотренный курс создаёт иллюзию знания. Работодателю важно, что вы сделали руками, а не сколько часов видео посмотрели.
- Игнорировать SQL. Без умения достать данные из базы вы зависите от других. SQL осваивается за месяц и сразу отделяет вас от половины конкурентов.
- Гнаться за нейросетями с порога. Глубокое обучение красиво, но 90% реальных задач джуна решаются классическим ML на табличных данных.
- Делать учебные проекты на игрушечных данных. Десятый проект на датасете «титаник» не впечатлит никого. Берите реальные, грязные данные.
- Не выкладывать код на GitHub. Если проекта нет в публичном репозитории, для рекрутера его не существует.
- Бросать соревнования на полпути. Одно доведённое до конца участие на Kaggle ценнее пяти начатых и заброшенных.
- Учить всё подряд без плана. Распыление между десятью инструментами оставляет вас слабым во всех. Идите по слоям: язык, данные, ML.
- Бояться откликаться раньше времени. Идеальной готовности не бывает. Откликаться стоит, когда есть портфолио, а не когда «выучу ещё чуть-чуть».
- Молчать на собеседовании о ходе мысли. Интервьюер оценивает рассуждение, а не только финальный ответ. Проговаривайте логику вслух.
Где учиться на Data Scientist
Если решили идти через курс, выбирайте программу под свой уровень и наличие практики с ментором. Ниже подборка курсов по Data Science с ценами, сроками и рассрочкой, её удобно сравнить и отфильтровать под бюджет.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Профессия «Data Scientist PRO» Перейти на сайт курса |  Skillbox | 224 595 ₽ | 7245 ₽/мес. | 12 месяцев | Обзор курса |
| Data Scientist Перейти на сайт курса |  Эдюсон | 109 900 ₽ | 4579 ₽/мес. | 9 месяцев | Обзор курса |
| Профессия «Data Scientist: с нуля до middle» Перейти на сайт курса |  Нетология | 189 000 ₽ | 7875 ₽/мес. | 17 месяцев | Обзор курса |
| Data Scientist с нуля до Junior Перейти на сайт курса | Skillbox | 110 160 ₽ | 5033 ₽/мес. | 9 месяцев | Обзор курса |
| Профессия Data scientist + ИИ Перейти на сайт курса | Skillbox | 195 271 ₽ | 4583 ₽/мес. | 12 месяцев | Обзор курса |
| Data Scientist + ИИ Перейти на сайт курса |  Синергия | 107 436 ₽ | 300 ₽/мес. | 10 месяцев | Обзор курса |
| Data scientist: тариф PRO Перейти на сайт курса | Эдюсон | 129 900 ₽ | 5412 ₽/мес. | 9 месяцев | Обзор курса |
| Профессия Data Scientist в медицине Перейти на сайт курса |  SkillFactory | 125 700 ₽ | 3491 ₽/мес. | 13 месяцев | Обзор курса |
| Профессия «Data Scientist» Перейти на сайт курса | Нетология | 80 300 ₽ | 7000 ₽/мес. | 10 месяцев | Обзор курса |
| ДО Профессия Data Scientist с нуля до Junior Перейти на сайт курса |  GeekBrains | 115 771 ₽ | 3167 ₽/мес. | 2 месяца | Обзор курса |
Больше программ — в полном каталоге курсов для Data Scientist
Главное о том, как стать Data Scientist в 2026 году
Войти в профессию с нуля реально за 10–14 месяцев при 12–15 часах учёбы в неделю. Последовательность одна и та же независимо от формата: сначала Python и статистика, затем SQL и работа с данными, потом классическое машинное обучение и в конце портфолио из 3–4 реальных проектов плюс одно доведённое соревнование на Kaggle. Математика нужна на уровне уверенной статистики, а не университетского матана, и подтягивается под задачи.
Школьнику логично идти в вуз на прикладную математику и информатику (русский, профильная математика, информатика на ЕГЭ), взрослому с дипломом, через переподготовку или онлайн-курс. Главный фактор успеха не в выборе школы, а в регулярной практике: тот, кто пишет код каждую неделю и доводит проекты до конца, выходит на первый оффер быстрее, чем тот, кто год собирает идеальную теорию. Начните с малого pet-проекта на этой неделе, и через год вы будете на собеседовании.
