Как начать в Data Science с нуля в 2026 году: пошаговый план

Data Science — одна из самых высокооплачиваемых IT-профессий в России 2026 года. Средняя зарплата Data Scientist по данным hh.ru — 174 000–225 000 ₽, сеньоры зарабатывают до 400 000 ₽. ML-инженеры с 5+ лет опыта получают 400 000+ ₽, особенно в финтехе и крупных IT-компаниях. Но войти в профессию с нуля сложнее, чем в Frontend или 1С — нужны математика, статистика, программирование одновременно.

В этой статье — пошаговый план, как стать Data Scientist'ом с нуля за 2–3 года. Без воды, с реальными цифрами и конкретными курсами из нашей подборки по аналитике и подборки по программированию.

Что такое Data Science и кому подходит профессия

Data Scientist — это специалист, который из «сырых» данных извлекает бизнес-выводы и строит модели машинного обучения. В отличие от обычного аналитика данных (который делает дашборды и отчёты), Data Scientist строит прогнозные модели, рекомендательные системы, обрабатывает большие объёмы данных.

Подходит, если вы:

• Любите математику и статистику
• Умеете программировать (или готовы научиться)
• Готовы 2–3 года плотного обучения
• Любите «копать» в данных, искать закономерности
• Не боитесь работать с массивами на 10+ миллионов записей

НЕ подходит, если:

• Математика и статистика — это «нелюбимый предмет»
• Хотите быстро заработать (профессия требует 2+ лет инвестиций)
• Не готовы регулярно обновлять знания (стек меняется каждый год)

Пошаговый план освоения Data Science

Этап 1: Математика и Python (6–9 месяцев)

База, без которой ничего не получится. Что нужно освоить:

• Линейная алгебра — векторы, матрицы, операции (нужна для понимания ML-моделей)
• Математический анализ — производные, интегралы (для градиентного спуска, оптимизации)
• Теория вероятностей — распределения, теорема Байеса (фундамент статистики)
• Статистика — описательная, проверка гипотез, корреляции, регрессия
• Python — переменные, циклы, функции, ООП, файлы, библиотеки

Рекомендованные курсы для этапа 1:

• Karpov.Courses — бесплатные курсы. Курс «SQL для начинающих» (бесплатно) + «Симулятор Junior Data Analyst» (платный). Прекрасный старт без больших вложений.
• Stepik — много бесплатных и недорогих курсов по Python и математике (Хирьянов, Бугаенко).
• «Основы программирования» от CODDY — Python + алгоритмы. Подходит и для подростков, и для взрослых (см. наш обзор курсов программирования).

Время: 6–9 месяцев при графике 1,5–2 часа в день.

Этап 2: SQL и работа с данными (3–4 месяца)

SQL — обязательный навык любого DS. На собеседованиях вас будут спрашивать SQL-задачи, и большая часть работы в первые годы — это извлечение и подготовка данных.

Что освоить:

• Базовый SQL (SELECT, JOIN, GROUP BY, HAVING, оконные функции)
• PostgreSQL или MySQL (любая реляционная БД)
• Pandas в Python (обработка данных)
• NumPy (численные вычисления)
• Базовая визуализация (Matplotlib, Seaborn)

Курсы:

• «Аналитика продаж» от Академии бизнеса MBA (62 150 ₽ со скидкой 45%) — Excel, Power BI, SQL. Хороший практический курс для входа в аналитику.
• «Магистратура «Инженерия данных» с НИУ ВШЭ» от Нетологии (305 000 ₽) — Python, SQL, Apache Spark, Docker. Премиум-программа для серьёзной карьеры.

Подробности — в нашем обзоре курсов по аналитике.

Этап 3: Machine Learning (6–9 месяцев)

Здесь начинается «настоящий» Data Science. Что освоить:

• Классические ML-алгоритмы: линейная регрессия, логистическая регрессия, деревья решений, random forest, gradient boosting (XGBoost, LightGBM)
• Scikit-learn — главная Python-библиотека для ML
• Feature engineering — как преобразовать данные для модели
• Cross-validation — как правильно оценивать модели
• Метрики качества — accuracy, precision, recall, F1, ROC-AUC

Курсы:

• «Data Science» от Слёрм (35 000 ₽, рассрочка от 8 750 ₽/мес) — Python, SQL, Pandas, NumPy, Scikit-learn. Прекрасный курс от практикующих DS-инженеров.
• «Machine Learning Engineer с нуля» от Skillbox — премиум-программа на 12+ месяцев. Подробности — в обзоре Skillbox.

Этап 4: Глубокое обучение и специализация (6–12 месяцев)

После освоения классического ML начинается специализация. Куда можно пойти:

• NLP (обработка текста) — BERT, GPT-модели, языковые модели. Зарплата средняя 200 000–300 000 ₽.
• Computer Vision — обработка изображений, нейросети для распознавания (OpenCV, PyTorch).
• Recommender Systems — рекомендательные системы (для маркетплейсов, медиа).
• MLOps — деплой моделей в продакшен. Средняя зарплата 250 000 ₽, сеньоры до 400 000 ₽.
• Время Series — прогнозирование (для финансов, ритейла).

Курсы:

• «Магистратура AI + Аналитика данных» с МИП от Нетологии (200 000 ₽) — Python, TensorFlow, NLP, статистика. См. наш обзор курсов по нейросетям.
• «Machine Learning с нуля до Junior» от Skillbox — глубокая программа с практикой.

Этап 5: Поиск первой работы (2–4 месяца)

К этому моменту у вас должно быть:

• 3–5 проектов на GitHub (хотя бы 2 с реальными датасетами Kaggle)
• 1–2 рабочих ML-модели в production-формате (Docker, API)
• Сильное резюме с конкретными результатами проектов
• Профиль на Kaggle с участием в соревнованиях (даже без призов)

Куда подавать резюме:

• Junior Data Analyst / Аналитик данных — самый низкий порог входа
• Junior Data Scientist — если уверены в ML-навыках
• ML Engineer — если есть навыки инфраструктуры
• Data Quality Engineer — узкая ниша с быстрым ростом

Реалистичные зарплаты первой работы:

• Junior Data Analyst — 110 000–150 000 ₽ (в Москве)
• Junior Data Scientist — 130 000–180 000 ₽
• Junior ML Engineer — 150 000–200 000 ₽

«Шёл из экономики в DS в 32 года. Полгода математики и Python (Stepik + Karpov.Courses бесплатно), потом курс Слёрм по Data Science (35 000 ₽). Через 14 месяцев — Junior Data Analyst в банке на 130 тыс. Через год — middle DS на 230 тыс. Главное — не пропускать математику. Без неё ML — это «черный ящик» без понимания.»

— Алексей Б., Middle Data Scientist в банке

Типичный таймлайн до Senior Data Scientist

• 0–12 месяцев: обучение (математика, Python, SQL, ML)
• 12–14 месяцев: поиск первой работы. Зарплата 110–180 тыс. ₽
• 14–24 месяца: работа Junior, накопление практического опыта. Зарплата к концу: 150–200 тыс. ₽
• 24–36 месяцев: переход на Middle (со сменой компании). Зарплата 200–280 тыс. ₽
• 36–60 месяцев: уверенный Middle/Senior. Зарплата 280–400 тыс. ₽

Итого: от «0» до Senior Data Scientist — 5–7 лет. Это длительная инвестиция, но потолок зарплат высокий и стабильный.

Главные ошибки при освоении Data Science

1. Пропускать математику. Многие пытаются «сразу учить ML», без математики. Это путь к плохой работе с моделями — вы не понимаете, что они делают. Через 1–2 года всё равно придётся вернуться к математике.
2. Учиться только теоретически. Без 5+ практических проектов вас не возьмут. Kaggle-соревнования, pet-проекты, открытые датасеты — обязательно.
3. Гнаться за модными темами. «GenAI», «LLM», «AI-агенты» — модные ниши, но требуют сильной базы. Junior без базы здесь не нужен.
4. Не учить SQL. 80% работы первого года — это SQL и pandas. ML-модель будете строить 20% времени.
5. Игнорировать продуктовое мышление. Лучший DS не тот, кто знает больше алгоритмов, а тот, кто понимает бизнес-задачу и подбирает правильное решение.

Часто задаваемые вопросы

Можно ли стать Data Scientist без высшего образования?

Технически да, но сложнее. В реальных вакансиях большинства крупных компаний требуется техническое высшее (математика, физика, информатика). Однако если у вас уже есть бэкграунд в смежных областях (экономика, статистика, инженерия) + сильное портфолио — компании смотрят на навыки, а не на диплом. Стартапы и средние IT-компании менее формальны.

Какой язык программирования учить — Python или R?

Python. В России 2026 года 95%+ DS-вакансий требуют Python. R — устаревающий язык, актуальный в академической среде и узких нишах (биостатистика, маркетинговая аналитика). Если планируете работу в индустрии — Python.

Сколько нужно тратить на курсы в год?

Минимальный сценарий: 0 ₽ — есть много бесплатных ресурсов (Karpov.Courses, Stepik, Coursera Audit, YouTube). Реалистичный сценарий: 50 000–150 000 ₽/год на курсы за 2 года = 100–300 тыс. ₽. Премиум: магистратура с НИУ ВШЭ от Нетологии — 305 000 ₽. Курсы — это инструмент, главное — практика, проекты и регулярность.

Реально ли освоить DS за 6 месяцев?

Нет, это маркетинг. Реалистичный срок до Junior — 12–18 месяцев плотного обучения (1,5–2 часа в день). За 6 месяцев можно освоить SQL, Python и базы ML, но не получить уровень для трудоустройства. Школы, обещающие «DS с нуля за 6 месяцев», обычно дают поверхностную базу, после которой ещё нужны 6–12 месяцев самостоятельной работы.

Что выбрать: Слёрм или Skillbox для DS?

Слёрм — для тех, кто уже знает Python и хочет глубоко погрузиться в DS-стек (Pandas, Scikit-learn). Цена 35 000 ₽ — низкая для качества программы. Подойдёт продвинутым джунам. Skillbox («Machine Learning Engineer») — для тех, кто начинает с базы. Длиннее, дороже (200+ тыс. ₽), но включает математику и продуктовое мышление. Подойдёт абсолютным новичкам. Подробности — в нашем обзоре курсов по аналитике.