Data Science с нуля до junior: реалистичный план 2026

Data Science — одна из самых маркетингово раздутых ниш. Курсы за 200K обещают «junior через 6 месяцев», но реальность жёстче: рынок junior-DS перенасыщен, на одну вакансию 200-400 откликов, и без сильного портфолио + математики собеседование не пройти.

Сколько реально нужно времени

• 9-12 месяцев плотной учёбы (15-20 часов/неделю) до уровня junior с шансами на собеседование.
• 12-18 месяцев если совмещаешь с работой при 8-10 часах/неделю.
• 6 месяцев — нереалистично, если у тебя нет бэкграунда в математике или программировании. Даже бывшие аналитики/инженеры доучиваются 6-9 месяцев.

Что РЕАЛЬНО спрашивают на собеседованиях

Программирование:

• Python — pandas, numpy, matplotlib/seaborn, scikit-learn. Уверенно, на уровне «могу написать pipeline за 30 минут».
• SQL — JOIN, GROUP BY, window functions, CTE. Не на уровне «слышал», а «решаю задачи на StrataScratch».
• Git + Jupyter + командная строка — базовый dev-stack.

Математика и статистика:

• Базовая стат: распределения, p-value, доверительные интервалы, A/B-тесты.
• Линейная алгебра: векторы, матрицы, собственные значения (для понимания PCA, embeddings).
• Теория вероятностей: условная вероятность, Байес, основные распределения.
• Производные и градиенты — для понимания градиентного спуска.

Машинное обучение:

• Классические алгоритмы: линейная/логистическая регрессия, дерево, random forest, gradient boosting (XGBoost/LightGBM/CatBoost), кластеризация (k-means, DBSCAN).
• Нейросети basic: MLP, CNN для картинок, transformers поверхностно.
• Метрики и валидация: ROC AUC, precision/recall, cross-validation, ranking metrics для рекомендаций.

Инженерия (растёт в требованиях 2024-2026):

• Docker — упаковка моделей.
• REST API — Flask или FastAPI для деплоя.
• MLOps basic: MLflow, DVC, отслеживание экспериментов.

Реальные зарплаты РФ 2026

• Junior DS (0-1 год): 100-180 тысяч в Москве, 70-120 в регионах. Удалёнка реальна, но конкуренция жёсткая.
• Middle DS (1-3 года): 200-350 тысяч в Москве.
• Senior DS (3+ лет): 350-600+ тысяч в Москве, плюс премии в крупных компаниях.
• ML Engineer часто платят больше «чистого DS» — рынок ценит инженерные навыки.

Реальность junior: в РФ есть переизбыток junior-DS и недостаток middle. Многие проходят курсы, но устраиваются 30-40% выпускников через 3-6 месяцев активного поиска.

План на 9-12 месяцев

Месяцы 1-2: Python + pandas + базовая статистика. Stepik (бесплатно), курсы Karpov.Courses Hard Skills (платно).

Месяцы 3-4: SQL + математика (линейка, теория вероятностей). Хан Академия + Курсера. Параллельно начинать Kaggle Getting Started competitions.

Месяцы 5-6: Классическое ML (scikit-learn) + первый pet-проект. Решать минимум 2-3 задачи на Kaggle, выкладывать на GitHub с README и анализом.

Месяцы 7-8: Углубление + boosting (XGBoost/CatBoost) + практика на A/B-тестах. Второй проект сложнее (не учебный): анализ открытых данных, real-world задача.

Месяцы 9-10: Третий проект с end-to-end pipeline (от данных до API). Решение алгоритмических задач для big tech собеседований.

Месяцы 11-12: Резюме, отклики, тестовые задания, собеседования. Параллельно учить статистику глубже + А/B-тесты для аналитиков-интервью.

Чего избегать

• ❌ Курсы без математики — pandas можно за месяц, но без линейной алгебры и статистики ты не пройдёшь техническое собеседование.
• ❌ Только Coursera/Udemy без проектов — портфолио из 0 проектов = 0 шанс на собеседовании.
• ❌ Игнорировать SQL — на 80% позиций junior-DS первый раунд — это SQL-задачи.
• ❌ Учить «новейший трендовый AI» прежде классики — без логрегрессии и градиентного бустинга трансформеры не помогут.
• ❌ Идти за брендом школы — «Skillbox/Yandex.Practicum/SkillFactory» дают одинаково среднее качество. Решает твоя самостоятельная работа.

Альтернатива: ML-инженер или Аналитик

Если математика тяжело идёт — рассмотри смежные позиции:

• Аналитик данных (Python + SQL + Tableau/Metabase) — порог ниже, рынок свободнее.
• ML-инженер (Python + Docker + Kubernetes + DevOps) — порог по математике ниже, спрос на инженерные навыки выше.
• MLOps — самая молодая ниша, дефицит специалистов, зарплаты как у senior DS.

Что почитать дальше

• Подборка: Python — программирование с нуля
• Подборка: Нейросети — ChatGPT, Midjourney и практика
• Подборка: Нейросети и prompt-engineering

Data Science — реальная профессия с хорошими зарплатами, но не «golden ticket» как обещают курсы. Без математики и проектов рынок junior жестокий. Реалистично — 9-12 месяцев плотной работы + 3-6 месяцев активного поиска первой работы. Если готов к этому — нормальная карьерная ставка.